I CHAP 2 :
MACHINE LEARNING
_ CONCEPTS DE BASE
_ APPRENTISSAGE SUPERVIS
*CLASSIFICATION (SVM - KNN - CNN)
*REGRESSION (R EGRESSION LINLNIRE - ARBRES - LEAST SQUARES -
LOGISTIC REGRESSION - RNN)
-NON SUPERVIS
*CLUSTRING (CROSS VALIDATION)
rCO N C E P T S D E B A S E
Le machine learning s'appuie sur des algorithmes gånåriques, dont la
particularit6
est de se rögler en fonction du cas d'application. En quelque sorte, c'est
comme si
on fournissait å un ordinateur une feuille blanche et des donnåes pour qu'il
prenne
lui-möme des notes sur les corrålations qu'il observe au sein de ces
donnåes (sans
intervention humaine).
https://www.saagie.com/fr/blog/qu-est-ce-que-la-datascience/#:-:text=Data%20science%2C%20g
%C3%A9n%C3%A9ralement%20traduit%20par,et%2011 analyse%20des%20donn%C3%A9es.
Le machine learning est un sous-ensemble de I'intelligence artificielle (IA)
qui
donne aux ordinateurs la capacitå d'apprendre sans ötre explicitement
programmås. Les modåles du machine learnin9 sont cråås en obtenant
des
öchantillons de donnåes, en entrainant le modele sur ces donnåes, puis
en
I'utilisant pour prendre des d6cisions ou faire des prådictions sur des
donnåes
nouvelles et inconnues.
https://www.intelligence-artificielle-school.com/machine-learning-quest-ce-que-cest/
rCO N C E P T S D E B A S E
Le machine learning est un sous-ensemble de I'intelligence artificielle
(IA) qui
donne aux ordinateurs la capacit6 d'apprendre sans ötre
explicitement
programmås. Les modöles du machine learnin9 sont cröös en
obtenant des
öchantillons de donnåes, en entrainant le modele sur ces donnåes,
puis en
I'utilisant pour prendre des d6cisions ou faire des prådictions sur des
donnåes
nouvelles et inconnues.
Livre: Introduction au Machine Learning Chloå-Agathe Azencott
rCON C E P T S D E B A S E
Pourquoi utiliser le machine learning ?
*Le machine learning peut servir å rösoudre des problömes
— que I'on ne sait pas rösoudre (comme dans I'exemple de la
prödiction
d'achats ci-dessus) ;
— que I'on sait rösoudre, mais dont on ne sait formaliser en termes
algorithmiques comment nous les rösolvons (c'est le cas par exemple de
la
reconnaissance d'images ou de la compröhension du langage naturel) ;
— que I'on sait rösoudre, mais avec des procödures beaucoup trop
gourmandes
en ressources informatigues (c'est le cas par exemple de la prödiction
d'interactions entre molecules de grande taille, pour lesquelles les
simulations
sont trös lourdes).
Le machine learning est donc utiliså quand les donnåes sont abondantes
(relativement), mais les connais sances peu accessibles ou peu
döveloppöes.
Livre: Introduction au Machine Learning Chloå-Agathe Azencott
EXEMPLE
Supposons qu'une entreprise veuille connaitre le montant total clöpenså
par un
client ou une cliente å partir de ses factures. II suffit d'appliquer un
algorithme
classique, å savoir une simple addition.
Un algorithme d'apprentissage n'est pas nöcessaire. Supposons
maintenant que
l'on veuille utiliser ces factures pour clåterminer quels produits le client
est le
plus susceptible d'acheter dans un mois. Bien que cela soit
vraisemblablement
lie, nous n'avons manifestement pas toutes les informations nöcessaires
pour ce
faire. Cependant, si nous disposons de l'historique d'achat d'un grand
nombre
d'individus, il devient possible d'utiliser un algorithme de machine
learning pour
qu'il en tire un modåle prödictif nous permettant d'apporter une röponse
ei notre
question.
Livre: Introduction au Machine Learning Chloå-Agathe Azencott
