Exploration de données
Le domaine du data mining concerne l'analyse exploratoire des données. Nous utilisons pour cela des méthodes statistiques afin d'obtenir des informations précieuses à partir des données. Nous utilisons pour cela les statistiques classiques et bayésiennes.
Statistiques classiques
Il s'agit ici d'une analyse quantitative des données. On analyse l'apparition d'une grandeur, dans certaines conditions, comme par exemple le montant moyen du chiffre d'affaires. Cela nous permet de vérifier nos théories dans le cadre des tests A/B afin de détecter des coïncidences ou des schémas.
Statistique bayésienne
Ici, la probabilité entre deux éléments est calculée , par exemple la probabilité qu'il pleuve lorsqu'un nuage noir apparaît (calcul des probabilités composées). En d'autres termes, si quelqu'un achète le produit A, quelle est la probabilité qu'il achète le produit B ? Cela nous permet de vérifier nos théories dans le cadre des tests A/B pour détecter des coïncidences ou des schémas.
Apprentissage automatique
L'intelligence artificielle est chez elle dans le domaine du machine learning. Des méthodes et techniques issues du supervised learning et du reinforcement learning sont utilisées pour permettre au moteur d'IA d'apprendre de manière autonome.
Apprentissage supervisé
Une valeur d'entrée et une valeur cible sont définies ici. L'algorithme doit passer de la valeur d'entrée à la valeur cible. Pour ce faire, il reçoit des exemples afin d'apprendre comment atteindre cet objectif.
Apprentissage par renforcement
Apprentissage par la pratique, suivi d'un ajustement basé sur le résultat. C'est ainsi que l'algorithme apprend ce qui fonctionne le mieux.
