Notes

• [1]
  Comme expliqué au chapitre IV (théorie de Vapnik, p. 109), la fonction ϕ qui minimise l’écart entre y et ϕ(x) sur les données d’apprentissage est la meilleure candidate, selon ce critère, pour prétendre au titre de modèle du phénomène étudié.
• [2]
  Voir la note de bas de page 3, p. 102.
• [3]
  Et entre les deux, à augmenter le niveau d’expressivité de la famille de modèles retenue.
• [4]
  Nombre d’itérations d’apprentissage pendant lesquelles l’algorithme du RN calibre les poids sur les données d’apprentissage.
• [5]
  Pour deux raisons, au moins : (1) mieux vaut effectuer le travail à faire pour traiter en toute légalité les données à caractère personnel ; (2) une véritable anonymisation appauvrira tellement votre jeu de données que la modélisation big data confinera à des résultats peu pertinents : trop d’information aura été perdue.
• [6]
  Pour faire simple : afin de garantir un effectif constant de k individus par croisements de données, quand p double il ne suffit pas de doubler le nombre d’enregistrements n, il faut plutôt le multiplier par 10 !
• [7]
  Dans un souci de simplification, j’ai modifié à la marge les citations originales.
• [8]
  Qui prédit la valeur d’une propriété d’un individu x qui n’était pas dans la base d’apprentissage en lui attribuant la propriété de son voisin le plus proche (qui faisait, lui, partie de la base d’apprentissage).
• [9]
  Ce qui signifie, rappelons-le, la détermination fine du graphe de cette fonction, permettant ensuite de réaliser une bonne prédiction sur de nouveaux points.
• [10]
  Soit le fait de labéliser une photographie, c’est-à-dire la reconnaître à l’œil nu, sélectionner le bon fichier, le classer dans le bon dossier, et cela des millions de fois.
• [11]
  En d’autres termes : le ratio entre le nombre de boules bleues et celui de boules blanches tend-il vers une quantité fixe après que l’on ait réitéré l’expérience à maintes reprises ?
• [12]
  Par exemple, on procédera à des mesures dites de « co-intégration ».
• [13]
  En chimie, on dirait la « concentration ».
• [14]
  C’est plus l’objet du chapitre XVII.
• [15]
  Intitulé « Deluge of Spurious Correlations in Big Data », accessible là : https://www.di.ens.fr/.../longo/files/BigData-Calude-LongoAug21.pdf
• [16]
  En français dans le texte : « plus il y a de données et plus s’y trouveront de corrélations arbitraires, dénuées de sens et inutiles (pour une future action) ».
• [17]
  Traduction : « Pire encore, ces dernières corrélations (du type Ramsey) ne peuvent être distinguées algorithmiquement des autres ».
• [18]
  Dépendance au chemin...
• [19]
  Et nous reviendrons encore dessus au chapitre XVII.