Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Réseaux Bayésiens
Modèles graphiques dirigés représentant les dépendances conditionnelles entre variables via des probabilités conditionnelles.
Champs de Markov Aléatoires
Modèles graphiques non-dirigés capturant les dépendances symétriques entre variables à travers des potentiels locaux.
Modèles de Markov Cachés
Modèles séquentiels stochastiques où les états cachés suivent une chaîne de Markov et génèrent des observations.
Réseaux de Croyance
Extensions des réseaux bayésiens avec variables discrètes et continues, utilisant des tables de probabilité conditionnelles.
Modèles Conditionnels Aléatoires
Modèles discriminatifs non-dirigés pour la prédiction structurée, conditionnés sur des observations.
Machines de Boltzmann
Réseaux de neurones stochastiques non-dirigés utilisés pour l'apprentissage de représentations et l'échantillonnage.
Inférence Exacte
Algorithmes calculant des distributions de probabilité exactes dans les modèles graphiques via élimination de variables ou passage de messages.
Inférence Approximative
Méthodes d'approximation comme MCMC et échantillonnage pour l'inférence dans les modèles graphiques complexes.
Apprentissage Paramétrique
Estimation des paramètres de probabilité conditionnelle dans les modèles graphiques à partir de données observées.
Apprentissage Structurel
Détermination automatique de la structure du graphe (arêtes et nœuds) à partir des données.
Modèles Graphiques Dynamiques
Extension temporelle des modèles graphiques capturant les dépendances évolutives entre variables au fil du temps.
Modèles Factoriels
Représentation compacte des distributions de probabilité via la factorisation en termes locaux multiplicatifs.