MINISTERE DES TRAVAUX PUBLIC MINISTRY OF PUBLICS WORKS

******* ******
Paix-Travail-Patrie Peace-Work-Fatherland
****** ******
Ecole Nationale Supérieure Des Travaux National Advanced School of Publics Works
Public Annex Buea Annex Buea
****** ******
Département de Topographie Cadastre Department of Topo Cadaster

MACHINE LEARNING

Présenté par : Sous la supervision de :

 DONGMO Mr. TIYDZE NELSON
 NODEM
 GISELA
 EYA EYA


Année scolaire 2024/2025

 Sources
DataScientest.com

https://datascientest.com ›
 SOMMAIRE

I. Machine Learning

II. Fonctionnement du machine Learning

III. Les principaux algorithmes du machine Learning

IV. Q le dépôt Learning

V. Cas d’usage et application

 I. Machine Learning : Définition, fonctionnement, utilisations
Le Machine Learning ou apprentissage automatique est un domaine scientifique, et plus
particulièrement une sous-catégorie de l’intelligence artificielle. Elle consiste à laisser des
algorithmes découvrir des « patterns », à savoir des motifs récurrents, dans les ensembles de
données. Ces données peuvent être des chiffres, des mots, des images, des statistiques…
Tout ce qui peut être stocké numériquement peut servir de données pour le Machine Learning.
En décelant les patterns dans ces données, les algorithmes apprennent et améliorent leurs
performances dans l’exécution d’une tâche spécifique.
Pour résumer, les algorithmes de Machine Learning apprennent de manière autonome à une
tâche ou à réaliser des prédictions à partir de données et améliorent leurs performances au fil du
temps. Une fois entraîné, l’algorithme pourra retrouver les patterns dans de nouvelles données.
II. Fonctionnement le Machine Learning ?
Le développement d’un modèle de Machine Learning repose sur quatre étapes principales. En
règle générale, c’est un Data Scientiste qui gère et supervise ce procédé.
La première étape consiste à sélectionner et à préparer un ensemble de données
d’entraînement. Ces données seront utilisées pour nourrir le modèle de Machine Learning pour
à résoudre le problème pour lequel il est conçu.
Les données peuvent être étiquetées, afin d’indiquer au modèle les caractéristiques qu’il devra
identifier. Elles peuvent aussi être non étiquetées, et le modèle devra repérer et extraire les
caractéristiques récurrentes de lui-même.
Dans les deux cas, les données doivent être soigneusement préparées, organisées et nettoyées.
Dans le cas contraire, l’entraînement du modèle de Machine Learning risque d’être biaisé.
Les résultats de ses futures prédictions seront directement impactés.
La deuxième étape consiste à sélectionner un algorithme à exécuter sur l’ensemble de données
d’entraînement. Le type d’algorithme à utiliser dépend du type et du volume de données
d’entraînement et du type de problème à résoudre.
La troisième étape est l’entraînement de l’algorithme. Il s’agit d’un processus itératif. Des
variables sont exécutées à travers l’algorithme, et les résultats sont comparés avec ceux qu’il
aurait dû produire. Les » poids » et le biais peuvent ensuite être ajustés pour accroître la
précision du résultat.
On exécute ensuite de nouveau les variables jusqu’à ce que l’algorithme produise le résultat
correct la plupart du temps. L’algorithme, ainsi entraîné, est le modèle de Machine Learning.
La quatrième et dernière étape est l’utilisation et l’amélioration du modèle. On utilise le
modèle sur de nouvelles données, dont la provenance dépend du problème à résoudre. Par
exemple, un modèle de Machine Learning conçu pour détecter les spams sera utilisé sur des
emails.
De son côté, le modèle de Machine Learning d’un aspirateur robot ingère des données résultant
de l’interaction avec le monde réel comme le déplacement de meubles ou l’ajout de nouveaux
objets dans la pièce. L’efficacité et la précision peuvent également s’accroître au fil du temps.
III. Les principaux algorithmes de Machine Learning ?
Il existe une large variété d’algorithmes de Machine Learning. Certains sont toutefois plus
couramment utilisés que d’autres. Tout d’abord, différents algorithmes sont utilisés pour les
données étiquetées.
Les algorithmes de régression, linéaire ou logistique, permettent de comprendre les relations
entre les données. La régression linéaire est utilisée pour prédire la valeur d’une variable
dépendante base sur la valeur d’une variable indépendante. Il s’agirait par exemple de prédire les
