Machine Learning (Deep Learning) Pour La Vision Artificielle 2021
Machine Learning (Deep Learning) Pour La Vision Artificielle 2021
Machine Learning (Deep Learning) Pour La Vision Artificielle 2021
PHILOSOPHIE APPROACH
L’analyse des données rassemble un groupe de techniques aux fondements mathématiques qui
permet d’appréhender la structure de l’information contenue dans un espace à plusieurs
dimensions.
Les espaces multidimensionnels ont pour origine des tableaux statistiques de données de toute
Nature mais où les dimensions des lignes et des colonnes sont importantes. Ce sont ces lignes et
ces colonnes qui constituent les dimensions des espaces et les points qui forment les nuages
informationnels.
Les prévisions ou prédictions générées à partir de Machine Learning peuvent rendre les
applications et les appareils plus intelligents. Lorsque vous faites vos achats en ligne,
l’apprentissage automatique permet de recommander d’autres produits que vous êtes susceptible
d’aimer, en fonction de ce que vous avez acheté. Lorsque vous utilisez votre carte de crédit,
l’apprentissage automatique compare la transaction à une base de données de transactions et aide
la banque à détecter des fraudes. Lorsque votre robot aspirateur nettoie une pièce, l’apprentissage
automatique l’aide à déterminer si le travail est terminé.
L’APPRENTISSAGE NON SUPERVISÉ est utilisé sur les données sans étiquette.
L’objectif est alors de trouver des relations entre les données. Par exemple, vous voulez trouver
des groupes de données démographiques de clients avec des habitudes d’achat similaires.
DONNÉES DE FORMATION
Lorsque vous formez un modèle, vous utilisez un jeu de données connu, puis vous adaptez le
modèle en fonction des caractéristiques des données pour obtenir la réponse la plus précise. Dans
Azure Machine Learning, un modèle est créé à partir d’un module d’algorithme qui traite les
données d’apprentissage et à partir de modules fonctionnels, tels qu’un module d’évaluation.
Dans le cadre d’un apprentissage supervisé, si vous formez un modèle de détection des fraudes,
vous utilisez un ensemble de transactions étiquetées comme frauduleuses ou valides. Vous
fractionnez votre jeu de données de manière aléatoire et vous en utilisez une partie pour former
le modèle et l’autre pour tester ou évaluer le modèle.
DONNÉES D’ÉVALUATION
Une fois que votre modèle est formé, évaluez-le en utilisant les autres données de test. Vous
utilisez des données dont vous connaissez déjà les résultats afin de pouvoir déterminer si votre
modèle prédit correctement.