Les techniques d’association ont pour objet d’analyser les relations existant entre des variables caractéristiques d’un évènement ou de détecter ces associations. Il s’agit ici des caractéristiques qui reviennent systématiquement lors de ces évènements.
La réduction dimensionnelle a pour objet de réduire le nombre de variables analysées et donc de simplifier le modèle (réduction du nombre d’éléments des vecteurs de « features »).
Ces algorithmes permettent d’optimiser l’ensemble des conséquences (récompenses ou punitions), résultant d’une série d’actions portant sur un environnement, dont elles font varier l’état. L’idée est qu’un agent va apprendre la séquence d’actions optimale, qui lui permettra d’obtenir la meilleure récompense au bout du processus.
De nombreux algorithmes sont à classer dans cette famille, Q-Learning, SARSA, DQN, DQPG, etc.