Notes

• [1]
  « Les processus utilisant du Big Data codifient le passé. Ils n’inventent pas l’avenir. Pour y parvenir, il faut de l’imagination morale, et c’est quelque chose que seuls les humains peuvent fournir. » (Nous traduisons.)
• [2]
  T. Hastie, R. Tibshirani, J. Friedman, The Elements of Statistical Learning : Data Mining, Inference, and Prediction, New York, Springer, 2016 (2^e éd.). E. Alpaydın, Introduction to Machine Learning, Cambridge, The MIT Press, 2020 (4^e éd.).
• [3]
  A. Samuel, « Some Studies in Machine Learning Using the Game of Checkers », IBM Journal of Research and Development, vol. 3, n^o 3, 1959, p. 210-229.
• [4]
  J. Bosch et alii, « Data Labeling : An Empirical Investigation Into Industrial Challenges and Mitigation Strategies », Product-Focused Software Process Improvement, New York, Springer, 2020, p. 202-216.
• [5]
  Data Preparation & Labeling for AI 2020, technical report by Cognilytica Research, 2020.
• [6]
  Completely Automated Public Turing test to tell Computers and Humans Apart en anglais.
• [7]
  A. Asgari-Targhi et alii, « Gamified Crowdsourcing as a Novel Approach to Lung Ultrasound Dataset Labeling », publié sur arXiv, 2023.
• [8]
  Support-Vector Machine en anglais.
• [9]
  S. Shalev-Shwartz, S. Ben-David, Understanding Machine Learning : From Theory to Algorithms, Cambridge, Cambridge University Press, 2014, voir chap. ii.
• [10]
  L. Rokach, O. Maimon, Data Mining with Decision Trees. Theory and Applications, Singapour, World Scientific Publishing, 2014 (2^e éd.).
• [11]
  I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, Cambridge, The MIT Press, 2016.
• [12]
  Y. Le Cun, Quand la machine apprend. La révolution des neurones artificiels et de l’apprentissage profond, Paris, Odile Jacob, 2019.
• [13]
  L.P. Kaelbling, M.L. Littman, A.W. Moore, « Reinforcement Learning : A Survey », Journal of Artificial Intelligence Research, vol. 4, 1996, p. 237-285.
• [14]
  R. Bellman, « A Markovian Decision Process », Journal of Mathematics and Mechanics, vol. 6, n^o 5, 1957.
• [15]
  S.V. Albrecht, F. Christianos, L. Schäfer, Multi-Agent Reinforcement Learning : Foundations and Modern Approaches, Cambridge, The MIT Press, 2024.
• [16]
  R. Balestriero et alii, « Cookbook of Self-Supervised Learning », publié sur arXiv, 2023.
• [17]
  B. Boser et alii, « Backpropagation Applied to Handwritten Zip Code Recognition », Neural Computation, vol. 1, n^o 4, 1989, p. 541-551.
• [18]
  A.L. Beam et alii, « A Review of Challenges and Opportunities in Machine Learning for Health », AMIA Joint Summits on Translational Science Proceedings, vol. 2020, 2020, p. 191-200.
• [19]
  Z. Liang et alii, « Deep Learning for Healthcare Decision Making With EMRs », Proceedings IEEE International Conference on Bioinformatics and Biomedicine, 2014, p. 556-559.
• [20]
  W. Li, F. Jia, Q. Hu, « Automatic Segmentation of Liver Tumor in Ct Images With Deep Convolutional Neural Networks », Journal of Computer and Communications, vol. 3, n^o 11, 2015, p. 146-151.
• [21]
  I. Banerjee et alii, « Multi-Institutional Validation of a Mammography-Based Breast Cancer Risk Model », Journal of Clinical Oncology, vol. 40, n^o 16, 2022, p. 1732-1740.
• [22]
  M. Simioni, P. Steiner, Comment ça matche. Une sociologie de l’appariement, Paris, Les Presses de Sciences Po, 2022.
• [23]
  C. O’Neil, Algorithmes. La bombe à retardement, Paris, Les Arènes, 2018. Initialement publié en anglais en 2016.
• [24]
  K. Crawford, Contre-atlas de l’intelligence artificielle, op. cit.
• [25]
  J. Dean et alii, « Carbon Emissions and Large Neural Network Training », publié sur arXiv, 2021.