Académique Documents
Professionnel Documents
Culture Documents
Fayssal BENDAOUD
Contacte: F.bendaoud@esi-sba.dz
1/1
Outline
2/1
Introduction
3/1
Introduction
4/1
Définition et caractéristiques
5/1
De l’histoire
6/1
Définition et caractéristiques: l’entraı̂nement
7/1
Définition et caractéristiques: l’adaptation
8/1
Définition et caractéristiques : la généralisation
9/1
Types de données
10/1
Types d’apprentissage automatique
11/1
Apprentissage supervisé
12/1
Apprentissage supervisé: formulation
13/1
Apprentissage supervisé: formulation
14/1
Régression
Outline
15/1
Régression
Régression 1
16/1
Régression
Régression 2
17/1
Régression
18/1
Régression
df 1 P
0
f (w , b) = dw = 2m P −xi · 2(yi − (wxi + b))
df 1
db 2m −1 · 2(yi − (wxi + b))
1 P
= 2m P−2xi (yi − (wxi + b))
1
2m −2(yi − (wxi + b))
19/1
Régression
20/1
Régression
21/1
Classification
Outline
22/1
Classification
23/1
Classification
Principe
24/1
Classification
Algorithme
25/1
Classification
Exemple
26/1
Classification
Exemple
27/1
Classification
Remarques
28/1
Classification
29/1
Classification
30/1
Classification
31/1
Classification
32/1
Classification
33/1
Classification
34/1
Classification
35/1
Classification
2 ||w ||
1 Maximiser ||w || revient donc à minimiser 2
2 La minimisation de 21 ||w ||2 est une optimisation non-linéaire.
3 La solution est d’utiliser la méthode des multiplicateurs de
Lagrange Karush-Khun-Tucker (KKT).
4
N
X
w= λi yi xi
i=0
5
N
X
λi yi = 0
i=0
36/1
Classification
37/1
Classification
38/1
Classification
39/1
Classification
40/1
Classification
41/1
Classification
42/1
Classification
Apprentissage non-supervisé
43/1
Classification
Méthode K-means
44/1
Classification
Méthode K-means
1 Le problème
P Ppeut être formulé de cette manière
min ki=1 xj ∈Ci ||xi − αi ||2
2 αi est le barycentre des points dans Ci .
45/1
Classification
Algorithme K-means
46/1
Classification
Exemple K-means
47/1
Classification
48/1
Classification
49/1