Académique Documents
Professionnel Documents
Culture Documents
Learning
Proposé par : Dr. Ben Othman Ibtissem
1 1
Machine Learning dans notre vie
2
Machine Learning dans notre vie
3
Machine Learning dans votre quotidien !!
4
Machine Learning dans votre quotidien !!
Savez-vous que votre fil d'actualité est unique ?
En fonction de votre profil:
• vos intérêts,
• les personnes que vous suivez,
• les posts que vous avez « likés »
Des techniques sont mises en œuvre afin de vous fournir
l'information la plus pertinente, à travers des contenus ciblés
selon votre profil:
• des articles,
• des vidéos,
• des posts de votre réseau,
• et aussi des publicités.
5
Machine Learning dans votre quotidien !!
6
Machine Learning dans votre quotidien !!
Identification photo
Vous faites une photo avec vos amis, et la postez sur les
réseaux.
Lorsque vous publiez votre photo, la plateforme vous
suggère d'identifier les personnes présentes sur celle-ci.
Si l’image présente des individus qui font partie de votre
cercle proche, leur identification vous est proposée
automatiquement.
L'identification des visages est aussi
une fonctionnalité facilitée par des techniques du ML.
7
Machine Learning dans votre quotidien !!
Google Maps
Quel que soit votre moyen de transport, vous vous appuyez
sûrement sur des applications comme Google Maps. Très
pratiques, elles savent fournir des informations
de trafic en temps réel. Mieux, elles savent désormais
anticiper les retards (par exemple de bus ou de train).
8
Machine Learning dans votre quotidien !!
Minute shopping
Le e-commerce, c’est des millions de produits à portée de
clic. Vous avez peut-être déjà effectué vos achats sur Jumia,
ou Amazon. Ces acteurs utilisent l’IA pour vous offrir la
meilleure expérience d’achat.
Concrètement ? Ils travaillent par exemple sur la
recommandation d’articles qui seront le plus pertinents pour
vous.
Après ta recherche, des publications seront automatiquement
affichées dans les autres applications utilisées comme les
réseaux sociaux…
9
10
11
Data Sciences
12
Data Sciences
13
Data Sciences
Cycle de vie du travail de la data sciences
14
Data Sciences
Cycle de vie du travail du data sciences
1. Récupérer les données
2. Nettoyer les données
3. Explorer les données
4. Elaborer des modèles (La modélisation statistique)
5. Mesurer les erreurs
6. Déployer en production
15
Data Sciences
La place du Machine Learning au sein du DS
16
Data Sciences
La place du Machine Learning au sein du DS
Le Machine Learning est un ensemble de techniques
utilisées par les Data Scientists, qui a grandement fait parler
de lui ces dernières années. Car ses applications sont variées
et très prometteuses !
Une fois que le Data Scientist a effectué son travail de
collecte, de nettoyage et d’exploration des données, il peut
passer à la partie "modélisation". C’est ce processus que
nous allons explorer ensemble dans ce cours d'initiation au
Machine Learning.
Vous allez découvrir un ensemble de techniques puissantes
permettant de créer des modèles prédictifs à partir de
données, et qui apprennent par eux-mêmes !
17
Data Sciences
La place du Machine Learning au sein du DS
18
Machine Learning
Qu’est ce que le Machine Learning ?
Machine Learning (Apprentissage automatique/ Artificiel):
c’est un domaine de l’IA (Intelligence Artificiel)
19
Machine Learning
Qu’est ce que le Machine Learning ?
Machine Learning = Apprentissage Machine des algorithmes:
• Apprentissage : supervisé, non supervisé
• Algorithmes : RNA, Bayes, CART, SVM, k-nn, k-means,
…
20
Machine Learning =
L'apprentissage automatique/machine/artificiel/statistique
L'apprentissage automatique (en anglais machine learning,
littéralement « apprentissage machine ») ou apprentissage
statistique est un champ d'étude de l'intelligence
artificielle qui se fonde sur des approches mathématiques et
statistiques pour donner aux ordinateurs la capacité d'
« apprendre » à partir de données, c'est-à-dire d'améliorer
leurs performances à résoudre des tâches sans être
explicitement programmés pour chacune.
Plus largement, il concerne:
la conception, l'analyse, l'optimisation, le développement et
l'implémentation de telles méthodes.
