Académique Documents
Professionnel Documents
Culture Documents
2.1.1.2 La régression : est utiliser pour faire des prédictions continues, il existe plusieurs
algorithmes de régression, parmi ces algorithmes on a :
La régression linéaire : Régression linéaire, un algorithme d’apprentissage
supervisé vise à prédire le résultat à valeur réelle. Il est utilisé pour prédire
une réponse B à partir de la variable prédictive A. L’hypothèse est qu’il existe
une relation linéaire entre A et B. Cet algorithme est une méthode
paramétrique et donne des valeurs numériques en sortie. La fonction de coût
est un exemple de régression dans laquelle nous entraînons la machine avec
les données étiquetées et prédit le prochain coût de la maison en tant que
sortie en valeur réelle (SUDEEP TANWAR et al, 2019)[5]. La forme
mathématique de l’équation est la suivante :
y = β0 + β1x1 + β2x2 +···+ βn xn, où y représente la valeur prédite.
2.2 L’apprentissage non supervisé : L’apprentissage non supervisé est ainsi appelé car,
contrairement à l’apprentissage supervisé mentionné précédemment, il n’y a pas de réponses
correctes ni de professeur. Les algorithmes sont laissés à eux-mêmes pour découvrir et présenter
les structures intéressantes dans les données. Les algorithmes d’apprentissage non supervisé
apprennent des caractéristiques à partir des données. Lorsque de nouvelles données sont
introduites, ils utilisent les caractéristiques précédemment apprises pour reconnaître la classe des
données. L’apprentissage non supervisé est principalement utilisé pour le regroupement
(clustering) et la réduction de caractéristiques (Batta Mahesh,2020)[6]. Parmi les algorithmes de
l’apprentissage non-supervisé on a :
K-means Clustering :
Le clustering ou regroupement K-means est un
algorithme d’apprentissage non supervisé qui crée
automatiquement des groupes ou des clusters lorsqu’il
est lancé. Les données possédant des caractéristiques
similaires sont regroupées dans le même cluster.
L’algorithme est nommé K-means car il crée K-groupes
distincts. L’objectif est de présenter les K- centroïdes,
un centroïde pour le Machine Learning : une revue des
algorithmes et de ses applications.la figure (4) montre
un modèle de clustering : (Pradeep Kumar Singh,2019)
[7]
Figure 3 : Variance inégale
Figure 6 Une vue d'ensemble de l'architecture d'un réseau de neurones convolutifs (CNN) et du processus d'entraînement
modèles d’apprentissage profond conçus pour traiter des données en grille,
comme les images. Ils apprennent automatiquement des hiérarchies de
caractéristiques en utilisant de couches de convolution, de pooling et
entièrement connectées. Les couches de convolution appliquent des
opérations mathématiques, comme la convolution, pour extraire des
caractéristiques à partir des images. Les caractéristiques extraites deviennent
progressivement plus complexes à mesure qu’elles passent à travers les
couches. L’entraînement des CNN consiste à optimiser les paramètres, tels
que les noyaux, en minimisant la différence entre les sorties prédites et les
étiquettes réelles à l’aide de la rétropropagation et de la descente de
gradient. (R Yamashita et al. 2018)[10] La figure (3) montre l’architecture d’un
réseau de neurones convolutifs (CNN) : (R Yamashita et al,2018)
3.1.3 Les Auto encodeurs : L’auto encodeur est un type particulier de réseau neuronal
artificiel utilisé pour apprendre des encodages efficaces. Au lieu d’entraîner le réseau à
prédire une valeur cible Y à partir des entrées X, un auto encodeur est entraîné à
reconstruire ses propres entrées X. Ainsi, les vecteurs de sortie ont la même dimension
que le vecteur d’entrée. La figure 7 montre le pipline d’un auto encodeur : (Yanming
Guo et al,2015)[9]
2) Deep learning for COVID-19 prediction: (Safa Bahri et al, 2020) [16]
Cet article présente une étude qui explore l'utilisation d'un réseau de neurones
récurrents LSTM pour prédire le taux de guérison de la COVID-19 dans trois pays
spécifiques : l'Italie, l'Inde et les États-Unis. Les chercheurs ont extrait les données
nécessaires à partir du dépôt officiel de l'Organisation mondiale de la santé (OMS). Ils
ont ensuite divisé ces données en deux ensembles : 80 % pour l'entraînement du
modèle et 20 % pour les tests. L'objectif principal était de développer un modèle
capable de fournir des prédictions précises et fiables sur la progression de la guérison
de la maladie. Pour évaluer les performances du modèle, les chercheurs ont utilisé la
mesure d'erreur absolue moyenne pondérée (MAPE). Les résultats de l'expérience ont
démontré que le modèle LSTM avait un taux d'erreur inférieur à 3 %, ce qui indique
une précision élevée dans les prédictions. Ces résultats prometteurs suggèrent que les
réseaux de neurones récurrents LSTM peuvent être un outil efficace pour prédire le
taux de guérison de la COVID-19 dans différents pays.
