MACHINE LEARNING (DEEP LEARNING) POUR LA VISION ARTIFICIELLE

PHILOSOPHIE APPROACH

MACHINE LEARNING (DEEP LEARNING) POUR LA

VISION ARTIFICIELLE PHILOSOPHIES

PRÉSENTATION DE L’ANALYSE DE DONNÉES

« L’analyse des données a pour but de fournir grâce à l’ordinateur un outil permettant
d’appréhender le contenu de tableaux de taille importante à l’aide de représentations accessibles
par l’utilisateur »,
Edwin Diday.

L’analyse des données rassemble un groupe de techniques aux fondements mathématiques qui
permet d’appréhender la structure de l’information contenue dans un espace à plusieurs
dimensions.

L’INFORMATION, C’EST LA POSITION RELATIVE DES POINTS DANS

L’ESPACE MULTIDIMENSIONNEL.
L’analyse des données est réalisable lorsqu’il est possible de réduire l’espace multidimensionnel
(où l’information n’est pas lisible) en un espace à deux ou trois dimensions (où l’information est
lisible), de telle sorte que cet espace réduit conserve une part importante de l’information qui
était contenue dans l’espace multidimensionnel d’origine.

Les espaces multidimensionnels ont pour origine des tableaux statistiques de données de toute
Nature mais où les dimensions des lignes et des colonnes sont importantes. Ce sont ces lignes et
ces colonnes qui constituent les dimensions des espaces et les points qui forment les nuages
informationnels.

L’analyse des données a ses premiers développements mathématiques au début du siècle

précédent (1905). Elle a cependant connu un essor sans précédent dans les années 70 et 80, grâce
à l’amélioration des instruments de calcul et au développement de la micro-informatique. Sous
l’expression générique de l’analyse des données, on rassemble deux grandes techniques :
LES ANALYSES FACTORIELLES : ces méthodes doivent leur nom aux nouveaux axes de
l’espace que l’on peut réduire, qui portent le nom d’axes principaux, mais aussi de facteurs.
Les techniques de CLASSIFICATION AUTOMATIQUE : ce sont des algorithmes
informatiques automatiques capables de dresser des typologies, des regroupements de points,
bref d’effectuer des classifications. Le terme « classification » en anglais fait référence à
l’affectation d’un individu à une classe (existant a priori) dans le cadre de l’analyse
discriminante. Il se traduit en français par le terme classement. L’équivalent en anglais de «
classification automatique » est « cluster analysis ».

L’APPRENTISSAGE AUTOMATIQUE - DE QUOI S’AGIT-IL ?

Machine Learning est une technique de science des données qui permet aux ordinateurs d’utiliser
des données existantes afin de prévoir les tendances, les résultats et les comportements futurs.
Grâce à Machine Learning, les ordinateurs apprennent sans être explicitement programmés.

Dr. Mohamed SOLTANE (Assoc. Prof. A) M2 E.S.EMBARQUE_VISION ARTIFICIELLE

GE.FT-U.MÉDÉA 2020/2021 Page 1
MACHINE LEARNING (DEEP LEARNING) POUR LA VISION ARTIFICIELLE
PHILOSOPHIE APPROACH

Les prévisions ou prédictions générées à partir de Machine Learning peuvent rendre les
applications et les appareils plus intelligents. Lorsque vous faites vos achats en ligne,
l’apprentissage automatique permet de recommander d’autres produits que vous êtes susceptible
d’aimer, en fonction de ce que vous avez acheté. Lorsque vous utilisez votre carte de crédit,
l’apprentissage automatique compare la transaction à une base de données de transactions et aide
la banque à détecter des fraudes. Lorsque votre robot aspirateur nettoie une pièce, l’apprentissage
automatique l’aide à déterminer si le travail est terminé.

QU’EST-CE QU’UNE ANALYSE PRÉDICTIVE ?

L’analyse prédictive utilise des formules mathématiques, appelées algorithmes, qui analysent les
données historiques ou actuelles afin d’identifier des schémas ou des tendances permettant de
prévoir des événements futurs.

CONCEPTS CLÉ ET TERMINOLOGIE DE L’APPRENTISSAGE

AUTOMATIQUE
Les termes de l’apprentissage automatique peuvent prêter à confusion. Vous trouverez ici la
définition des termes clés pour vous aider. Utilisez les commentaires suivants pour nous indiquer
ceux dont vous souhaiteriez lire la définition.

EXPLORATION DES DONNÉES, ANALYSE DESCRIPTIVE ET

ANALYSE PRÉDICTIVE
Exploration des Données désigne le processus de collecte des informations sur un jeu
volumineux de données, souvent non structurées, afin d’y trouver des caractéristiques utiles pour
une analyse ciblée.
Data Mining fait référence à l'exploration automatisée des données.
Analyse Descriptive est le processus d'analyse d'un jeu de données afin de synthétiser ce qui s'est
passé. La majeure partie des analyses commerciales, comme les rapports de ventes, les mesures
du web et l’analyse de réseaux sociaux, est descriptive.
Analyse Prédictive est le processus de création de modèles à partir de données historiques ou
actuelles afin de prévoir les futurs résultats.

APPRENTISSAGE SUPERVISÉ ET NON SUPERVISÉ

APPRENTISSAGE SUPERVISÉ sont formés avec des données étiquetées, c'est-à-dire

des données composées d'exemples de réponses souhaitées. Par exemple, un modèle qui identifie
l’utilisation frauduleuse d’une carte de crédit exploite un jeu de données qui contient des points
de données indiquant des utilisations frauduleuses et valides connues. La plupart des
apprentissages automatiques sont supervisés.

