Présentation du machine learning
Mohamed Essaied Hamrita
IHEC - Sousse
Introduction
Types de problèmes de machine learning
Points clefs
Logiciel et librairies
Introduction
Introduction
▶ 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. . .
▶ Les algorithmes de Machine Learning apprennent de manière
autonome à effectuer 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.
▶ À l’intersection des statistiques et de l’informatique, le machine
learning se préoccupe de la modélisation des données.
Le machine learning repose sur deux piliers fondamentaux :
▶ d’une part, les données, qui sont les exemples à partir duquel
l’algorithme va apprendre ;
▶ d’autre part, l’algorithme d’apprentissage, qui est la procédure que
l’on fait tourner sur ces données pour produire un modèle. On appelle
entraînement (training) le fait de faire tourner un algorithme
d’apprentissage sur un jeu de données.
Types de problèmes de machine learning
Types de problèmes de machine learning
Le machine learning est un champ assez vaste, et nous dressons dans cette
section une liste des plus grandes classes de problèmes auxquels il
s’intéresse.
▶ Apprentissage supervisé
L’apprentissage supervisé (supervised learning) est peut-être le type de
problèmes de machine learning le plus facile à appréhender : son but est
d’apprendre à faire des prédictions, à partir d’une liste d’exemples
étiquetés (label), c’est-à-dire accompagnés de la valeur à prédire.
▶ Apprentissage non supervisé
Dans le cadre de l’apprentissage non supervisé (unsupervised learning), les
données ne sont pas étiquetées. Il s’agit alors de modéliser les données
pour mieux les comprendre. En d’autres termes, il s”agit d’apprendre une
fonction sur les données qui vérifient certaines propriétés.
▶ Apprentissage par renforcement
L’apprentissage par renforcement (Deep Learning) désigne l’ensemble des
méthodes qui permettent à un agent d’apprendre à choisir quelle action
prendre, et ceci de manière autonome.
L’algorithme interagit avec son environnement en réalisant des actions et
en apprenant de ces erreurs et sucés.
Points clefs
Points clefs
▶ Un algorithme de machine learning est un algorithme qui apprend un
modèle à partir d’exemples, par le biais d’un problème d’optimisation.
▶ On utilise le machine learning lorsqu’il est difficile ou impossible de
définir les instructions explicites à donner à un ordinateur pour
résoudre un problème, mais que l’on dispose de nombreux exemples
illustratifs.
▶ Les algorithmes de machine learning peuvent être divisés selon la
nature du problème qu’ils cherchent à résoudre, en apprentissage
supervisé, non supervisé, et par renforcement.
Logiciel et librairies
Logiciel et librairies
Dans ce cours, nous utiliserons le logiciel R pour illustrer des cas pratiques
du machine learning.
Il existe plusieurs librairies (packages) pour l’implémentation du machine
learning;
caret, randomForest, e1071, mlr, nnet, rnn . . .
