Apprentissage statistiqueLa création de modèles statistiques probabilistes basés sur des données et leur utilisation pour prédire et analyser des données est également connue sous le nom d'apprentissage automatique statistique.

Le principe de l’apprentissage statistique est que l’hypothèse de base des données est que les données sont du même type et présentent certaines régularités statistiques ; sur la base des données, à partir des données, extraire les caractéristiques des données, abstraire le modèle de données, découvrir les lois qui s'y trouvent, trouver des fonctions prédictives et résoudre le problème ; son objectif est de déterminer quel type de modèle apprendre et comment apprendre le modèle.

L'apprentissage statistique est une discipline axée sur les données et un sujet interdisciplinaire qui intègre plusieurs domaines tels que la théorie des probabilités, les statistiques, la théorie de l'information, la théorie computationnelle, la théorie de l'optimisation et l'informatique.

Trois éléments de l'apprentissage statistique

• Modèle : Le choix du modèle génératif ou du modèle discriminatif. La différence entre ces deux modèles est que l’objectif est différent. Le modèle génératif consiste à trouver la distribution de probabilité conjointe des données sources, tandis que le modèle discriminatif consiste à trouver la probabilité conditionnelle ou la fonction de décision ;
• Stratégie : Choisir une fonction de perte ou de risque adaptée, c'est-à-dire choisir une fonction objective ;
• Algorithmes : y compris la méthode de descente de gradient, la méthode de Newton/méthode quasi-Newton, la méthode lagrangienne et d'autres algorithmes d'optimisation.