Académique Documents
Professionnel Documents
Culture Documents
l’apprentissage Machine
Introduction
Faten Chakchouk
Enseignant - Chercheur
Plan
◉ Apprentissage Supervisé
Qu’est-ce qu’apprendre ?
Comment apprend-on ?
Chien
Règles à
implémenter pour
...
reconnaitre les
objets dans les
images Chat
Extraction de
caractéristiques
Chien
...
Chat
Données
Ordinateur Sortie/résultat
Programme
VS
Données
Programme
Ordinateur Modèle
Sortie/résultat
Pourquoi utiliser la machine learning ?
Exemple 1
Il suffit d’appliquer un algorithme
Une entreprise souhaite connaitre le montant
classique, à savoir une simple addition :
total dépensé par un client ou une cliente à
un algorithme d’apprentissage n’est
partir de ses factures.
pas nécessaire.
Systèmes de recommandation
Exemples d’ applications..
Regroupement d’items
Iphoto Apple
Machine Learning : Autre Définition plus formelle
Les données
algorithme d’apprentissage
Les données
algorithme d’apprentissage
§ Supervisées
§ Non supervisées
§ Par renforcement
https://www.groupe-hli.com/machine-learning-dans-industrie/
Types d’approches de Machine Learning
Apprentissage supervisé
Nous enseignons le modèle en le formant avec des données provenant d'un jeu de
données étiqueté.
Types d’approches de Machine Learning
Apprentissage supervisé
Apprendre le modèle à partir de données étiquetées Attributs
Id F1 F2 F3 F4 F5 F6 F7 F8 F9 Class
1000025 5 1 1 1 2 1 3 1 1 Bénigne
Entité
Numérique
Variable cible nominale
Types d’approches de Machine Learning
Apprentissage supervisé
Classification vs régression
Y1
X1
Types d’approches de Machine Learning
Apprentissage supervisé
Exemple de régression : Prédire l'émission de CO2 d’une nouvelle voiture
FUEL FUEL
FUELCONSUMPTI
ENGINESIZE CYLINDERS CONSUMPTION CONSUMPTION CO2 EMISSIONS
ON_COMB
CITY HWY
Data processing
Data processing
Nguyen, Dong & Nguyen, Canh & Duong-Ba, Thuan & Nguyen, Hung & Nguyen, Anh & Trần, Tuấn. (2017). Joint network
coding and machine learning for error-prone wireless broadcast
Types d’approches de Machine Learning
Apprentissage supervisé : Formulation
Problème 1 : Vous avez un large stock d'articles identiques. Vous voulez prédire
combien de ces articles seront vendus au cours des 3 prochains mois.
Problème 2: Vous souhaitez qu'un logiciel examine les comptes individuels des
clients et détermine pour chaque compte s'il a été piraté ou compromis..
Problème 1 : Vous avez un large stock d'articles identiques. Vous voulez prédire
combien de ces articles seront vendus au cours des 3 prochains mois.
Problème 2: Vous souhaitez qu'un logiciel examine les comptes individuels des
clients et détermine pour chaque compte s'il a été piraté ou compromis..
Clustering ou regroupement
Types d’approches de Machine Learning
Apprentissage NON supervisé : Exemples
Parmi les exemples suivants, quels sont qui peuvent être résolus en adoptant
une approche non supervisée ?
Parmi les exemples suivants, quels sont qui peuvent être résolus en adoptant une
approche non supervisée ?
2. La "régression" en Machine Learning est une famille qui sont utilisés pour :
q Prédire une valeur continue ; par exemple prédire le prix d'une maison en
fonction de ses caractéristiques.
q Prédire la classe/catégorie d'un cas ; par exemple, une cellule est bénigne ou
maligne, ou un client va se désabonner ou non.
q Trouver des éléments/événements qui coïncident souvent ; par exemple, des
articles d'épicerie qui sont généralement achetés ensemble par un client.
3. Supposons que vous travaillez sur les prévisions météorologiques et que vous
utilisez un algorithme d'apprentissage pour prédire la température de demain (en
degrés Celsius/Fahrenheit).