L'article présente le développement d'un modèle d'apprentissage profond basé sur des
réseaux de neurones à convolution (CNN) pour améliorer la précision de la détection
des maladies à partir de radiographies thoraciques. L'objectif était de détecter les
anomalies structurelles et de catégoriser les maladies pour découvrir des motifs cachés.
Les chercheurs ont utilisé une approche d'apprentissage par transfert en utilisant des
ensembles de données disponibles publiquement. Les images utilisées dans cette étude
ont été collectées à partir d'une collection d'articles et de publications récemment
publiés dans le cadre d'un effort mondial de recherche collaborative sur la détection de
la COVID-19. Les données utilisées comprenaient des informations telles que
l'identifiant du patient, le sexe, l'âge, le diagnostic, la survie, la vue de la radiographie,
l'horodatage et le lieu. Ces données ont été réparties en ensembles d'entraînement, de
validation et de test dans un rapport de 80:20:20. Avant l'entraînement, les
radiographies ont été normalisées pour mettre les valeurs des pixels dans la plage de 0
à 1. Ensuite, les images ont été redimensionnées pour avoir des dimensions de 512 ×
512 pixels. Le modèle a été entraîné en utilisant l'optimiseur Adam avec un taux
d'apprentissage initial de 0,001, sur 100 époques et avec une taille de lot de 15.
L'entraînement a été effectué sur un GPU Tesla K80, et des techniques telles que l'arrêt
prématuré et la réduction du taux d'apprentissage ont été utilisées pour améliorer les
performances. Les résultats obtenus ont montré une précision élevée de 96,3% et une
faible perte de 0,151 en utilisant un ensemble de données public comprenant des
patients de différents pays du monde. L'analyse de la matrice de confusion a révélé que
le modèle était capable d'identifier avec précision les vrais négatifs et les vrais positifs.
Cependant, le modèle a également identifié trois cas de faux positifs et un cas de faux
négatif parmi les radiographies de patients en bonne santé.
4) CoroDet: A deep learning based classification for COVID-19 detection using chest
X-ray images (Emtiaz Hussain et al,2020) [18]
Référence :
1. Shinde, P. P., & Shah, S. (2018, August). A review of machine
learning and deep learning applications. In 2018 Fourth
international conference on computing communication control
and automation (ICCUBEA) (pp. 1-6). IEEE.
5. Tanwar, S., Bhatia, Q., Patel, P., Kumari, A., Singh, P. K., &
Hong, W. C. (2019). Machine learning adoption in blockchain-
based smart applications: The challenges, and a way
forward. IEEE Access, 8, 474-488
4.
9. Guo, Y., Liu, Y., Oerlemans, A., Lao, S., Wu, S., & Lew, M. S. (2016). Deep learning for
visual understanding: A review. Neurocomputing, 187, 27-48.
10. Yamashita, R., Nishio, M., Do, R. K. G., & Togashi, K. (2018). Convolutional neural
networks: an overview and application in radiology. Insights into imaging, 9, 611-629.
12. Beattie, C., Köppe, T., Duéñez-Guzmán, E. A., & Leibo, J. Z. (2020). Deepmind
lab2d. arXiv preprint arXiv:2011.07027.
13. Sharma, N., Sharma, R., & Jindal, N. (2021). Machine learning and deep learning
applications-a vision. Global Transitions Proceedings, 2(1), 24-28.
14. Zhou, M., Luo, J., Villella, J., Yang, Y., Rusu, D., Miao, J., ... & Wang, J. (2020). Smarts:
Scalable multi-agent reinforcement learning training school for autonomous driving. arXiv
preprint arXiv:2010.09776.
15. Islam, M. M., Karray, F., Alhajj, R., & Zeng, J. (2021). A review on deep learning
techniques for the diagnosis of novel coronavirus (COVID-19). Ieee Access, 9, 30551-30572.
16. Bahri, S., Kdayem, M., & Zoghlami, N. (2020, December). Deep Learning for COVID-19
prediction. In 2020 4th International Conference on Advanced Systems and Emergent
Technologies (IC_ASET) (pp. 406-411). IEEE.
17. Vaid, S., Kalantar, R., & Bhandari, M. (2020). Deep learning COVID-19 detection bias:
accuracy through artificial intelligence. International Orthopaedics, 44, 1539-1542.
18. Hussain, E., Hasan, M., Rahman, M. A., Lee, I., Tamanna, T., & Parvez, M. Z. (2021).
CoroDet: A deep learning based classification for COVID-19 detection using chest X-ray
images. Chaos, Solitons & Fractals, 142, 110495.
19. Ainapure, B. S., Pise, R. N., Reddy, P., Appasani, B., Srinivasulu, A., Khan, M. S., & Bizon,
N. (2023). Sentiment analysis of COVID-19 tweets using deep learning and lexicon-based
approaches. Sustainability, 15(3), 2573.