Machine Learning

Siwar BEN GAMRA

Direction Générale des Etudes Technologiques

Institut Supérieur des Etudes Technologiques de

Kélibia

Année universitaire
2023 - 2024

Siwar BEN GAMRA Machine Learning 1 / 26

Introduction, Généralités
Problématique & Introduction

Téléphones portables, tablettes, caméras et d’autres appareils

électroniques connectés ...
Quantité massive de données est générée: Big data

Raisons de cette explosion de données

Croissance de l’utilisation des appareils électroniques
Connexion à Internet
Technologie de stockage abordable

✓ Offrir des opportunités pour l’analyse de données,

l’apprentissage automatique ou ”Machine learning” et
l’intelligence artificielle, qui peuvent aider à prendre des
décisions

Siwar BEN GAMRA Machine Learning 2 / 26

Introduction, Généralités
Qu’est ce que le machine learning?

Définition
L’apprentissage est une modification de comportement sur la base
d’une expérience, Fabien Benureau (2015).

Définition dans le cas d’un programme informatique

La capacité d’apprendre sans être programmé, Arthur Samuel
(1959).

Phase d’apprentissage: Faire tourner un algorithme

d’apprentissage sur les données pour produire un modèle
prédictif
Phase de test: Appliquer le modèle obtenu sur des nouvelles
données

Siwar BEN GAMRA Machine Learning 3 / 26

Introduction, Généralités
Problématique & Introduction

Siwar BEN GAMRA Machine Learning 4 / 26

Introduction, Généralités
Qu’est ce que le machine learning?

Exemple 1
Entreprise veuille connaı̂tre le montant total dépensé par un client.
Algorithme classique (simple addition). Un algorithme
d’apprentissage n’est pas nécessaire!

Exemple 2
Entreprise veuille déterminer quels produits susceptibles d’être
achetés dans un mois.
Si nous disposons de l’historique d’achat d’un grand
nombre d’individus, utilisons un Algorithme de machine
learning pour qu’il en tire un modèle prédictif capable de
répondre à notre question.

Siwar BEN GAMRA Machine Learning 5 / 26

Introduction, Généralités
Types de problèmes de machine learning

Apprentissage supervisé
Apprentissage non supervisé
Apprentissage semi-supervisé
Apprentissage par renforcement

Siwar BEN GAMRA Machine Learning 6 / 26

Introduction, Généralités
Types de problèmes de machine learning: Apprentissage supervisé (1/2)

Apprendre à prédire à partir d’une liste d’exemples étiquetés

Siwar BEN GAMRA Machine Learning 7 / 26

Introduction, Généralités
Types de problèmes de machine learning: Apprentissage supervisé (2/2)

Siwar BEN GAMRA Machine Learning 8 / 26

Introduction, Généralités
Types de problèmes de machine learning: Apprentissage supervisé (2/2)

Étiquettes binaires, elles indiquent l’appartenance à une

classe: Classification binaire
Étiquettes discrètes, correspondent à plusieurs classes:
Classification multi-classe
Étiquettes à valeurs réelles: Régression

Siwar BEN GAMRA Machine Learning 9 / 26

Introduction, Généralités
Classification binaire

Exemple de problèmes de classification binaire

Identifier si un email est un spam ou non,
Identifier si un tableau a été peint par Picasso ou non,
Identifier si une image contient une maison ou non,
Identifier si la langue parlée dans un extrait audio est l’anglais
ou non,
Identifier si une transaction financière est frauduleuse ou non.

Siwar BEN GAMRA Machine Learning 10 / 26

Introduction, Généralités
Classification multi-classe

Exemple de problèmes de classification multi-classe

Identifier en quelle langue un texte est écrit,
Identifier l’expression d’un visage parmi une liste prédéfinie
(colère, surprise, Tristesse, peur,etc.)
Identifier les objets présents dans une image,
Identifier à quelle espèce appartient une plante,
Identifier l’action humaine dans la séquence de surveillance.

Siwar BEN GAMRA Machine Learning 11 / 26

Introduction, Généralités
Régression

Exemple de problèmes de régression

Prédire la consommation d’énergie d’un bâtiment,
Prédire le nombre d’utilisateurs d’un service en ligne à un
moment donné,
Prédire le prix d’une action en bourse,
Prédire les quatre coins de la boite englobante un visage.

Siwar BEN GAMRA Machine Learning 12 / 26

Introduction, Généralités
Types de problèmes de machine learning: Apprentissage non supervisé (1/2)

Quand le système ne dispose que de données, mais non

d’étiquette on parle d’apprentissage non supervisé.

Clustering, ou partitionnement, consiste à identifier des

groupes dans les données
Réduction de dimension, consiste à trouver une
représentation de données plus faible que celle de l’espace dans
lequel elles sont représentées à l’origine

Siwar BEN GAMRA Machine Learning 13 / 26

Introduction, Généralités
Types de problèmes de machine learning: Apprentissage semi-supervisé

Quand le système dispose un jeu de données partiellement

étiqueté on parle d’apprentissage semi supervisé.