21
Machine Learning - Définition
Laisser la Machine apprendre à partir d’expériences
Machine Learning : donner à une machine la capacité
d’apprendre sans la programmer d’une façon explicite
Le Machine Learning consiste à laisser l’ordinateur
apprendre quel calcul effectuer, plutôt que de lui donner ce
calcul (c’est-à-dire le programmer de façon explicite). C’est
en tout cas la définition du Machine Learning selon son
inventeur Arthur Samuel, un mathématicien américain qui a
développé un programme pouvant apprendre tout seul
comment jouer aux Dames en 1959.
22
Machine Learning
Philosophie du Machine Learning 5
Intervention Intervention
humaine ? humaine ?
Algorithme Données
Données
Données Prétraitement de Machine de
d’entrées
Learning sortie
Apprentissage
23
Machine Learning
Philosophie du Machine Learning
Un problème de M.L est défini par 4 composantes:
1. Les données (B.D/images(pixels)/son(spectre))
2. La tâche à accomplir (tâche spécifique, exemple la
prédiction, la classification, la regression,…)
3. L’algorithme d’apprentissage (exple: RNA, SVM,
Regression Linéaire, …)
4. La mesure de la performance (c’est très important de
trouver la bonne mesure vis-à-vis à la tâche à accomplir)
24
Machine Learning
Cycle de vie du Machine Learning
25
Machine Learning
Historique du Machine Learning
26
Machine Learning
Historique du Machine Learning
27
Machine Learning
Historique du Machine Learning
28
Machine Learning
Historique du Machine Learning
29
Machine Learning
Mais comment apprendre ?
Pour donner à un ordinateur la capacité d’apprendre, on
utilise des méthodes d’apprentissage qui sont fortement
inspirées de la façon dont nous, les êtres humains, apprenons
à faire des choses. Parmi ces méthodes, on compte :
• L’apprentissage supervisé (Supervised Learning)
• L’apprentissage non supervisé (Unsupervised Learning)
• L’apprentissage par renforcement (Reinforcement
Learning)
30
Machine Learning
Types d'apprentissage
31
Machine Learning
Types d'apprentissage
Les algorithmes d'apprentissage peuvent se catégoriser selon
le mode d'apprentissage qu'ils emploient :
• Apprentissage supervisé
• Apprentissage non supervisé
• Apprentissage semi-supervisé
• Apprentissage partiellement supervisé
• Apprentissage par renforcement
• Apprentissage par transfert
32
Machine Learning
Types d'apprentissage - Apprentissage supervisé
Les algorithmes ou méthodes d’apprentissage supervisé sont
les algorithmes ML les plus couramment utilisés. Cette
méthode ou algorithme d’apprentissage prend l’échantillon
de données, c’est-à-dire les données d’apprentissage, et la
sortie, c’est-à-dire les étiquettes ou les réponses, associée à
chaque échantillon de données pendant le processus
d’apprentissage.
33
Machine Learning
Types d'apprentissage - Apprentissage supervisé
34
Machine Learning
Types d'apprentissage - Apprentissage supervisé
35
Machine Learning
Types d'apprentissage - Apprentissage supervisé
36
Machine Learning
Types d'apprentissage - Apprentissage non supervisé
L’apprentissage non supervisé est un type d’apprentissage
automatique dans lequel les modèles sont formés à l’aide
d’un ensemble de données non étiquetées et sont autorisés à
agir sur ces données sans aucune supervision.
37
Machine Learning
Types d'apprentissage - Apprentissage non supervisé
38
Machine Learning
Types d'apprentissage - Apprentissage semi-supervisé
Comme son nom l’indique, l'apprentissage semi-supervisé se
situe entre l'apprentissage supervisé et celui non supervisé.
L’apprentissage semi-supervisé consiste à entraîner un
modèle d’apprentissage sur un jeu de données partiellement
annoté qui comporte quelques données annotées et beaucoup
de données non annotées. L’idée est d’attribuer les
annotations en utilisant la similarité entre les données
annotées et les données non annotées.
39
Machine Learning
Types d'apprentissage - Apprentissage semi-supervisé
Graphe reliant les images en fonction de leur similarité.
40
Machine Learning
Types d'apprentissage - Apprentissage semi-supervisé
41
Machine Learning
Types d'apprentissage - Apprentissage par renforcement
On peut ne pas connaitre les sorties "corrects" mais on peut
utiliser une certaine mesure qui détermine la qualité de la
sortie o étant donnée l’entrée i.
Nous ne possédons pas la sortie "o" jugée correcte pour
un certaine entrée "i".
Il repose sur le principe d’essai/erreur.
Mais on peut mesurer la qualité d’une sortie.
Valeur de retour qui guide l'algorithme d'apprentissage
Généralement appelé "récompense" (reward)
Peut être positive ou négative
42
Machine Learning
Types d'apprentissage - Apprentissage par renforcement
Apprentissage par renforcement : à vous de jouer !
