L'apprentissage profond pour la finance

Chapitre 2. Méthodes probabilistes essentielles pour le Deep Learning

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : [e-mail]

L'essor et l'accessibilité des technologies ont permis à chacun de déployer des algorithmes d'apprentissage automatique et de Deep Learning pour l'analyse et l'optimisation des données. Mais malheureusement, un grand nombre d'utilisateurs ne comprennent pas les bases des différents modèles d'apprentissage. L'apprentissage automatique n'est donc rien d'autre qu'une boîte à mystères pour eux, ce qui est une recette pour le désastre.

Comprendre les concepts fondamentaux des probabilités, des statistiques et des mathématiques est essentiel pour comprendre et maîtriser les données ainsi que pour créer des modèles qui cherchent à interpréter et à prévoir les données. Ce chapitre présente les bases des probabilités qui sont directement ou indirectement liées aux algorithmes. Note qu'il est peu probable que tu utilises ces concepts de probabilité dans ta vie quotidienne, mais il est important de savoir d'où certains algorithmes tirent leurs hypothèses.

Un abécédaire des probabilités

Les probabilités consistent à décrire des variables et des événements aléatoires. Le monde est rempli d'aléas et la meilleure façon de se frayer un chemin dans le chaos est d'essayer de l'expliquer à l'aide de méthodes probabilistes. Certes, l'expression " expliquer le chaos" est peut-être un oxymore, car le ...