Étude comparative d'algorithmes d'apprentissage profond pour la prédiction de futures courses d'épicerie
Notice bibliographique
Résumé
Faire ses courses est une activité quotidienne pouvant engendrer un stress chez les utilisateurs. Par exemple au Canada, les détaillants proposent aux utilisateurs chaque semaine un éventail de produits en promotion. D’un autre côté, un grand nombre de personnes utilisent des plate-formes en ligne pour effectuer des achats ou du moins avoir une idée des produits, de leurs prix et des potentielles promotions appliquées. CircuitPromo est une plate-forme en ligne recensant les différentes promotions disponibles dans les différentes enseignes d’épicerie au Canada. Nous avons utilisé les données publiques de cette plate-forme et des profils d’utilisateurs suggérés par Statistique Canada afin d’augmenter les données publiques de la compétition Instacart de Kaggle. Ceci a été fait dans le but d’entraîner des algorithmes d’apprentissage profond et de prédire si un produit donné sera acheté ou non par un consommateur. Le but de notre recherche est d’effectuer une étude comparative de différents modèles d’apprentissage profond, notamment un perceptron multicouche (MLP) et un réseau de neurones à convolution (CNN) afin de déterminer quel modèle serait le plus adéquat dans notre contexte. Les résultats obtenus sont encourageants. La valeur de la statistique F-mesure pour nos prédictions varie entre 0,87209 et 0,9797. Dans nos expériences, les meilleurs résultats ont été obtenus par les réseaux de neurones à convolution (CNN). _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : Apprentissage profond, Classification, Réseaux de neurones, Réseaux de neurones à convolution, Perceptron multicouche.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».