Glossaire

Méthodes de Monte-Carlo

Qu’est-ce que Méthodes de Monte-Carlo ?

Les méthodes de Monte-Carlo sont des techniques de calcul qui, à l’aide d’un très grand nombre de tirages aléatoires, approchent des résultats difficiles à obtenir analytiquement. On simule un système des milliers de fois avec des hypothèses variées au hasard, puis on analyse la distribution des résultats. Les entreprises s’en servent pour l’analyse des risques, la planification de projets ou l’évaluation de portefeuilles. En IA, elles interviennent notamment dans l’apprentissage par renforcement et la recherche arborescente pour les jeux.

Thèmes

simulation
statistique
analyse des risques

Essayer KI.ordo

Agents, flux et modèles dans un seul espace de travail – démo gratuite de 24 heures.

Lancer la démo

← Tous les termes

Termes associés

Réseaux bayésiens

Les réseaux bayésiens sont des modèles graphiques qui représentent les variables par des nœuds et leurs dépendances probabilistes par des flèches orientées. Grâce au théorème de Bayes, ils permettent de calculer comment de nouvelles observations modifient la probabilité d'autres événements. Exemple : l'aide au diagnostic, qui estime la cause la plus probable à partir de symptômes observés. Leurs atouts sont la lisibilité et la prise en compte de données incertaines ou lacunaires.

Probabilités
Modèles graphiques
+1

Apprentissage par renforcement (RL)

L'apprentissage par renforcement (reinforcement learning) est une branche de l'apprentissage automatique dans laquelle un agent apprend par essais et erreurs. Il agit dans un environnement, reçoit des récompenses pour les bons résultats et des pénalités pour les mauvais, et élabore ainsi une stratégie qui maximise le gain global. Parmi les exemples connus figurent les programmes qui maîtrisent des jeux comme le go, le pilotage de robots ou l'ajustement de modèles de langage à partir d'évaluations humaines.

méthode d'apprentissage
récompense
+1

Modélisation prédictive

La modélisation prédictive est le cœur technique de l'analyse prédictive : à partir d'exemples dont le résultat est connu, on construit un modèle qui prédit une valeur ou une classe pour de nouveaux cas. Les méthodes courantes sont la régression, les arbres de décision, les forêts aléatoires ou les réseaux de neurones. Un modèle peut ainsi estimer le prix d'un bien d'après sa surface, son emplacement et son année de construction. Avant déploiement, il est testé sur des données mises de côté pour détecter le surapprentissage.

modélisation
prédiction
+1

Modèle de Markov caché (HMM)

Un modèle de Markov caché (Hidden Markov Model, HMM) est un modèle statistique de séquences dans lequel les états réels sont cachés et ne peuvent être déduits que de signaux observables. Il décrit la probabilité qu’un état succède à un autre et qu’il produise une observation donnée. Les HMM ont longtemps été la référence en reconnaissance vocale et en étiquetage morphosyntaxique ; ils restent utilisés, par exemple, en bio-informatique et pour les séries temporelles.

Statistiques
Modèles de séquence
+1