Algorithme ID3 Un article de Wikipédia, l'encyclopédie libre. L’algorithme ID3 a été développé à l’origine par Ross Quinlan. Il a tout d’abord été publié dans le livre ‘’Machine Learning’’ en 1986. C’est un algorithme de classification supervisé, c’est-à-dire qu'il se base sur des exemples déjà classés dans un ensemble de classes pour déterminer un modèle de classification. Le modèle que produit ID3 est un arbre de décision. L'algorithme C4.5 est une amélioration d'ID3, notamment du point de vue de la facilité d'implémentation. Principe général[modifier | modifier le code] Chaque exemple en entrée est constitué d'une liste d'attributs. Un arbre de décision permet de remplacer un expert humain dont il modélise le cheminement intellectuel. ID3 construit l'arbre de décision récursivement. Algorithme[modifier | modifier le code] Références[modifier | modifier le code] J. Voir aussi[modifier | modifier le code] Arbre de décision
Données ouvertes Un article de Wikipédia, l'encyclopédie libre. Pour les articles homonymes, voir Donnée. Selon les pays, une part plus ou moins importante de la donnée publique est mise à disposition de tous dans le champ des données ouvertes. Ce mouvement est en expansion Les données ouvertes à la Loupe Autocollants utilisés par les militants des données ouvertes Une donnée ouverte est une donnée numérique d'origine publique ou privée. L'ouverture des données (en anglais open data) représente à la fois un mouvement, une philosophie d'accès à l'information et une pratique de publication de données librement accessibles et exploitables. Elle s'inscrit dans une tendance qui considère l'information publique comme un bien commun (tel que défini par Elinor Ostrom) dont la diffusion est d'intérêt public et général. En Europe et dans certains pays, des directives et lois imposent aux collectivités de publier certaines données publiques sous forme numérique. Remarque : Le présent article est généraliste.
Apprentissage automatique Un article de Wikipédia, l'encyclopédie libre. L'apprentissage automatique (machine learning en anglais), un des champs d'étude de l'intelligence artificielle, est la discipline scientifique concernée par le développement, l'analyse et l'implémentation de méthodes automatisables qui permettent à une machine (au sens large) d'évoluer grâce à un processus d'apprentissage, et ainsi de remplir des tâches qu'il est difficile ou impossible de remplir par des moyens algorithmiques plus classiques. Des systèmes complexes peuvent être analysés, y compris pour des données associées à des valeurs symboliques (ex: sur un attribut numérique, non pas simplement une valeur numérique, juste un nombre, mais une valeur probabilisée, c'est-à-dire un nombre assorti d'une probabilité ou associé à un intervalle de confiance) ou un ensemble de modalités possibles sur un attribut numérique ou catégoriel. Principes[modifier | modifier le code] Applications[modifier | modifier le code] Exemples :
NeDB : la base de données légère écrite en JavaScript sort, simple et persistante, elle peut être utilisée « in-memory » « Où pourrais-je trouver une base de données légère à utiliser dans mes projets Node.js ? » Cette question, un développeur du nom de Louis Chatriot se l'est posée. Ne trouvant rien de concret dans ses recherches qui répond à ses attentes, ce dernier a développé sa propre solution en JavaScript, qu'il a par la suite nommée NeDB. Le but de Chatriot n'est pas de rivaliser avec les caïds en place comme MongoDB ou Couch. En effet, NeDB dérive de MongoDB. NeDB prend en charge l'indexation. NeDB peut être utilisée comme base de données persistante ou « in-memory ». Télécharger NeDB Source : page GitHub du projet Et vous ? Que pensez-vous de NeDB ? Êtes-vous prêt à l'utiliser dans vos projets Node.js ?
Arbre de décision Un article de Wikipédia, l'encyclopédie libre. Introduction[modifier | modifier le code] Dans les domaines de l'aide à la décision (informatique décisionnelle et entrepôt de données) et de l'exploration de données, certains algorithmes produisent des arbres de décision, utilisés pour répartir une population d'individus (de clients par exemple) en groupes homogènes, selon un ensemble de variables discriminantes (l'âge, la catégorie socio-professionnelle, …) en fonction d'un objectif fixé et connu (chiffres d'affaires, réponse à un mailing, …). À ce titre, cette technique fait partie des méthodes d’apprentissage supervisé. Cette technique est autant populaire en statistique qu’en apprentissage automatique. lisibilité du modèle de prédiction, l’arbre de décision, fourni. Exemple didactique[modifier | modifier le code] Pour mieux appréhender l’induction des arbres de décision, nous allons reprendre un exemple décrit dans l’ouvrage de Quinlan (1993). Le pré-élagage[modifier | modifier le code]
Continuer ou pas d'utiliser MySQL ? Telle est la question... Vous trouverez ci-dessous un argumentaire exposant cinq (bonnes ?) raisons d’abandonner MySQL. Dans la mesure où nombreux sont les sites dynamiques qui reposent encore sur cette célèbre base de données (à commencer par les nôtres), la question mérite d’être posée. 5 raisons de larguer MySQL dès maintenant 5 Reasons It’s Time to Ditch MySQL Rikki Endsley - 10 juillet 2013 - SmartBear Blog(Traduction : Slystone, audionuma, tetrakos, goofy, mokas01, fred, Sky, ProgVal, ymai, Asta + anonymes) MySQL est encore et toujours la plus populaire des bases de données open source, mais a perdu des fans au fil des années. En 2008, MySQL gagnait rapidement en popularité lorsque Sun Microsystems acheta MySQL AB pour environ un milliard de dollars. Revenons en 2013. 1. MySQL n’a pas commencé comme un SGBDR (Système de Gestion de Bases de Données Relationnelles), mais a changé de direction par la suite pour inclure plus de fonctionnalités. 2. Ce n’est pas comme s’il n’y avait pas d’alternatives open source.
Natoora.fr : mes courses de produits frais en direct des producteurs MySQL MySQL est un Système de Gestion de Base de Données (SGBD) parmi les plus populaires au monde. Il est distribué sous double licence, un licence publique générale GNU et une propriétaire selon l’utilisation qui en est faites. La première version de MySQL est apparue en 1995 et l’outil est régulièrement entretenu. Ce système est particulièrement connu des développeurs pour faire partit des célèbres quatuors: WAMP (Windows, Apache, MySQL et PHP), LAMP (Linux) et MAMP (Mac). Ces packages sont si populaires et simples à mettre en oeuvre que MySQL est largement connu et exploité comme système de gestion de base de données pour des applications utilisant PHP. C’est d’ailleurs pour cette raison que la plupart des hébergeurs web proposent PHP et MySQL. Logo MySQL Caractéristiques L’une des spécificités de MySQL c’est qu’il inclus plusieurs moteurs de bases de données et qu’il est par ailleurs possibles au sein d’une même base de définir un moteur différent pour les tables qui composent la base.