Un modèle est une approximation apprise. Il prend des données d'entrée, leur applique une transformation mathématique et produit une sortie. Cette transformation est déterminée par l'apprentissage, et sa qualité est évaluée selon sa capacité à généraliser à de nouvelles données.

Les modèles se présentent sous de nombreuses formes. La régression linéaire ajuste une droite. Les arbres de décision segmentent les données de manière récursive. Les réseaux de neurones sont composés de couches de fonctions apprises. Chacun présente des avantages, des inconvénients et des hypothèses concernant les données.

Qu'est-ce qui définit un modèle ?

• Architecture et nombre de paramètres
• Procédure et objectif de la formation
• Format d'entrée et de sortie
• Performances sur des données mises de côté
• Besoins en calcul et en mémoire

Aucun modèle n'est parfaitement correct. Un modèle est utile ou non pour une tâche, un jeu de données et un contexte de déploiement spécifiques. Une même architecture peut réussir sur un problème et échouer sur un autre.