Académique Documents
Professionnel Documents
Culture Documents
1 Generalites
1 Generalites
1 Generalites
Apprentissage automatique
Généralités
Gorgoumack SAMBE
Objectifs
Objectif général
Distinguer les dénitions et concepts de base de
l'apprentissage automatique.
Objectifs
Objectif général
Distinguer les dénitions et concepts de base de
l'apprentissage automatique.
Objectifs spéciques
1 Distinguer et positionner l'apprentissage automatique par
rapport aux domaines connexes ;
2 Distinguer les diérentes approches d'apprentissage
automatique.
3 Appliquer une méthodologie de résolution de problème
d'apprentissage automatique ;
1 Historique et Dénition
3 Méthodologie
Plan
1 Historique et Dénition
3 Méthodologie
Historique et Dénition
Approches d'apprentissage automatique
Méthodologie
Historique
Apprentissage automatique
Apprentissage automatique
L'apprentissage automatique est un sous-domaine de l'intelligence
articielle (IA) qui se concentre sur la conception de systèmes qui
apprennent ou améliorent le rendement en fonction des données
qu'ils consomment.(https ://www.oracle.com)
6/23 Gorgoumack SAMBE Apprentissage automatique
Historique et Dénition
Approches d'apprentissage automatique
Méthodologie
Domaine pluridisciplinaire
A la croisée de
Applications
Domaines connexes
1 Historique et Dénition
3 Méthodologie
Historique et Dénition
Approches d'apprentissage automatique
Méthodologie
Approches
4 approches 1 :
1 approche supervisée
1 problèmes de classication
2 problèmes de régression
2 approche non supervisée
3 approche semi-supervisée
4 approche par renforcement
1. https ://ichi.pro/fr/classication-des-modeles-d-apprentissage-
automatique-101468035093087
11/23 Gorgoumack SAMBE Apprentissage automatique
Historique et Dénition
Approches d'apprentissage automatique
Méthodologie
1 - Approche supervisée
Données étiquetées
1 - Approche supervisée
Données étiquetées
3 - Approche semi-supervisée
1 Historique et Dénition
3 Méthodologie
Historique et Dénition
Approches d'apprentissage automatique
Méthodologie
1 phase d'apprentissage
Données d'entraînement : 50 % en général.
Apprentissage de plusieurs modèles.
2 phase de validation
Données de validation : 25 % en général.
Test des diérents modèles ⇒ choix du "meilleur modèle".
3 phase de test
Données de test : 25 % en général.
Test du modèle choisi.
Validation
1 Validation croisée
Partitionnement des données en k parties Dk
Pour tout k :
Apprentissage sur ∪(l6=k) Dk .
validation sur Dk .
Évaluation par la moyenne des performances.
leave-one-out : si k =1
2 Bootstrap
Utilisation de b échantillons (D1 , . . . , Db ) de taille n (taille de
D ).
Di : tirage de n éléments de D avec remplacement.
Critères de performances
Classication
1 Matrice de confusion
classe réelle
1 (P) 0 (N)
Classe 1 vrais positifs (TP) faux positifs (FP)
prédite 0 faux négatifs (FN) vrais négatifs (TN)
2 Critères dérivés
Exactitude 3 : accuracy = TP+TN
P+N .
Taux d'erreur 4 : error = FP+FN
P+N = 1 − accuracy .
Rappel ( taux de vrais positifs) : Rappel = TP+FN
5 TP
.
Spécicité (taux de vrais négatifs) : Spécicité= TN+FP
TN
.
Précision : Precision = TP+FP .
6 TP
3. accuracy rate
4. error rate
5. sensitivity
6. adjoint au rappel et/ou la spécicité
21/23 Gorgoumack SAMBE Apprentissage automatique
Historique et Dénition
Approches d'apprentissage automatique
Méthodologie
Exemple
Dépistage du cancer
1 Matrice de confusion
classe réelle Total
cancer pas de cancer
Classe cancer 190 (TP) 210 (FP) 400
prédite pas de cancer 10 (FN) 3590 (TN) 3600
Total 200 3800 4000
2 Critères dérivés
190+3590
Exactitude : accuracy = TP+TN
P+N = 4000 = 94, 5%.
Taux d'erreur : error = P+N = 1 − accuracy = 5, 5%.
FP+FN
Critères de performances
Prédiction