ABSTRACT
This work examines the integration of Machine Learning within information systems architectures, focusing specifically on the supervised learning paradigm. It details the process of classifier validation, highlighting the importance of evaluation metrics in ensuring model robustness. In addition, an in-depth analysis of artificial neural networks is presented, differentiating in particular between static (feedforward) and dynamic (recurrent) topologies, and their implications for processing various types of data.
Keywords: Machine learning, Supervised learning, Classifier validation, Neural networks, Static topology, Dynamic topology, Confusion matrix.
RESUME
Ce travail examine l’intégration de l’apprentissage automatique (Machine Learning) au sein des architectures des systèmes d’information, en se concentrant spécifiquement sur le paradigme de l’apprentissage supervisé. Il détaille le processus de validation des classifieurs, en soulignant l’importance des métriques d’évaluation pour garantir la robustesse des modèles. En outre, une analyse approfondie des réseaux de neurones artificiels est présentée, différenciant notamment les topologies statiques (feedforward) et dynamiques (récurrentes), et leurs implications pour le traitement de divers types de données.
Mots-clés : Apprentissage automatique, Apprentissage supervisé, Validation de classifieur, Réseaux de neurones, Topologie statique, Topologie dynamique, Matrice de confusion.
