Académique Documents
Professionnel Documents
Culture Documents
Apprentissage automatique
d. Apprentissage et test
Conclusion
Introduction
pour donner aux ordinateurs la capacité d’apprendre à partir de données, c’est-à -dire
Python3
b. Anaconda
Anaconda est une distribution libre et open source des langages de
programmation Python et R appliqué au développement d'applications dédiées à
la science des données et à l'apprentissage automatique, qui vise à simplifier la
gestion des paquets et de déploiement.
Anaconda
c. Jupiter
Jupiter est une application web utilisée pour programmer différente langages de
programmation, dont Python, Julia, Ruby et tant d’autres. C'est un projet
communautaire dont l'objectif est de développer des logiciels libres, des formats
ouverts et des services pour l'informatique interactive. C’est une évolution du
projet Python et permet de réaliser des calepins ou notebooks, c'est-à -dire des
programmes contenant à la fois du texte en mark down et du code. Ces calepins
sont utilisés en science des données pour explorer et analyser des données.
Jupiter
II. TP 1 : Les k plus proches voisins Classification
a. Objectif
ou une mine. Il n'y aura donc que deux options possibles nous permettant de
classer notre prédiction dans l'une ou l'autre catégorie. Il s'agira donc bien d'un
l’observation suivante.
Avec la commande Head () on peut afficher les toutes premières ligne de notre
data frame.
Combien de classes ?
Nous avons deux classes dont la classe R comme ROCHER et M qui représente les objets
de type MINE
Avec la commande value_counts( ) nous constatons qu’il y’a 111 objet de type Minier(M)
Les 60 premier sont de variables qui vont de F1 A F60 et leur type est Float64
d. Apprentissage et test
Un Second Test
Observations
avons pensé a utilisé une boucle for pour k allant de 1 à 50 calculer le score
On peut dire alors que plus la valeur de k (KNeighborsClassifier) est grand plus
victoire, c'est donc une valeur et c'est naturellement que nous utiliserons
Nous avons procédé comme suis pour tracer le matrice de corrélations des
Création du model d’apprentissage avec 20% des données pour le test et 80% pour
l’Apprentissage
Apprentissage et test
victoire estimé aussi bien pour la base d’apprentissage que la base de teste,
Conclusion
En Résumé cette série de 2 LAB portant sur l’apprentissage automatique sur des