Classification automatique des articles de presse

un ensemble de données d’articles qui ont été étiquetés
manuellement par des humains (1000 articles),
Majorité des articles (par exemple, 100 000 articles) n’ont pas
encore été étiquetés

Siwar BEN GAMRA Machine Learning 14 / 26

Introduction, Généralités
Types de problèmes de machine learning: Apprentissage par renforcement

Pas de données fournies au préalable

L’algorithme interagit avec son environnement en réalisant des
actions et en apprenant de ses erreurs et succès
Apprendre une stratégie de comportement en fonction
d’expériences passées et des récompenses perçues

Exemples
Les applications principales de l’apprentissage par
renforcement se trouvent dans les jeux (échecs, go, etc.) et la
robotique.
Siwar BEN GAMRA Machine Learning 15 / 26
Introduction, Généralités
Étapes à suivre pour concevoir un système ML

1 Formaliser la tâche d’apprentissage

2 Collecte des données
3 Extraire les caractéristiques (features)
4 Choisir la bonne classe de modèles d’apprentissage
5 Entraı̂ner le modèle
6 Évaluer le modèle

Siwar BEN GAMRA Machine Learning 16 / 26

Introduction, Généralités
Étapes à suivre pour concevoir un système ML

Étape 1: Formaliser la tâche d’apprentissage

Définir la tâche que l’on veut traiter avec le système
d’apprentissage
Quel problème souhaitez-vous résoudre?
Quelles prédictions voulez-vous faire

Étape 2: Collecter les données

Un ensemble d’entraı̂nement doit être collecté dans un format
lisible par la machine,
La collecte de données est une tâche souvent très lourde.
une étape de nettoyage et d’exploration des données sera faite
pour rendre les données plus adaptées à l’apprentissage
automatique

Siwar BEN GAMRA Machine Learning 17 / 26

Introduction, Généralités
Étapes à suivre pour concevoir un système ML

Étape 3: Extraire les caractéristiques

Extraire un ensemble de caractéristiques (features) qui
caractérisent les données
Une seule caractéristique ne peut pas être suffisante pour la
classification. Il faut utiliser un ensemble de caractéristiques
Un ensemble de caractéristiques forme un vecteur
Un vecteur doit être discriminant

Exemple de caractéristiques
L’utilisation de l’apprentissage automatique pour prévoir la
demande énergétique est un exemple puissant de son application
dans le domaine de l’énergie.

Siwar BEN GAMRA Machine Learning 18 / 26

Introduction, Généralités
Étapes à suivre pour concevoir un système ML

Étape 3: Extraire les caractéristiques

Siwar BEN GAMRA Machine Learning 19 / 26

Introduction, Généralités
Étapes à suivre pour concevoir un système ML

Étape 4: Choisir la bonne catégorie de modèles d’apprentissage

Différents algorithmes d’apprentissage automatique peuvent

être utilisés pour la prévision de la demande énergétique
Réseaux de neurones,
Méthodes de régression,
Arbres de décision,
Séries temporelles,
Etc.

Siwar BEN GAMRA Machine Learning 20 / 26

Introduction, Généralités
Étapes à suivre pour concevoir un système ML

Étape 5: Entraı̂ner le modèle

Le modèle est exposé aux données d’entraı̂nement et ajuste

ses paramètres pour minimiser une fonction de perte,
généralement basée sur la différence entre les prédictions du
modèle et les étiquettes correctes

Entraı̂nement du modèle
Le modèle apprendra à partir des données historiques comment la
demande énergétique est liée aux différentes caractéristiques.

Siwar BEN GAMRA Machine Learning 21 / 26

Introduction, Généralités
Étapes à suivre pour concevoir un système ML

Étape 6: Évaluer le modèle

Une fois que le modèle est entraı̂né, il est évalué sur

l’ensemble de test pour mesurer sa performance.
Choisir les métriques d’évaluation

Métriques pour la classification

Exactitude (accuracy), Précision (precision), Rappel (recall), Score
F1, Aire sous la courbe ROC (AUC-ROC)

Métriques pour la régression

Erreur quadratique moyenne (MSE) ou le coefficient de
détermination (R 2 ).

Siwar BEN GAMRA Machine Learning 22 / 26

Introduction, Généralités
Statistiques ML (1/4)

Métiers machine learning

Machine learner, Data scientist (datalogue), Développeur
machine learning

Siwar BEN GAMRA Machine Learning 23 / 26

Introduction, Généralités
Statistiques ML (2/4)

Croissance machine learning

Augmenter les revenus

Siwar BEN GAMRA Machine Learning 24 / 26

Introduction, Généralités
Statistiques ML (3/4)

Besoins en compétences en ingénierie d’apprentissage

automatique en 2022

Siwar BEN GAMRA Machine Learning 25 / 26

Introduction, Généralités
Statistiques ML (4/4)

Besoins en plateformes et outils d’ingénierie d’apprentissage

automatique en 2022

Siwar BEN GAMRA Machine Learning 26 / 26