Introduction au Machine Learning

Machine Learning (ML)

• ML est une branche de l’intelligence artificielle:
• Utilise des systèmes informatiques pour donner un
sens aux données
• Extraction de modèles, ajustement des données aux
fonctions, classification des données, etc.
• Les systèmes de ML peuvent apprendre et s'améliorer
avec des données historiques, du temps et de
l'expérience

3
ML in real-life

4
Apprentissage Surpervisé et non-supervisé
• Apprentissage non-supervisé
• Il n'y a pas d'ensemble de résultats prédéfinis et connus
• recherche des modèles et des relations cachés dans les
données
• Un exemple typique: le Clustering

5
Apprentissage Surpervisé et non-supervisé
• Apprentissage Supervisé
• Pour chaque exemple dans les données, il y a toujours un
résultat prédéfini;
• Modélise les relations entre un ensemble de caractéristiques
descriptives et une variable cible (Adapte les données à une
fonction)
• 2 types de problèmes:
• Classification
• Régression

6
Supervised Learning
• Classification
• prédit à quelle classe appartient un échantillon de données (échantillon
de caractéristiques descriptives) (valeur discrète).

• Régression
• Prédit des valeurs continues.

7
 Machine Learning comme un processus
Definir les
- Définir des objectifs mésurables et quantifiables
Objectifs - Étape utilisée pour comprendre le problème

- Normalisation
- Transformation
- Valeurs manquantes
Model
Deployment Préparation
- Valeurs abérrantes
Des données

- Division des données

- Etude de la précison du modèle - Ingéniérie des données
- Cohérence du résultat avec le - Estimation de la
context du problème Performance
Evaluation du Développement - Evaluation et Selection
Modèle du modèle Model

8
ML as comme un process: Preparation des
données
• Exigée pour plusieurs raisons
• Certains modèles ont des exigences de données
• Normaliser les données, intervalle entre les point des données, etc
• Ceratines charactérstiques des données peuvent dramatiquement
impacter sur la performance du modèle
• Le temps alloué à cette partie ne pas être sous-estimé.
• Valeurs manquantes • Normalisation
• Valeurs d’erreurs Transfor
• asymétries
• Echelles différentes
Données mation Données Phase de
• Val. abérrantes
• Dimensionalité
brutes des prêtes modélisation
• Types de données • Val. manquantes
données
• plus d’autres … • Erreurs

9
ML as comme un process: Ingénierie des données
• Déterminer les variable indépendantes (caractéristiques) à utiliser est l'une
des questions les plus critiques
• On a souvent besoin d’ajouter des variables indépendantes
• Réduire le nombre de variables indépendantes:
• Moins de variables indépendantes, modèle plus interpretable et moins couteux en ressources
• Beaucoup de modèles sont affectés par la dimensionalité, surtout pour des variables peu
informatives

• Regroupement de variables indépendantes

10
ML as comme un process: Développer le modèle
• Division des données
• Allouer les données aux différentes tâches
• entrainement du modèle
• Évaluation de laperformance
• Définir les données d’entrainement, de validation et de test
• Sélection des variables(Revoir la précédente décision)
• Estimation de la Performance
• Visualisation des résultats – découverte des problèmes
• Mésures de performance et de statistiques
• Evaluation and Sélection du Modèle
• Pas d’à piori
• Eviter les modèles jugés favoris.

11
ML: Les 4 notions fondamentales pour l’apprentissage supervisé

• Le Dataset
• Le Modèle et ses paramètres
• La Fonction Coût
• L’algorithme d’apprentissage

12
ML: Les 4 notions fondamentales pour l’apprentissage supervisé

Notion 1: Apprendre à partir d’exemples (Dataset)

En Machine Learning, tout démarre d’un

Dataset qui contient nos données. Dans
l’apprentissage supervisé, le Dataset contient
les questions (𝑥) et les réponses (𝑦) au
problème que la machine doit résoudre.

13
ML: Les 4 notions fondamentales pour l’apprentissage supervisé

Notion 2: Le modèle et ses paramètres

A partir de ce Dataset, on crée un modèle, qui

n’est autre qu’une fonction mathématique. Les
coefficients de cette fonction sont les
paramètres du modèle.

14
ML: Les 4 notions fondamentales pour l’apprentissage supervisé

Notion 3: La Fonction Coût

Lorsqu’on teste notre modèle sur le Dataset,

celui-ci nous donne des erreurs. L’ensemble
de ces erreurs, c’est ce qu’on appelle la
Fonction Coût.

15
ML: Les 4 notions fondamentales pour l’apprentissage supervisé

Notion 4: L’Algorithme d’apprentissage

L’idée centrale du Machine Learning, c’est de

laisser la machine trouver quels sont les
paramètres de notre modèle qui minimisent
la Fonction Coût.

16