Index Symboles | _ | A | B | C | D | E | F | G | H | I | K | L | M | N | O | P | Q | R | S | T | U | V | W Symboles 1-PPV _ _TrainingAPI (classe dans mlstatpy.ml._neural_tree_api) A ACP, [1] Algorithme, [1], [2], [3], [4], [5], [6], [7], [8], [9], [10], [11], [12], [13], [14], [15], [16], [17], [18], [19], [20], [21], [22], [23], [24], [25], [26], [27], [28], [29], [30] Algorithme A1 : 1-PPV ou plus proche voisin Algorithme A1 : Apprentissage d'une distance d'édition Algorithme A1 : Arbre de décision optimisé pour les régressions linéaires Algorithme A1 : Calcul de la courbe ROC Algorithme A1 : cartes de Kohonen (SOM) Algorithme A1 : CEM Algorithme A1 : centre mobile Algorithme A1 : Iteratively reweighted least squares Algorithme A1 : optimisation du premier ordre Algorithme A1 : Propagation Algorithme A1 : rétropropagation Algorithme A1 : validation de l'algorithme de sélection des coefficients Algorithme A1 : vecteurs propres Algorithme A2 : BFGS Algorithme A2 : Courbe ROC Algorithme A2 : initialisation k-means++ Algorithme A2 : Iteratively reweighted least squares Algorithme A2 : k-PPV ou k-plus proches voisins Algorithme A2 : Orthonormalisation de Gram-Schmidt Algorithme A3 : BFGS' Algorithme A3 : initialisation k-means|| Algorithme A3 : recherche dans un R-tree Algorithme A4 : DFP Algorithme A4 : insertion d'un objet dans un R-tree Algorithme A4 : sélection du nombre de classes Algorithme A5 : LAESA : sélection des pivots Algorithme A5 : nuées dynamiques généralisées Algorithme A6 : LAESA Algorithme A6 : RPCL Algorithme A7 : FSCL Algorithme A7 : plus proche voisin d'après [Farago1993]_ Algprithme Algprithme A1 : apprentissage stochastique all_completions() (méthode mlstatpy.nlp.completion.CompletionTrieNode) all_mks_completions() (méthode mlstatpy.nlp.completion.CompletionTrieNode) analyse de survie append() (méthode mlstatpy.ml.neural_tree.NeuralTreeNet) arbre de décision AUC auc() (méthode mlstatpy.ml.roc.ROC) auc_interval() (méthode mlstatpy.ml.roc.ROC) B B+ tree BaseNeuralTreeNet (classe dans mlstatpy.ml.neural_tree) BaseOptimizer (classe dans mlstatpy.optim.sgd) bias (propriété mlstatpy.ml._neural_tree_node.NeuralTreeNode) bootstrap Bouldin boule unité Breslow build() (méthode statique mlstatpy.nlp.completion.CompletionTrieNode) C caractère saisi centres mobiles classes elliptiques clear() (méthode mlstatpy.ml.neural_tree.NeuralTreeNet) compare_with_trie() (méthode mlstatpy.nlp.completion_simple.CompletionSystem) CompletionElement (classe dans mlstatpy.nlp.completion_simple) CompletionSystem (classe dans mlstatpy.nlp.completion_simple) CompletionTrieNode (classe dans mlstatpy.nlp.completion) complétion, [1] composante connexe compute_metrics() (méthode mlstatpy.nlp.completion_simple.CompletionSystem) compute_predecessor() (méthode mlstatpy.graph.graph_distance.GraphDistance) compute_roc_curve() (méthode mlstatpy.ml.roc.ROC) confusion() (méthode mlstatpy.ml.roc.ROC) continuité convert_array2PIL() (dans le module mlstatpy.image.detection_segment.detection_segment) convert_PIL2array() (dans le module mlstatpy.image.detection_segment.detection_segment) convexité Corollaire, [1], [2], [3], [4], [5] Corollaire C1 : approximation d'une fonction créneau Corollaire C1 : Estimateur de l'aire sous la courbe ROC Corollaire C1 : nullité d'un coefficient Corollaire C2 : approximation d'une fonction indicatrice Corollaire C2 : Variance de l'estimateur AUC Corollaire C3 : famille libre de fonctions Cox create_from_tree() (méthode statique mlstatpy.ml.neural_tree.NeuralTreeNet) criteria() (dans le module mlstatpy.ml.logreg) criteria2() (dans