Machine Learning

Présenté par : Rodrique Kafando

Doctorant en Science de Données & IA
Email : [Link]@[Link]

Décembre 2020

R.K Cours de DS IFRISSE 2020 Décembre 2020 1 / 26

SOMMAIRE

1 Introduction

2 Les types de modèles en Machine Learning

3 Séance de TD

R.K Cours de DS IFRISSE 2020 Décembre 2020 2 / 26

L’apprentissage machine est une branche
de l’intelligence artificielle qui permet aux
systèmes informatiques d’apprendre et de
s’améliorer automatiquement à partir de
l’expérience sans être explicitement
programmés.

R.K Cours de DS IFRISSE 2020 Décembre 2020 3 / 26

Introduction
Un peu d’histoire...[1]

Figure 1: L’évolution de l’IA dans la recherche

R.K Cours de DS IFRISSE 2020 Décembre 2020 4 / 26

Introduction
Quelques définitions
Intelligence artificielle - L’intelligence humaine exposée par des
machines.
Doter à la machine, la capacité à résoudre les problèmes complexes, en imitant le
principe de raisonnement de l’être humain
Apprentissage automatique (Machine Learning) - Une approche pour
atteindre les objectifs de l’intelligence artificielle.
Pratique consistant à utiliser des algorithmes pour analyser des données, en tirer des
informations, puis faire une détermination ou une prédiction sur un individu donné.

Apprentissage profond (Deep Learning) - Une technique pour mettre

en œuvre l’apprentissage automatique, dans le but d’atteindre des
performances très élevées.
il s’agit d’une autre approche algorithmique, celle des réseaux de neurones artificiels.
Les réseaux de neurones sont inspirés par notre compréhension de la biologie de
notre cerveau - toutes ces interconnexions entre les neurones, mais avec des couches
discrètes dans son architecture.

R.K Cours de DS IFRISSE 2020 Décembre 2020 5 / 26

Les types de modèles en Machine Learning

Types de modèles les plus utilisés

Il existe principalement trois types de modèles en machine learning. Nouus
avons les modèles :
supervisés, non-supervisés et par renforcement (non abordé dans ce
cours).
Et c’est quoi la différence ?
La principale différence entre ces types est le niveau de disponibilité des
données de vérité de base, c’est-à-dire la connaissance préalable de ce que
devrait être la sortie du modèle pour une entrée donnée.

R.K Cours de DS IFRISSE 2020 Décembre 2020 6 / 26

Les types de modèles en Machine Learning

Types de modèles les plus utilisés

Il existe principalement trois types de modèles en machine learning. Nouus
abordons les modèles supervisés et non-supervisés dans cette partie du
cours :
L’apprentissage supervisé vise à apprendre une fonction qui, à partir
d’un échantillon de données et des résultats souhaités, se rapproche
d’une fonction qui met en correspondance les entrées et les sorties.
L’apprentissage non supervisé n’a pas (ou n’a pas besoin) de sorties
étiquetées, son but est donc de déduire la structure naturelle présente
dans un ensemble de points de données.

R.K Cours de DS IFRISSE 2020 Décembre 2020 7 / 26

Les types de modèles en Machine Learning

Apprentissage supervisé
L’apprentissage supervisé implique l’entraînement des systèmes
informatiques à l’aide de données explicitement étiquetées.
Les données étiquetées ici signifient que l’entrée a été étiquetée avec
les étiquettes de sortie correspondantes souhaitées. L’algorithme
d’apprentissage (modèle) apprend de ces données étiquetées par un
processus itératif qui lui permet ensuite d’effectuer des prédictions
futures.