Traiteriez-vous cela comme un problème de classification ou de régression ?
q Classification
q Régression
Types d’approches de Machine Learning
Apprentissage NON supervisé : Exercices bilan
2. La "régression" en Machine Learning est une famille qui sont utilisés pour :
q Prédire une valeur continue ; par exemple prédire le prix d'une maison en
fonction de ses caractéristiques.
q Prédire la classe/catégorie d'un cas ; par exemple, une cellule est bénigne
ou maligne, ou un client va se désabonner ou non.
q Trouver des éléments/événements qui coïncident souvent ; par exemple,
des articles d'épicerie qui sont généralement achetés ensemble par un
client.
Types d’approches de Machine Learning
Apprentissage NON supervisé : Exercices bilan
Supposons que vous travaillez sur les prévisions météorologiques et que vous utilisez un
algorithme d'apprentissage pour prédire la température de demain (en degrés
Celsius/Fahrenheit).
Traiteriez-vous cela comme un problème de classification ou de régression ?
q Classification
q Régression
Types d’approches de Machine Learning
Apprentissage NON supervisé : Exercices bilan
Certains des problèmes cités ci-dessous sont mieux traités en utilisant un algorithme d'apprentissage
supervisé, et les autres avec un algorithme d'apprentissage non supervisé.
Auxquels des problèmes suivants appliqueriez-vous l'apprentissage supervisé ? Dans chaque cas, on suppose
qu'un ensemble de données approprié est disponible pour que votre algorithme puisse apprendre.
q A partir de données historiques sur l'âge et la taille des enfants, prévoyez la taille des
enfants en fonction de leur âge.
q A partir de 50 articles écrits par des auteurs masculins et 50 articles écrits par des auteurs
féminins, apprendre à prédire le sexe de l'auteur d'un nouveau manuscrit (lorsque l'identité
de cet auteur est inconnue).
q Prendre un recueil de 1000 essais écrits sur l'économie américaine, et trouver un moyen de
regrouper automatiquement ces essais en un petit nombre de groupes d'essais qui sont
d'une certaine manière "similaires" ou "connexes".
q Examiner une grande collection d'e-mails connus pour être des spams, afin de découvrir
s'il existe des sous-types de spams.
Types d’approches de Machine Learning
Apprentissage NON supervisé : Exercices bilan
Certains des problèmes cités ci-dessous sont mieux traités en utilisant un algorithme d'apprentissage
supervisé, et les autres avec un algorithme d'apprentissage non supervisé.
Auxquels des problèmes suivants appliqueriez-vous l'apprentissage supervisé ? Dans chaque cas, on suppose
qu'un ensemble de données approprié est disponible pour que votre algorithme puisse apprendre.
q A partir de données historiques sur l'âge et la taille des enfants, prévoyez la taille des
enfants en fonction de leur âge.
q A partir de 50 articles écrits par des auteurs masculins et 50 articles écrits par des auteurs
féminins, apprendre à prédire le sexe de l'auteur d'un nouveau manuscrit (lorsque l'identité
de cet auteur est inconnue).
q Prendre un recueil de 1000 essais écrits sur l'économie américaine, et trouver un moyen de
regrouper automatiquement ces essais en un petit nombre de groupes d'essais qui sont
d'une certaine manière "similaires" ou "connexes".
q Examiner une grande collection d'e-mails connus pour être des spams, afin de découvrir
s'il existe des sous-types de spams.
Types d’approches de Machine Learning
Apprentissage par renforcement
https://eduscol.education.fr/sti/sites/eduscol.education.fr.sti/files/ressources/pedagogiques/14756/14756-introduction-
lapprentissage-par-renforcement-ensps.pdf
Références
https://univ.scholarvox.com/reader/docid/889064
49/page/1?searchterm=Machine%20learning%20wi
th%20python
https://univ.scholarvox.com/reader/docid/8891484
6/page/38?searchterm=Machine%20learning%20w
ith%20python
https://campus.datacamp.com/
Références
1. Openclassroom: Use Python Libraries for Data Science
4. Scikit-Learn: https://scikit-learn.org/stable/
5. Kaggle : https://www.kaggle.com/