le module mlstatpy.ml.logreg) D Data (propriété mlstatpy.ml.roc.ROC) Davies decision_function() (méthode mlstatpy.ml.neural_tree.BaseNeuralTreeNet) detect_segments() (dans le module mlstatpy.image.detection_segment.detection_segment) Définition, [1], [2], [3], [4], [5], [6], [7], [8], [9], [10], [11], [12], [13], [14], [15], [16], [17], [18], [19], [20], [21], [22], [23], [24], [25] Définition D1 : B+ tree Définition D1 : bruit blanc Définition D1 : Courbe ROC Définition D1 : Dynamic Minimum Keystroke Définition D1 : Dynamic Minimum Keystroke arrière Définition D1 : loi de Poisson et loi exponentielle Définition D1 : mélange de lois normales Définition D1 : Minimum Keystroke Définition D1 : mot Définition D1 : neurone Définition D1 : neurone distance Définition D1 : orthonormalisation de Schmidt Définition D1 : Régression quantile Définition D2 : couche de neurones Définition D2 : distance d'édition Définition D2 : Dynamic Minimum Keystroke modifié Définition D2 : neurone distance pondérée Définition D2 : Régression quantile Définition D2 : taux de classification à erreur fixe Définition D3 : distance entre caractères Définition D3 : réseau de neurones multi-couches ou perceptron Définition D4 : mot acceptable Définition D5 : distance d'édition Définition D6 : distance d'édition étendue Définition D7 : distance d'édition tronquée Définition D8 : distance d'édition tronquée étendue diagramme de Voronoï, [1] distance d'édition distance() (méthode mlstatpy.ml.kppv.NuagePoints) distance_matching_graphs_paths() (méthode mlstatpy.graph.graph_distance.GraphDistance) dlossds() (méthode mlstatpy.ml._neural_tree_api._TrainingAPI) (méthode mlstatpy.ml._neural_tree_node.NeuralTreeNode) (méthode mlstatpy.ml.neural_tree.NeuralTreeNet) download_dump() (dans le module mlstatpy.data.wikipedia) download_pageviews() (dans le module mlstatpy.data.wikipedia) download_titles() (dans le module mlstatpy.data.wikipedia) E Edge (classe dans mlstatpy.graph.graph_distance) edit_demonstration edit_distance_path() (méthode mlstatpy.graph.graph_distance.GraphDistance) ellipse empty_prefix() (méthode statique mlstatpy.nlp.completion_simple.CompletionElement) enumerate_test_metric() (méthode mlstatpy.nlp.completion_simple.CompletionSystem) enumerate_titles() (dans le module mlstatpy.data.wikipedia) esperance() (dans le module mlstatpy.garden.poulet) espérance de vie exponentielle() (dans le module mlstatpy.garden.poulet) édition F f_proba_poisson_melange() (dans le module mlstatpy.garden.poulet) factorielle() (dans le module mlstatpy.garden.poulet) factorisation de matrices Figure, [1], [2], [3], [4], [5], [6], [7], [8], [9] Figure F1 : Gradient conjugué Figure F1 : Modèle optimal pour la base de test Figure F1 : neurone graphique Figure F1 : Principe de la compression par un réseau diabolo Figure F1 : Réseau de neurones adéquat pour la classification Figure F2 : Exemple de minimal locaux Figure F2 : Modèle du perceptron multi-couche (multi-layer perceptron Figure F2 : Réseau de neurones pour lequel la sélection de connexions s'applique Figure F2 : Réseau diabolo : réduction d'une dimension Figure F3 : Courbe d'inertie pour l'ACP fill_cache() (méthode mlstatpy.ml._neural_tree_api._TrainingAPI) (méthode mlstatpy.ml._neural_tree_node.NeuralTreeNode) (méthode mlstatpy.ml.neural_tree.NeuralTreeNet) find() (méthode mlstatpy.nlp.completion.CompletionTrieNode) (méthode mlstatpy.nlp.completion_simple.CompletionSystem) find_maximum() (dans le module mlstatpy.garden.poulet) fit() (méthode mlstatpy.ml._neural_tree_api._TrainingAPI) (méthode mlstatpy.ml.kppv.NuagePoints) (méthode