Table des matières EMC Démo S'abonner

« Machine learning » : bases pour le professionnel en santé au travail et de l'environnement - 16/01/23

[16-001-G-70]  - Doi : 10.1016/S1877-7856(23)47369-2 
M. Badreau a, , M. Fadel a, P. Graczyk a, b, A. Descatha a, c
a Université d'Angers, CHU d'Angers, Université de Rennes, Inserm, EHESP, Institut de recherche en santé, environnement et travail (Irset), UMR_S 1085, IRSET-ESTER, SFR ICAT, CAPTV CDC, 28, rue Roger Amsler, CS 74521, 49045 Angers, France 
b Université d'Angers, CNRS, LAREMA, SFR MATHSTIC, Angers, France 
c Department of Occupational Medicine, Epidemiology and Prevention, Donald and Barbara Zucker School of Medicine, Hofstra/Northwell, États-Unis 

Auteur correspondant.

Résumé

Le machine learning est un domaine en pleine expansion, en lien direct avec le développement des grosses bases de données. Ce terme fait référence à des méthodes d'apprentissage automatique, fondées sur des outils mathématiques, pour apprendre à partir des observations, sans modèle explicite. Il existe ainsi différents modèles pouvant permettre des approches moins contraignantes en termes d'hypothèses tout en étant efficace sur de grosses bases de données. L'apprentissage supervisé est un des grands types d'apprentissage sous-jacent aux modèles de machine learning. Les observations sont ici catégorisées, selon une variable qualitative ou continue que l'on souhaite généralement prédire. Le preprocessing ou traitement des données est également une étape incontournable dans l'utilisation de modèles de type machine learning. Il peut permettre de choisir les paramètres de manière à minimiser l'erreur sans tomber dans le surapprentissage. L'objectif de cet article est ici d'expliciter certains termes récurrents dès qu'il est question de machine learning et de présenter quelques modèles courants de façon simplifiée afin de comparer leurs avantages vis-à-vis de méthodes statistiques plus classiques.

Le texte complet de cet article est disponible en PDF.

Mots-clés : Machine learning, Deep learning, Massive data, Pathologie professionnelle


Plan


 L'annexe indiquée dans ce PDF est présente dans la version étendue de l'article disponible sur www.em-consulte.com/.


© 2023  Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Article précédent Article précédent
  • Métabolisme de l'alcool
  • N. Dali-Youcef, J.-L. Schlienger
| Article suivant Article suivant
  • Qualité de l'air
  • Y. Le Moullec

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Déjà abonné à ce traité ?

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.