L’APPRENTISSAGE NON SUPERVISÉ est utilisé sur les données sans étiquette.
L’objectif est alors de trouver des relations entre les données. Par exemple, vous voulez trouver
des groupes de données démographiques de clients avec des habitudes d’achat similaires.

Dr. Mohamed SOLTANE (Assoc. Prof. A) M2 E.S.EMBARQUE_VISION ARTIFICIELLE

GE.FT-U.MÉDÉA 2020/2021 Page 2
MACHINE LEARNING (DEEP LEARNING) POUR LA VISION ARTIFICIELLE
PHILOSOPHIE APPROACH

FORMATION ET ÉVALUATION DU MODÈLE

Un modèle d’apprentissage automatique est une abstraction de la question à laquelle vous
essayez de répondre ou le résultat que vous souhaitez prédire. Les modèles sont formés et
évalués à partir de données existantes.

DONNÉES DE FORMATION
Lorsque vous formez un modèle, vous utilisez un jeu de données connu, puis vous adaptez le
modèle en fonction des caractéristiques des données pour obtenir la réponse la plus précise. Dans
Azure Machine Learning, un modèle est créé à partir d’un module d’algorithme qui traite les
données d’apprentissage et à partir de modules fonctionnels, tels qu’un module d’évaluation.
Dans le cadre d’un apprentissage supervisé, si vous formez un modèle de détection des fraudes,
vous utilisez un ensemble de transactions étiquetées comme frauduleuses ou valides. Vous
fractionnez votre jeu de données de manière aléatoire et vous en utilisez une partie pour former
le modèle et l’autre pour tester ou évaluer le modèle.

DONNÉES D’ÉVALUATION
Une fois que votre modèle est formé, évaluez-le en utilisant les autres données de test. Vous
utilisez des données dont vous connaissez déjà les résultats afin de pouvoir déterminer si votre
modèle prédit correctement.

AUTRES TERMES COURANTS RELATIFS À L’APPRENTISSAGE

AUTOMATIQUE
 Algorithme: ensemble de règles utilisées pour résoudre les problèmes de traitement des
données, de calcul mathématique ou de déduction automatisée.
 Détection d’anomalies: modèle qui signale les valeurs ou les événements hors normes et
qui vous permet d’identifier les problèmes. Par exemple, la détection de fraudes à la carte
de crédit consiste à rechercher les achats inhabituels.
 Données catégorielles: données organisées en catégories et pouvant être divisées en
groupes. Par exemple, un jeu de données catégorielles relatif à des véhicules peut
spécifier l’année, la marque, le modèle et le prix.
 Classification: modèle d'organisation des points de données en catégories basées sur un
jeu de données dont les groupes de catégorie sont déjà connus.
 Conception de caractéristiques: processus d'extraction ou de sélection des
caractéristiques liées à un jeu de données afin d'améliorer ce dernier et les résultats. Par
exemple, les données relatives aux prix des billets d’avion peuvent être améliorées par
jour de la semaine et par période de vacance.
 Module: élément fonctionnel d’un modèle Machine Learning Studio, comme le module
Entrer des données, qui permet d’entrer et de modifier de petits jeux de données. Un
algorithme est également un type de module dans Machine Learning Studio.
 Modèle: dans le cadre d’un apprentissage supervisé, un modèle est le résultat d’une
expérience d’apprentissage automatique, comprenant des données de formation, un
module d’algorithme et des modules fonctionnels, comme un module d’évaluation.
 Données numériques: données qui ont une signification sous forme de mesures (données
continues) ou de compteurs (données discrètes). Également appelées données
quantitatives.
Dr. Mohamed SOLTANE (Assoc. Prof. A) M2 E.S.EMBARQUE_VISION ARTIFICIELLE
GE.FT-U.MÉDÉA 2020/2021 Page 3
MACHINE LEARNING (DEEP LEARNING) POUR LA VISION ARTIFICIELLE
PHILOSOPHIE APPROACH

 Partition: méthode permettant de diviser les données en échantillons. Consultez la page

Partition et échantillon pour plus d'informations.
 Prédiction: prévision d'une valeur ou de plusieurs valeurs, à partir d'un modèle
d'apprentissage automatique. On rencontre parfois le terme « note prédite ». Toutefois,
les notes prédites ne sont pas le résultat final d’un modèle. L’évaluation du modèle suit la
note.
 Régression: modèle permettant de prédire une valeur en fonction de variables
indépendantes, comme la prédiction du prix d’une voiture en fonction de son année et de
sa marque.
 Note: valeur prédite générée à partir d'un modèle formé de régression ou de
classification, à l'aide du module Noter le modèle dans Machine Learning Studio. Les
modèles de classification retournent également une note pour la probabilité de la valeur
prédite. Une fois que vous avez généré les notes à partir d'un modèle, vous pouvez
évaluer la précision du modèle à l'aide du module Évaluer le modèle.
 Échantillon: partie d'un jeu de données destinée à être représentative de l'ensemble. Les
échantillons peuvent être sélectionnés de manière aléatoire ou sur la base de
fonctionnalités spécifiques du jeu de données.

Dr. Mohamed SOLTANE (Associate Professor A)

soltane.mohamed@univ-medea.dz
soltane.mohamed.3099@gmail.com
+213-541 255456 & +213-697 127984

Dr. Mohamed SOLTANE (Assoc. Prof. A) M2 E.S.EMBARQUE_VISION ARTIFICIELLE

GE.FT-U.MÉDÉA 2020/2021 Page 4