mlstatpy.ml.kppv_laesa.NuagePointsLaesa) (méthode mlstatpy.ml.neural_tree.BaseNeuralTreeNet) fonction de survie FSCL G get_activation_dloss_function() (méthode statique mlstatpy.ml._neural_tree_node.NeuralTreeNode) get_activation_function() (méthode statique mlstatpy.ml._neural_tree_node.NeuralTreeNode) get_activation_gradient_function() (méthode statique mlstatpy.ml._neural_tree_node.NeuralTreeNode) get_activation_loss_function() (méthode statique mlstatpy.ml._neural_tree_node.NeuralTreeNode) get_matching_functions() (méthode mlstatpy.graph.graph_distance.GraphDistance) glossary Goodman gradient() (méthode mlstatpy.ml._neural_tree_api._TrainingAPI) gradient_backward() (méthode mlstatpy.ml._neural_tree_api._TrainingAPI) (méthode mlstatpy.ml._neural_tree_node.NeuralTreeNode) (méthode mlstatpy.ml.neural_tree.NeuralTreeNet) gram_schmidt() (dans le module mlstatpy.ml.matrices) GraphDistance (classe dans mlstatpy.graph.graph_distance) H histogramme_poisson_melange() (dans le module mlstatpy.garden.poulet) I inertie init_metrics() (méthode mlstatpy.nlp.completion_simple.CompletionElement) input_weights (propriété mlstatpy.ml._neural_tree_node.NeuralTreeNode) intervalle de confiance is_edge() (méthode mlstatpy.graph.graph_distance.Edge) (méthode mlstatpy.graph.graph_distance.Vertex) is_vertex() (méthode mlstatpy.graph.graph_distance.Edge) (méthode mlstatpy.graph.graph_distance.Vertex) items() (méthode mlstatpy.nlp.completion.CompletionTrieNode) (méthode mlstatpy.nlp.completion_simple.CompletionSystem) items_list() (méthode mlstatpy.nlp.completion.CompletionTrieNode) iter_leaves() (méthode mlstatpy.nlp.completion.CompletionTrieNode) iteration_ends() (méthode mlstatpy.optim.sgd.BaseOptimizer) (méthode mlstatpy.optim.sgd.SGDOptimizer) K k-means, [1] k-means++ Kaplan-Meier keystroke kneighbors() (méthode mlstatpy.ml.kppv.NuagePoints) knn Kohonen, [1] Kruskal L Label (propriété mlstatpy.graph.graph_distance.Edge) (propriété mlstatpy.graph.graph_distance.Vertex) label() (méthode mlstatpy.ml.kppv.NuagePoints) label_class_to_softmax_output() (dans le module mlstatpy.ml.neural_tree) LAESA leaves() (méthode mlstatpy.nlp.completion.CompletionTrieNode) Lemme, [1], [2], [3], [4], [5] Lemme L1 : Dynamic Minimum Keystroke Lemme L1 : inertie minimum Lemme L1 : M' et sous-ensemble Lemme L1 : Rang k Lemme L2 : calcul de *M'(q Lemme L2 : Projection Levenshtein Levenstein likelihood() (dans le module mlstatpy.ml.logreg) linear_regression() (dans le module mlstatpy.ml.matrices) load_from_file() (méthode statique mlstatpy.graph.graph_distance.GraphDistance) logistic() (dans le module mlstatpy.ml.logreg) loss() (méthode mlstatpy.ml._neural_tree_api._TrainingAPI) (méthode mlstatpy.ml._neural_tree_node.NeuralTreeNode) (méthode mlstatpy.ml.neural_tree.NeuralTreeNet) M M/M/1 M/M/S Malahanobis Mann-Whitney maximum() (dans le module mlstatpy.garden.poulet) méthode boostrap min_dynamic_keystroke() (méthode mlstatpy.nlp.completion.CompletionTrieNode) min_dynamic_keystroke2() (méthode mlstatpy.nlp.completion.CompletionTrieNode) min_keystroke() (méthode mlstatpy.nlp.completion.CompletionTrieNode) min_keystroke0() (méthode mlstatpy.nlp.completion.CompletionTrieNode) missing values ml MLP) mlstatpy.garden.poulet module mlstatpy.graph.graph_distance module mlstatpy.ml._neural_tree_api module mlstatpy.ml._neural_tree_node module mlstatpy.ml.kppv module mlstatpy.ml.kppv_laesa module mlstatpy.ml.logreg module mlstatpy.ml.neural_tree module mlstatpy.ml.roc module mlstatpy.nlp.completion module mlstatpy.nlp.completion_simple module mlstatpy.optim.sgd module module