Accéder directement au contenu Accéder directement à la navigation
Article dans une revue

Le machine learning et les sciences sociales à l’épreuve des échelles de complexité algorithmique

Résumé : Le Machine Learning, ou méthodes d’apprentissage utilisées pour constituer ce qu’on appelle Intelligence Artificielle, est plus diversifié qu’on ne le présente en général. En s’appuyant notamment sur la classification proposée par Domingos, l’article commence par présenter différentes approches du ML. En confrontant ces approches formelles aux pratiques relatées durant des défis Kaggle, nous montrons ensuite que les décisions effectives des Machines Learners sont avant tout dictées par les données disponibles et l’échelle de complexité des problèmes à traiter. Cet argument permet de relativiser la toute-puissance attribuée au Machine Learning mais aussi, pour les sciences sociales, de préciser leur collaboration possible, à la fois comme travail préalable d’exploration des dimensions d’un problème et comme accompagnement du travail des Machine Learners de réduction nécessaire de ces dimensions.
Type de document :
Article dans une revue
Liste complète des métadonnées

https://hal-sciencespo.archives-ouvertes.fr/hal-02586070
Contributeur : Spire Sciences Po Institutional Repository <>
Soumis le : vendredi 15 mai 2020 - 09:57:04
Dernière modification le : vendredi 2 juillet 2021 - 13:59:53

Identifiants

Collections

Citation

Dominique Boullier, Mahdi El Mhamdi. Le machine learning et les sciences sociales à l’épreuve des échelles de complexité algorithmique. Revue d'anthropologie des connaissances, 2020, 14 (1), pp.En ligne. ⟨hal-02586070⟩

Partager

Métriques

Consultations de la notice

74