R.K Cours de DS IFRISSE 2020 Décembre 2020 8 / 26

Les types de modèles en Machine Learning

Apprentissage supervisé
Les problèmes d’apprentissage supervisé peuvent être divisés en 2
sous-classes - la Classification et Régression. La seule différence entre ces 2
sous-classes est le type de sortie ou de cible que l’algorithme vise à prédire.
Classification : lorsque la cible à prédire est une variable de type
catégoriel
Régression : lorsque la cible à prédire est une variable de type
numérique

R.K Cours de DS IFRISSE 2020 Décembre 2020 9 / 26

Les types de modèles en Machine Learning
Apprentissage supervisé
Les problèmes d’apprentissage supervisé peuvent être divisés en 2
sous-classes - la Classification et Régression. La seule différence entre ces 2
sous-classes est le type de sortie ou de cible que l’algorithme vise à prédire.

R.K
Figure 2:
Cours de DS IFRISSE 2020 Décembre 2020 10 / 26
Les types de modèles en Machine Learning

Apprentissage supervisé
Problème de classification : dans la classification, l’objectif est
d’identifier à quelle catégorie appartient un objet (input).
ex : l’image contient-elle un chat ou un chien. Le mail est-il un spam
ou non. Un patient est-il séropositif ou non.
On distingue deux types de problèmes classification:
Binaire : lorsque la cible catégorielle ne peut prendre que 2 valeurs (2
classes)
Multiclasse : lorsque la cible peut peux prendre plus de 2 valeurs. Par
exemple un problème de classification de types de médicaments, de
types de fleurs, etc.

R.K Cours de DS IFRISSE 2020 Décembre 2020 11 / 26

Les types de modèles en Machine Learning

Apprentissage supervisé
Problème de Régression : un problème de régression se pose lorsque la
variable de sortie à prévoir est une valeur numérique.
ex : prix des produits dans une pharmacie, le poids des enfants dans un
hôpital, les salaires des infirmiers dans un centre de santé, etc.
le prix, les poids et les salaires sont des valeurs numériques, comme
l’illustre l’image ci-dessous qui montre les prix des maisons sur l’axe
vertical.

R.K Cours de DS IFRISSE 2020 Décembre 2020 12 / 26

Les types de modèles en Machine Learning
Apprentissage supervisé
Problème de Régression : un problème de régression se pose lorsque la
variable de sortie à prévoir est une valeur numérique.

R.K Cours de DS IFRISSE 2020 Décembre 2020 13 / 26

Les types de modèles en Machine Learning

Apprentissage supervisé
Quiz: Quel(s) est/sont le(s) problème(s) de classification dans les
propositions suivantes ?
Prédire le sexe d’une personne par son style d’écriture
Prédire le prix d’une maison en fonction de la zone
prédire la maladie d’une personne à partir d’une liste de symptômes
Prévoir le nombre de boîtes d’une catégorie de médicaments qui sera
vendu le mois prochain.

R.K Cours de DS IFRISSE 2020 Décembre 2020 14 / 26

Les types de modèles en Machine Learning

Apprentissage supervisé
Quelques algorithmes les plus utilisés pour l’apprentissage supervisé
Support Vector Machines (SVM), Linear regression, Logistic regression,
Naive Bayes, Linear discriminant analysis, Decision trees, Random
Forest, K-nearest neighbor algorithm, Neural Networks (Multilayer
perceptron), Similarity learning.
Lien utile : Scikit-learn

R.K Cours de DS IFRISSE 2020 Décembre 2020 15 / 26

Les types de modèles en Machine Learning

Apprentissage non-supervisé
Contrairement à l’apprentissage supervisé, le modèle est alimenté par
des données qui n’ont pas d’étiquettes humaines prédéfinies. C’est à
l’algorithme de trouver des structures, des modèles ou des relations
cachées dans les données.
Tout comme l’apprentissage supervisé, l’apprentissage non supervisé
peut être divisé en deux :
pour des questions de regroupement - clustering
pour des questions d’association - rule based association

R.K Cours de DS IFRISSE 2020 Décembre 2020 16 / 26

Les types de modèles en Machine Learning
Apprentissage non-supervisé
questions de regroupement - clustering: Dans ce cas, l’algorithme est
alimenté par des données non étiquetées et vise à diviser les données
en groupes appelés clusters en fonction de certains critères de
similarité ou de dissimilarité. Les points de données qui sont
similaires sont regroupés sous un même groupe.