L’apprentissage par renforcement est une forme de machine
learning très utilisée pour faire fonctionner les intelligences
artificielles des jeux.
43
Machine Learning
Types d'apprentissage - Apprentissage par renforcement
L’application dont on a le plus entendu parler est
probablement la solution AlphaGo Zero, développée par
Google DeepMind, capable de battre les meilleurs joueurs du
monde de Go.
Les premières versions de l’algorithme essayaient de
reproduire le comportement humain en analysant des parties
réellement jouées par des amateurs et professionnels. Il
s’agissait donc d’apprentissage supervisé.
Dans sa solution finale, DeepMind a ensuite utilisé
uniquement de l’apprentissage par renforcement et entraîné
le modèle à jouer… contre lui-même !
44
Machine Learning
Types d'apprentissage - Apprentissage par renforcement
Comme vu dans notre exemple, l’apprentissage par
renforcement a également été utilisé pour apprendre à jouer à
Super Mario. Pour cela, il y a d’abord eu un travail humain à
effectuer, pour définir les états. Il faut donc bien connaître le
jeu pour être capable de résumer un état, puis de le restituer à
l’ordinateur.
45
Machine Learning
Types d'apprentissage - Apprentissage par renforcement
On peut par exemple découper l’environnement visible
autour de Mario par tranches de pixels (par exemple tous les
10 pixels) et noter ce qu’on observe dans chaque carré (un
monstre, une pièce, un trou, etc). Il faut ensuite définir les
actions, pour faire simple disons droite, gauche, bas, haut. Et
enfin il faut donner une valeur aux récompenses, par
exemple : -1000 si l’action tue Mario, 0 si rien ne se passe,
+10 si Mario tue un monstre, +100 pour chaque pièce
ramassée par Mario et +10000 si Mario gagne le niveau. Il ne
reste alors plus qu’à laisser Mario jouer et apprendre par lui-
même. Et voilà !
46
Machine Learning
Types d'apprentissage - Apprentissage par renforcement
47
Machine Learning
Types d'apprentissage - Apprentissage par renforcement
48
Machine Learning
Types d'apprentissage - Apprentissage par renforcement
49
Machine Learning
Classification de Machine Learning
À un niveau général, l'apprentissage automatique peut être
classé en trois types :
• Apprentissage supervisé
• Apprentissage non supervisé
• Apprentissage par renforcement
50
Machine Learning
Problèmes du Machine Learning
51
Machine Learning
Types d’algorithmes du Machine Learning
52
Machine Learning
Types d’algorithmes du Machine Learning
53
Machine Learning
La forêt du Machine Learning 6
56
Machine Learning - Applications
Machine Learning et transport
57
Machine Learning - Applications
Machine Learning et robotique
58
Machine Learning - Applications
Machine Learning & Santé
59
Machine Learning - Applications
GAFA
60
Machine Learning - Applications
Moteur de recherche
Moteur de recherche dans Google : trouver les résultats
pertinents parmi des milliers possibles
61
Machine Learning - Applications
Facebook
Les algorithmes de Facebook sont un secret bien gardé.
Cependant, il utilise les algorithmes du Deep Learning pour
détecter:
• Vos amis proches
• Reconnaissance faciale des visages de vos amis sur les
photos
• Détecter les amis à proximité
• Choisir les publications que vous apprécier sur la file
d’actualité
• Suggestion de pages à liker
• Suggestion de nouveaux amis: « les amis de mes amis
sont mes amis »
62
Machine Learning – Applications
Google car 4
63
Machine Learning – Applications
Deep Learning: Exemples de tâches
• Robotique
• Sécurité/surveill
ance Real-Time Crowd Violence
Recognition and Detection in
• Contrôle Surveillance Videos
qualité
Manufacturing Quality Control Using
Deep Learning & Computer
• Diagnostic Vision
santé
• Réalité
augmentée
GPU-Powered Deep
65 Learning Being Used to
2
Speed Colon Cancer
Diagnosis 1
Machine Learning – Applications
Deep Learning Applications
66
67
68
69
70
71
72
73
74
75
Machine Learning
Votre futur avec le Machine Learning
Après avoir acquis les notions de ce module, vous ferez
partie des pionniers d’un nouveau monde, vous donnant
accès à des opportunités professionnelles extraordinaires, et
vous aurez développé votre capacité à résoudre des
problèmes.
76
Machine Learning
Motivations
77
Références
• https://www.javatpoint.com/machine-learning
• https://www.tutorialspoint.com/machine_learning
78