mlstatpy.garden.poulet mlstatpy.graph.graph_distance mlstatpy.ml._neural_tree_api mlstatpy.ml._neural_tree_node mlstatpy.ml.kppv mlstatpy.ml.kppv_laesa mlstatpy.ml.logreg mlstatpy.ml.neural_tree mlstatpy.ml.roc mlstatpy.nlp.completion mlstatpy.nlp.completion_simple mlstatpy.optim.sgd multiplicateurs de Lagrange N ndim (propriété mlstatpy.ml._neural_tree_node.NeuralTreeNode) ndim_out (propriété mlstatpy.ml._neural_tree_node.NeuralTreeNode) NeuralTreeNet (classe dans mlstatpy.ml.neural_tree) NeuralTreeNetClassifier (classe dans mlstatpy.ml.neural_tree) NeuralTreeNetRegressor (classe dans mlstatpy.ml.neural_tree) NeuralTreeNode (classe dans mlstatpy.ml._neural_tree_node) NLP NMF normalize_wiki_text() (dans le module mlstatpy.data.wikipedia) NuagePoints (classe dans mlstatpy.ml.kppv) NuagePointsLaesa (classe dans mlstatpy.ml.kppv_laesa) O onnx_converter() (méthode statique mlstatpy.ml.neural_tree.BaseNeuralTreeNet) onnx_shape_calculator() (méthode statique mlstatpy.ml.neural_tree.BaseNeuralTreeNet) optimisation sous contrainte ordre et sous-ensemble outlier outliers overfitting P p-value PCA plog2() (dans le module mlstatpy.ml.logreg) plot() (méthode mlstatpy.ml.roc.ROC) plot_ds() (dans le module mlstatpy.ml.logreg) plot_segments() (dans le module mlstatpy.image.detection_segment.detection_segment) plus proches voisins poisson() (dans le module mlstatpy.garden.poulet) poisson_melange() (dans le module mlstatpy.garden.poulet) ppv ppv() (méthode mlstatpy.ml.kppv.NuagePoints) (méthode mlstatpy.ml.kppv_laesa.NuagePointsLaesa) precision() (méthode mlstatpy.ml.roc.ROC) precompute_stat() (méthode mlstatpy.nlp.completion.CompletionTrieNode) predict() (méthode mlstatpy.ml._neural_tree_node.NeuralTreeNode) (méthode mlstatpy.ml.neural_tree.NeuralTreeNetClassifier) (méthode mlstatpy.ml.neural_tree.NeuralTreeNetRegressor) predict_proba() (méthode mlstatpy.ml.neural_tree.NeuralTreeNetClassifier) précision proba_poisson() (dans le module mlstatpy.garden.poulet) proba_poisson_melange() (dans le module mlstatpy.garden.poulet) Problème, [1], [2], [3], [4], [5], [6], [7], [8] Problème P1 : analyse en composantes principales (ACP) Problème P1 : Classification Problème P1 : estimateur du maximum de vraisemblance Problème P1 : Factorisation de matrices positifs Problème P1 : Optimiser un système de complétion Problème P1 : Régression Problème P2 : classification Problème P2 : Optimiser un système de complétion filtré Problème P2 : Prédiction profit() (dans le module mlstatpy.garden.poulet) Propriété, [1] propriété, [1], [2], [3] Propriété P1 : base orthonormée Propriété P1 : calcul rapide de la distance d'édition propriété P1 : Médiane et valeur absolue, [1] propriété P1 : métriques propriété P2 : Quantile et optimisation Q quicksort R R-tree random_cloud() (méthode mlstatpy.ml.roc.ROC) random_noise_image() (dans le module mlstatpy.image.detection_segment.random_image) random_segment_image() (dans le module mlstatpy.image.detection_segment.random_image) random_set_1d() (dans le module mlstatpy.ml.logreg) rappel remove_diacritics() (dans le module mlstatpy.nlp.normalize) requête complète régression de Cox régression logistique, [1] réseaux de neurones rétroprogagation risque de base Rival Penalized Competitive Learning ROC (classe dans mlstatpy.ml.roc) ROC.CurveType (classe dans mlstatpy.ml.roc) roc_intersect() (méthode mlstatpy.ml.roc.ROC) roc_intersect_interval() (méthode mlstatpy.ml.roc.ROC) root (propriété mlstatpy.nlp.completion.CompletionTrieNode) RPCL, [1] S S)* selection_pivots() (méthode mlstatpy.ml.kppv_laesa.NuagePointsLaesa) Self Organizing