@bertrand
Tout d’abord, merci pour ce commentaire constructif !
En ce qui concerne les termes traduits, c’est ici un choix éditorial que d’utiliser les termes français pour autant qu’ils existent (je n’ai pas trouvé de traduction à « leave one out » par exemple). La littérature anglophone est toutefois plus riche — et par ailleurs inspiratrice dans ce domaine. Je m’attacherai donc à donner les équivalents anglais dans les prochains articles, ne serait-ce que pour faciliter les recherches des lecteurs curieux.
Pour la question de la fonction de coût, elle devait initialement couverte par cet article, mais les explications en accroissaient la longueur, déjà assez importante pour ce blog. Je pensais du coup introduire la notion ultérieurement avec les SVM à marges souples.
La même remarque vaut pour le fléau de la dimensionnalité, qui n’a été que vaguement évoqué.
@thomas
Pour la régression sur des quantités variables dans le temps, je mentionnerai les séries temporelles (ou time series, par exemple utilisées pour l’analyse de tendances, ou trend analysis). Pour la classification, les modèles de markov cachés (hidden Markov models) ou le frequent pattern growth, qui précisément cherche à localiser des motifs récurrents.
@bertrand
Je dirais plutôt qu’on pourrait envisager des démarches de ce style *pour* CEP : l’apprentissage de la mise en corrélation d’événements pourrait devenir un enjeu dès lors que l’on attaque des volumes importants et/ou faiblement structurés. La détection de tentative d’intrusion et l’anticipation de pannes en sont des exemples (pour ce dernier, voir par exemple http://www.ijest.info/docs/IJEST11-03-02-018.pdf ).