ventes annuelles d’un commercial en fonction de son niveau d’études ou de son expérience.
La régression logistique est quant à elle utilisée quand les variables dépendantes sont binaires.
Un autre type d’algorithme de régression appelé machine à vecteur de support est pertinent
quand les variables dépendantes sont plus difficiles à classifier.
Un autre algorithme ML populaire est l’arbre de décision. Cet algorithme permet d’établir des
recommandations basées sur un ensemble de règles de décisions en se basant sur des données
classifiées. Par exemple, il est possible de recommander sur quelle équipe de football parier en se
basant sur des données telles que l’âge des joueurs ou le pourcentage de victoire de l’équipe.
Pour les données non étiquetées, on utilise souvent les algorithmes de « clustering ». Cette
méthode consiste à identifier les groupes présentant des enregistrements similaires et à étiqueter
ces enregistrements en fonction du groupe auquel ils appartiennent.
Auparavant, les groupes et leurs caractéristiques sont inconnus. Parmi les algorithmes de
clustering, on compte les K-moyennes, le Two-step ou encore le Kohonen.
Les algorithmes d’association permettent quant à eux de découvrir des patterns et des relations
dans les données, et à identifier les relations » si / alors » appelées » règles d’association «. Ces
règles sont similaires à celles utilisées dans le domaine du Data Mining ou forage de données.
Enfin, les réseaux de neurones sont des algorithmes se présentant sous la forme d’un réseau à
plusieurs couches. La première couche permet l’ingestion des données, une ou plusieurs couches
cachées tirent des conclusions à partir des données ingérées, et la dernière couche assigne une
probabilité à chaque conclusion.
Un réseau de neurones « profond » est composé de multiples couches cachées permettant
chacune de raffiner les résultats de la précédente. On l’utilise dans le domaine du Deep Learning.
 IV. QU’ES-CE-QUE LE MACHINE LEARNING ?
Le Deep Learning est une branche du Machine Learning, mais il s’agit aujourd’hui de la plus
couramment utilisée. Il s’agit d’une invention de Geoffrey Hinton, datée de 1986.
Pour faire simple, le Deep Learning est une version améliorée du Machine Learning.
L’apprentissage profond utilise une technique lui conférant une aptitude supérieure à détecter les
patterns même les plus subtiles.
Cette technique est appelée réseau de neurones profond. Cette profondeur correspond au large
nombre de couches de nœuds de calcul qui constituent ces réseaux et travaillent en collaboration
pour traiter les données et délivrer des prédictions.
Ces réseaux de neurones s’inspirent directement du fonctionnement du cerveau humain. Les
nœuds de calcul sont comparables aux neurones, et le réseau en lui-même s’apparente au
cerveau.
V. Quels sont les différents types de Machine Learning ?
On distingue trois techniques de Machine Learning : l’apprentissage supervisé, l’apprentissage
non-supervisé, et l’apprentissage par renforcement. Dans le cas de l’apprentissage supervisé, le
plus courant, les données sont étiquetées afin d’indiquer à la machine quelles patterns elle doit
rechercher.
Le système s’entraîne sur un ensemble de données étiquetées, avec les informations qu’il est
censé déterminer. Les données peuvent même être déjà classifiées de la manière dont le système
est supposé le faire.
Cette méthode nécessite moins de données d’entraînement que les autres, et facilite le
processus d’entraînement puisque les résultats du modèle peuvent être comparés avec les
données déjà étiquetées. Cependant, l’étiquetage des données peut se révéler onéreux. Un
modèle peut aussi être biaisé à cause des données d’entraînement, ce qui impactera ses
performances par la suite lors du traitement de nouvelles données.
Au contraire, dans le cas de l’apprentissage non supervisé, les données n’ont pas d’étiquettes.
La machine se contente d’explorer les données à la recherche d’éventuelles patterns. Elle ingère
de vastes quantités de données, et utilise des algorithmes pour en extraire des caractéristiques
pertinentes requises pour étiqueter, trier et classifier les données en temps réel sans intervention
humaine.
Plutôt que d’automatiser les décisions et les prédictions, cette approche permet d’identifier les
patterns et les relations que les humains risquent de ne pas identifier dans les données. Cette
technique n’est pas très populaire, car moins simple à appliquer. Elle est toutefois de plus en plus
