Académique Documents
Professionnel Documents
Culture Documents
Imane Allaouzi
imane.allaouzi@gmail.com
Plan
Machine Learning: Histoire
Supervised Learning
Machine Learning: Histoire
➢Arthur Samuel a développé le premier programme de jeu de Dames doté d’une intelligence
artificielle. Ce programme avait appris à jouer aux Dames tout seul, sans recevoir la moindre
instruction de son développeur.
➢C'était la première réfutation forte de l'affirmation selon laquelle les ordinateurs ne peuvent rien
faire à moins qu'ils ne soient explicitement programmés pour le faire.
Machine Learning: C’est quoi ?
➢Arthur Samuel a formulé la définition historique du Machine Learning :
“Machine Learning is the field of study that gives computers the ability to learn without being explicitly programmed. ”
—Arthur Samuel, 1959
“Le Machine Learning est le domaine d’étude qui donne aux ordinateurs la capacité d’apprendre sans être explicitement
programmé. ” —Arthur Samuel, 1959
“ A computer program is said to learn from experience E with respect to some task T and some performance measure P, if
its performance on T, as measured by P, improves with experience E”. —Tom Mitchell, 1997
“ Un programme informatique se dit d’apprendre de l’expérience E par rapport à une catégorie de tâches T et mesure de la
performance P, si sa performance à des tâches T, telle que mesurée par P, s’améliore avec l’expérience E. ”.—Tom Mitchell,
1997
Machine Learning : c’est quoi?
Mesure de
Accuracy, precision, recall, F-score, kappa cohen ,etc.
performance
Machine Learning: c’est quoi?
Task
Trail-Error Experiences
No Yes
Evaluation Deploy
Machine Learning: c’est quoi?
Test
Data Data
ML Algorithm Prediction
Train Data
No Yes
Evaluation Deploy
Task
Machine Learning: Usage
❑Problèmes complexes pour lesquels il n'y a pas de bonne solution du tout en utilisant
une approche traditionnelle (par exemple, la reconnaissance vocale, la vision, le langage): les
meilleures techniques de Machine Learning peuvent trouver une solution.
✓Qu'ils soient ou non entrainés sous supervision humaine (Supervised, Unsupervised, Semi-supervisé
et Reinfrocement learning).
✓S'ils peuvent ou non apprendre progressivement à partir d'un flux de données entrantes (Online
learning ou Offline learning).
✓Qu'ils fonctionnent simplement en comparant de nouveaux données à des données connus, ou qu'ils
détectent plutôt des modèles dans les données d'apprentissage et construisent un modèle prédictif
(apprentissage basé sur des instances ou basé sur des modèles).
Les types de Machine Learning
❖Apprentissage supervisé:
-Les données d’entrainement sont annotées.
-Le but de cette méthode est que l’algorithme d’apprentissage puisse apprendre en comparant les sorties réelles avec les
sorties prédites pour trouver des erreurs et modifier le modèle en conséquence.
❖Apprentissage non-supervisé:
-Les données d’entrainement ne sont pas annotées.
-Le but de cette méthode est que l ’algorithme d’apprentissage puisse trouver tout seul les similarités et les distinctions
au sein de ces données, et à regrouper ensemble celles qui partagent des caractéristiques communes.
❖Apprentissage semi-supervisé:
-Certaines données d’entrainement sont annotées et d'autres non.
-Cette méthode est hybride , elle tire parti des deux mondes (supervised et unsupervised), mais bien sûr apporte son lot
de difficultés.
-Le système d'apprentissage, appelé agent dans ce contexte, peut observer l'environnement, sélectionner et effectuer
des actions, et obtenir des récompenses en retour (ou des pénalités sous forme de récompenses négatives). Il doit alors
apprendre par lui-même quelle est la meilleure stratégie, appelée politique, pour obtenir le plus de récompenses au fil
du temps. Une politique définit l'action que l'agent doit choisir lorsqu'il se trouve dans une situation donnée.
Les types de Machine Learning
❖Batch learning (Offline learning):
❖Online learning:
Le système apprend les exemples par cœur, puis généralise à de nouveaux cas en les comparant aux
exemples appris (ou à un sous-ensemble d'entre eux), à l'aide d'une mesure de similarité.
❖Model-based learning:
➢En apprentissage supervisé, on a un ensemble de données X={x(1), ..., x(m)} associé à un ensemble de
résultats Y={y(1), ..., y(m)} . Le but est de créer un modèle ML qui apprend à prédire Y à partir de X.
Par convention:
h: Pour des raisons historiques, cette fonction est appelée une hypothèse.
Supervised Learning
➢Il existe deux types d'algorithmes d'apprentissage supervisé, où le type de variable de résultat
détermine s’il s’agit d’un problème de régression ou de classification.
Supervised Learning « Regression »
➢Les problèmes de Régression correspondent aux situations dans lesquelles la machine doit prédire
la valeur d’une variable quantitative (variable continue).
➢Les problèmes de Classification correspondent aux situations dans lesquelles la machine doit
prédire la valeur d’une variable qualitative (variable discrète). Autrement dit, la machine
doit classer ce qu’on lui donne dans des classes.