Cours ML S1
Cours ML S1
Cours ML S1
Machine Learning
Plan
● Apprentissage supervisé
Concepts et Notions de
base
● Expert humain :
Ä Accumulé expérience considérable
Ä Connu par ses décisions justes
● Système expert :
Ä Cogniticien extrait les connaissances
(entretiens)
Ä Savoir chez les experts humains
Ä Ne dépasse pas le niveau des experts
● Système d’apprentissage :
Ä Extrait tout seul l’expertise à partir de données
Ä Découverte de nouvelles connaissances
Motivations
Motivation
page 7
Information interne
Motivation
page 8
Information interne
Introduction
Étant donné une tâche T et une mesure de performance P, on dit qu’un programme
informatique apprend à partir d’une expérience E si les résultats obtenus sur T,
mesurés par P, s’améliorent avec l’expérience E. (Mitchell, 1997)
page 11
Information interne
page 12
Information interne
3 6 Système de
… reconnaissance
3 6 de chiffres
… …
● Comportement d’un « robot » autonome
Nouvel Raisonnement
Environnement
exemple automatique
page 16
Information interne
page 17
Information interne
Phase d’apprentissage:
Base
d’apprentissage
Phase de reconnaissance:
Fonction de classement
f
π X X(π)=(X1(),……..,Xp(π))
population π
Espace de représentation
Ω Ω’ R
Y f?
Y(π) ensemble
des classes C
Population π
• Xi variables prédictives : les attributs
• y variable à prédire : la classe
Aroua Hedhili Sbaï [Zighed et al. 92] page 21
Information interne
page 22
Information interne
page 23
Information interne
Apprentissage supervisé
page 24
Information interne
page 27
Information interne
page 29
Information interne
page 32
Information interne
page 33
Apprentissage à partir d’observations /à partir d’un Information interne
modèle
page 34
Apprentissage à partir d’observations /à partir d’un Information interne
modèle
page 35
Information interne
u un tableau de données :
o N lignes : les individus, les objets d’étude
o P colonnes : les variables, les caractéristiques des objets
u une base de données relationnelle :
o des tables
o des liens entre les tables
u un entrepôt de données (data warehouse):
o mise en commun de bases de données
o agrégation de valeurs : nombre de commandes par client
u Documents (Big Data):
Définition-Données
● Vectorielles
● Séquences
● Structurées
● Temporelles
● Spatiales
Définition-Données
● Vectorielles
● Séquences
● Temporelles
● Spatiales
page 38
Aroua Hedhili Sbaï
Information interne
Définition-Données
● Vectorielles
● Séquences
● Temporelles
● Spatiales
Définition-Données
● Vectorielles
● Séquences
● Structurées
● Temporelles
● Spatiales
Définition-Données
● Vectorielles
● Séquences
● Structurées
● Temporelles
● Spatiales
Définition-Données
● Vectorielles
● Séquences
● Structurés
● Temporelles
● Spatiales
● sciences de la vie
Ä médecine : patients et maladies, essais cliniques
Ä génomique : gènes, patients, tissus
● marketing
Ä fiches clients
Ä traces d’usage (site web, communication mobile)
Ä achats
● industrie
Ä senseurs : température, vibration
Ä images
Ä analyse physico-chimique
Datasets- Exemple
page 46