Map set_fit_request() (méthode mlstatpy.ml.neural_tree.BaseNeuralTreeNet) (méthode mlstatpy.ml.neural_tree.NeuralTreeNetClassifier) (méthode mlstatpy.ml.neural_tree.NeuralTreeNetRegressor) set_score_request() (méthode mlstatpy.ml.neural_tree.NeuralTreeNetClassifier) (méthode mlstatpy.ml.neural_tree.NeuralTreeNetRegressor) séquence SGDOptimizer (classe dans mlstatpy.optim.sgd) shape (propriété mlstatpy.ml.kppv.NuagePoints) (propriété mlstatpy.ml.neural_tree.NeuralTreeNet) SOM sort_values() (méthode mlstatpy.nlp.completion_simple.CompletionSystem) sort_weight() (méthode mlstatpy.nlp.completion_simple.CompletionSystem) str_all_completions() (méthode mlstatpy.nlp.completion.CompletionTrieNode) (méthode mlstatpy.nlp.completion_simple.CompletionElement) str_mks() (méthode mlstatpy.nlp.completion_simple.CompletionElement) str_mks0() (méthode mlstatpy.nlp.completion_simple.CompletionElement) streaming_gram_schmidt() (dans le module mlstatpy.ml.matrices) streaming_gram_schmidt_update() (dans le module mlstatpy.ml.matrices) streaming_linear_regression() (dans le module mlstatpy.ml.matrices) streaming_linear_regression_gram_schmidt() (dans le module mlstatpy.ml.matrices) streaming_linear_regression_gram_schmidt_update() (dans le module mlstatpy.ml.matrices) streaming_linear_regression_update() (dans le module mlstatpy.ml.matrices) T taux de défaillance test_metric() (méthode mlstatpy.nlp.completion_simple.CompletionSystem) Théorème, [1], [2], [3], [4], [5], [6], [7], [8], [9], [10], [11], [12], [13], [14], [15], [16], [17], [18], [19] Théorème T1 : [Farago1993]_ 1 Théorème T1 : Aire sous la courbe (AUC) Théorème T1 : convergence de la méthode de Newton Théorème T1 : convergence des k-means Théorème T1 : convexité des classes formées par une régression logistique Théorème T1 : densité des réseaux de neurones (Cybenko1989) Théorème T1 : distance d'édition Théorème T1 : La factorisation de matrice est équivalente à une analyse en composantes principales Théorème T1 : loi asymptotique des coefficients Théorème T1 : M' Théorème T1 : Régression linéaire après Gram-Schmidt Théorème T1 : résolution de l'ACP Théorème T1 : résolution du problème du maximum de vraisemblance Théorème T1 : simulation d'une loi quelconque Théorème T2 : [Farago1993]_ 2 Théorème T2 : Borne supérieure de l'erreur produite par k-means++ Théorème T2 : rétropropagation Théorème T2 : sélection d'architecture Théorème T2 : simulation d'une loi de Poisson Théorème T3 : somme de loi exponentielle iid to_dict() (méthode mlstatpy.nlp.completion_simple.CompletionSystem) to_dot() (méthode mlstatpy.ml.neural_tree.NeuralTreeNet) train() (méthode mlstatpy.optim.sgd.BaseOptimizer) training_weights (propriété mlstatpy.ml._neural_tree_api._TrainingAPI) (propriété mlstatpy.ml._neural_tree_node.NeuralTreeNode) (propriété mlstatpy.ml.neural_tree.NeuralTreeNet) tuples() (méthode mlstatpy.nlp.completion_simple.CompletionSystem) U U-statistique unsorted_iter() (méthode mlstatpy.nlp.completion.CompletionTrieNode) update_coef() (méthode mlstatpy.optim.sgd.BaseOptimizer) update_metrics() (méthode mlstatpy.nlp.completion_simple.CompletionElement) update_stat_dynamic() (méthode mlstatpy.nlp.completion.CompletionTrieNode) update_training_weights() (méthode mlstatpy.ml._neural_tree_api._TrainingAPI) (méthode mlstatpy.ml._neural_tree_node.NeuralTreeNode) (méthode mlstatpy.ml.neural_tree.NeuralTreeNet) V valeurs manquantes vanishing gradient problem variance intra-classe Vertex (classe dans mlstatpy.graph.graph_distance) voronoi_estimation_from_lr() (dans le module mlstatpy.ml.voronoi) Voronoï W whoosh