populaire dans le domaine de la cybersécurité.
L’apprentissage « semi-supervisé » se situe entre les deux et offre un compromis entre
apprentissage supervisé et non-supervisé. Pendant l’entraînement, un ensemble de données
étiqueté de moindre envergure est utilisé pour guider la classification et l’extraction de
caractéristiques à partir d’un ensemble plus large de données non étiquetées.
Cette approche s’avère utile dans les situations où le nombre de données étiquetées est
insuffisant pour l’entraînement d’un algorithme supervisé. Elle permet de contourner le
problème.
Enfin, l’apprentissage par renforcement consiste à laisser un algorithme apprendre de ses
erreurs pour atteindre un objectif. L’algorithme essayera de nombreuses approches différentes
pour tenter d’atteindre son but.
En fonction de ses performances, il sera récompensé ou pénalisé pour l’inciter à poursuivre
dans une voie ou à changer d’approche. Cette technique est notamment utilisée pour permettre à
une IA de surpasser les humains dans les jeux.
VI. Cas d'usage et applications
Ces dernières années, on entend parler de nombreuses avancées dans le domaine de
l’intelligence artificielle. De même, les applications de l’IA se multiplient. En réalité, la vaste
majorité des progrès effectués dans ce domaine sont directement liés au Machine Learning.
Le Machine Learning se cache derrière un grand nombre de services modernes très populaires.
Par exemple, les systèmes de recommandation de Netflix, YouTube et Spotify exploitent cette
technologie.
Il en va de même pour les moteurs de recherche web de Google et Baidu, pour les fils
d’actualité de réseaux sociaux tels que Facebook et Twitter, ou pour les assistants vocaux comme
Siri et Alexa. Ainsi, le Machine Learning peut être considéré comme une innovation phare de ce
début de XXIème siècle.
C’est la raison pour laquelle les plateformes citées ci-dessus et les autres géants du
web collectent de vastes quantités de données personnelles sur leurs utilisateurs : le genre de
films que vous préférez, les liens sur lesquels vous cliquez, les publications auxquelles vous
réagissez… toutes ces données peuvent être utilisées pour nourrir un algorithme de Machine
Learning et lui permettre de prédire ce que vous voulez.
Le Machine Learning est également ce qui permet aux aspirateurs robots de faire le ménage
seuls, à votre boite mail de détecter les spams, et aux systèmes d’analyse d’image médicale
d’aider les médecins à repérer les tumeurs plus efficacement. Les voitures autonomes, elles aussi
reposent sur l’apprentissage automatique.
Les assistants numériques, comme Apple Siri, Amazon Alexa ou Google Assistant, reposent
sur la technologie de traitement naturel du langage (NLP). Il s’agit d’une application du Machine
Learning permettant aux ordinateurs de traiter des données vocales ou textuelles afin de »
 Le machine Learning a de nombreuses applications en topographie. On peut l’utiliser
pour analyser de grands ensembles de données, comme les images satellites ou les relevés GPS,
afin d’identifier des tendances et des modèles. Cela peut aider à créer des cartes plus précises et à
mieux comprendre le terrain.
Le machine Learning peut aussi être utilisé pour automatiser certaines tâches de
topographie, comme la classification des types de sols ou la détection des changements dans le
paysage au fil du temps. Cela permet aux topographes de se concentrer sur des tâches plus
complexes et de gagner du temps.
Enfin, le machine Learning peut être utilisé pour développer de nouveaux outils et
applications en topographie. Par exemple, on peut utiliser le machine Learning pour créer des
modèles de prédiction des inondations ou des glissements de terrain. Cela peut aider à prévenir
les catastrophes naturelles et à protéger les populations.

Nous pouvons utiliser le machine Learning dans la topographie grâce au développement

des donnés sont nées du logiciels tel que Covadis et autocad qui nous permet de calculé avec.
Une fiabilité et surtout de matérialiser de manière numérique des lotissement, les morcellement,
les découpage de superficie pour effectuer toutes ces tâches et apporté un grande fiable et plus
efficace
Le machine Learning a permis la mise sur pied des applications de géo localisation tel
que mobile topographique qui nous permet la localisation et le traitement des données
satellitaires.