WolframApprentissage automatiqueUn élément essentiel de
Wolfram Language
Apprentissage automatique et réseaux neuronaux.
De l’apprentissage automatique classique de niveau production à l’intelligence artificielle moderne, en passant par l’intégration profonde de l’analyse statistique, de la visualisation, du traitement des images, etc. pour créer des systèmes intelligents.
Classification
Utilisez immédiatement des classifieurs pré-entraînés ou créez les vôtres pour classer toutes les données, y compris les textes, les images, les tableaux, l’audio et la vidéo, dans un nombre fini de catégories. Les exemples incluent l’identification de feuilles de plantes, de cris d’oiseaux ou d’actions humaines. Les méthodes disponibles vont de la régression logistique aux réseaux neuronaux en passant par la forêt aléatoire et les machines à vecteurs de support.
Régression
Prévoyez les prix ou prédisez l’effet d’un traitement ou le rendement des cultures : utilisez l’analyse de régression partout pour prédire une valeur à partir d’un ensemble de variables comprenant des nombres, des tableaux, des images et du texte. Utilisez une puissante extraction de caractéristiques à partir de n’importe quel type de données, puis laissez l’automatisation sélectionner le meilleur modèle et les meilleurs paramètres, ou personnalisez-les avec un contrôle total.
Analyse de partitionnement
Regroupez différents objets en fonction de leur similarité, sans connaissance préalable, avec la classification non supervisée. On peut utilisé le partitionnement pour classer les types de clients, les taxonomies animales et bien d’autres groupes. Différentes méthodes sont prises en charge, notamment le partitionnement en k-moyennes, le partitionnement spectral et le partitionnement hiérarchique.
Réduction de la dimensionnalité
Représentez n’importe quelle donnée dans un espace de petite dimension pour visualiser des ensembles de données complexes comportant plusieurs caractéristiques (y compris des caractéristiques non numériques) et effectuez une compression des données ou même une sélection non supervisée des caractéristiques. Une variété de méthodes telles que les composantes principales, la cartographie isométrique, l’algorithme t-SNE et UMAP permettent de modéliser des structures linéaires et non linéaires.
Détection d’anomalies
Détectez les valeurs extrêmes, nouvelles ou inhabituelles. Signalez les anomalies directement sur un ensemble de données, construisez un détecteur d’anomalies réutilisable ou partez d’une distribution construite à partir de n’importe quel type de données. Les applications vont de la détection de défauts à la surveillance des performances, en passant par l’évaluation de la qualité, la détection de nouveautés et bien plus encore.
Imputation de données manquantes
Comblez les valeurs manquantes dans votre ensemble de données en générant des données synthétiques. Les données manquantes en raison de dysfonctionnements de l’équipement, de fichiers corrompus ou d’une saisie incomplète des données peuvent introduire des erreurs importantes dans l’apprentissage du modèle, voire rendre l’apprentissage impossible. Imputez les valeurs manquantes automatiquement ou en utilisant une distribution donnée.
Réseaux neuronaux
La forêt tropicale est-elle en bonne santé ? Y a-t-il une tumeur dans cette IRM ? Comment dit-on « chat » en anglais ? Utilisez les réseaux neuronaux pour répondre à ces questions auparavant difficiles grâce à un cadre simple mais flexible. Importez des modèles pré-entraînés, adaptez-les à de nouveaux problèmes en les réentraînant ou entraînez un réseau de A à Z.
Traitement du langage naturel
Trouvez la réponse à une question dans un texte, marquez chaque mention d’un concept spécifique ou analysez la structure syntaxique d’une phrase. Le traitement du langage naturel est un élément clé dans des domaines tels que l’exploration de données, les études de marché et l’assistance à la clientèle.
Vision par ordinateur
Trouvez et reconnaissez avec efficacité et précision des objets, du texte, des visages et bien d’autres choses encore dans des images, ou effectuez une segmentation avancée, une stylisation et bien plus encore à l’aide de modèles d’apprentissage automatique et de réseaux neuronaux. On trouve des solutions partout, dans les systèmes d’aide à la conduite, les contrôles de qualité automatisés, la sécurité, les applications médicales et autres.
Calcul de la parole
Analysez et traitez les signaux vocaux pour détecter les intervalles vocaux, effectuer la reconnaissance vocale, identifier les locuteurs ou même modifier la hauteur tonale. Utilisez l’apprentissage automatique avec le traitement audio, l’analyse statistique et la visualisation pour permettre un calcul de la parole facile et très efficace.
Documentation de Wolfram Apprentissage automatique
Wolfram Apprentissage automatique fait partie intégrante de Wolfram Language. Le système complet contient plus de 6000 fonctions intégrées couvrant tous les domaines du calcul, toutes soigneusement intégrées pour fonctionner parfaitement ensemble.
Champ d'application et documentation
Guide
Guide
OverviewCours d'introduction
Domaines de base connexes
Démarrer avec Wolfram Apprentissage automatique
Accéder à Wolfram Language via Wolfram|One ou Mathematica