R.K
Figure 4:
Cours de DS IFRISSE 2020 Décembre 2020 17 / 26
Les types de modèles en Machine Learning

Apprentissage non-supervisé
questions de regroupement - clustering
Les regroupements peuvent être classés en:
regroupements exclusifs,
chevauchements,
hiérarchiques,
probabilistes
Les algorithmes les plus utilisés en clustering sont entre autres:
Hierarchical clustering, K-means clustering, K-NN (k nearest
neighbors), Principal Component Analysis, Singular Value
Decomposition, Independent Component Analysis

R.K Cours de DS IFRISSE 2020 Décembre 2020 18 / 26

Les types de modèles en Machine Learning

Apprentissage non-supervisé
pour des questions d’association - rule based association:
Dans les problèmes d’association, le modèle apprend la relation
entre les données et propose ensuite certaines règles.
Cette technique d’apprentissage non supervisée consiste à découvrir des
relations intéressantes entre les variables dans de grandes bases de
données.
ex : les personnes qui achètent une nouvelle maison sont plus
susceptibles d’acheter de nouveaux meubles, quelqu’un qui achète une
brosse à dents est susceptible d’acheter du dentifrice, etc.

R.K Cours de DS IFRISSE 2020 Décembre 2020 19 / 26

Les types de modèles en Machine Learning

Apprentissage non-supervisé
pour des questions d’association - rule based association:
De nombreux algorithmes permettant de générer des règles
d’association ont été proposés. De nombreux algorithmes ont été
proposés pour générer des règles d’association. Certains algorithmes
bien connus le sont :
Apriori algorithm, Eclat algorithm and Frequent Pattern-Growth
C/C L’apprentissage non supervisé est très utile dans l’analyse
exploratoire car il permet d’identifier automatiquement la structure des
données. Par exemple, des sous-groupes de patients atteints de cancer
sont regroupés en fonction de la mesure de l’expression génétique, des
groupes d’acheteurs en fonction de leur historique de navigation et
d’achat, des films sont regroupés en fonction de la note donnée par les
spectateurs.

R.K Cours de DS IFRISSE 2020 Décembre 2020 20 / 26

Les types de modèles en Machine Learning
Apprentissage non-supervisé
pour des questions d’association - rule based association:

R.K Figure 5:
Cours de DS IFRISSE 2020 Décembre 2020 21 / 26
Les types de modèles en Machine Learning

À retenir
Comment trouver le bon modèle pour une étude ?
1) jouer avec plusieurs modèles et garder celui qui nous donne de
meilleur résultats
2) avoir des cartes de références pour guider le choix du modèle.
elle consiste à savoir au préalable, les forces et les faiblesses de chaque
algorithme. Et en fonction des données et de l’objectif de l’étude,
certains algorithmes seront visiblement adaptés, et d’autres non
(confère ml_cards.pdf ).
Faire la différence entre clustering et classification

R.K Cours de DS IFRISSE 2020 Décembre 2020 22 / 26

Les types de modèles en Machine Learning

À retenir

R.K Cours de DS IFRISSE 2020 Décembre 2020 23 / 26

Séance de TD

Environnement de travail
cas d’étude - exploration de données

R.K Cours de DS IFRISSE 2020 Décembre 2020 24 / 26

MERCI POUR VOTRE ATTENTION!

R.K Cours de DS IFRISSE 2020 Décembre 2020 25 / 26

RÉFÉRENCES

M. Copeland – “What’s the difference between artificial intelligence”,

Machine Learning, and Deep Learning (2016).

R.K Cours de DS IFRISSE 2020 Décembre 2020 26 / 26