Exposé ML
Exposé ML
Exposé ML
Learning
Thème: Les types d’apprentissage en Machine Learning
LSI3: 2022-2023
Membres Professeur: Mr Mounir Zrigui
du Présenté par:
groupe • Hamidou Garba Hamidoullah
• Hamidou Garba Abdoul Hamid
• Ousseini Thiombiano Abdoul Majid
2
Chronologie
Apprentissage
Supervisé
Apprentissage
Par Renforcement
3
Introduction
4
Introduction
• En 1943, les premières propositions sur le Machine
Learning ont été faites. Mais l’absence de données
en quantité suffisante a freiné l’évolution de ce
domaine.
• A partir de 1990, on assiste à une croissance du
volume de données disponible dans le monde.
Cette croissance exponentielle à conduit à la
naissance du Big Data.
• Avec les données en quantité suffisante à exploiter,
le Machine Learning a pu évolué et devenir un
domaine incontournable dans la résolution de tout
type de problème.
5
Types
d’apprentissage
6
Types d’apprentissage
• Le Machine Learning est une technique de programmation informatique qui permet de
modéliser des données afin de résoudre un problème.
7
Apprentissage
Supervisé
2.1
8
Définition
9
Algorithmes
Classification Régression
Logistic Regression
Ridge
(régression logistique)
SGD
Support Vector Classifier
(Descente des gradients stochastiques)
10
Exemple 1
Scénario:
Un service de messagerie électronique décide de fournir à ses clients, une fonctionnalité pour filtrer les emails
en deux catégories: spams et non spams.
Pour ce faire, la compagnie décide d’utiliser un algorithme SVM (Support Vector Machine).
11
Exemple 1
Frontière de décision
X 12
Exemple 2
Scénario:
Une jeune startup décide d’offrir une application qui permet d’évaluer la valeur immobilière d’une maison suivant
plusieurs paramètres (superficie, nombre de chambres, date de construction…). Pour ce faire, la startup décide
d’avoir recourt à l’algorithme de Linear Regression.
13
Exemple 2
14
Apprentissage
Non
Supervisé
2.2
15
Définition
• GMM
• Kmeans
• Spectral Clustering
• MeanShift
17
Exemple
Scénario:
Un site de commerce électronique décide d’améliorer l’expérience utilisateur de son site. Pour cela, les
propriétaires voudraient un système de recommandation afin de proposer des produits susceptibles de
plaire aux clients partageant des préférences communes.
18
Exemple
19
Apprentissage
Par
Renforcement
2.3
20
Définition
De l’anglais « Reinforcement Learning », l’apprentissage par renforcement est une
technique de modélisation qui consiste à l’élaboration d’un système avec un ou
plusieurs agents indépendants.
L’agent est placé dans un environnement où il doit évoluer. A chaque bonne action, il
gagne une récompense, sinon on le sanctionne.
22
Algorithmes
•Comme algorithmes d’apprentissage par renforcement, on peut citer:
23
Exemples
Il existe de nombreuses applications de l’apprentissage par renforcement. On peut citer par exemple:
• Alpha Go: un modèle créé par DeepMind capable de jouer au jeu de « go » et a battu le champion du
monde en « go ».
• Véhicules autonomes de Tesla: avec l’usage du Machine Learning, la compagnie Tesla a pu mettre
au point des voitures qui n’ont pas d’être conduites par humain et peuvent même faire des voyages
entre différentes villes.
24
Classification
vs
Régression
3
25
Classification vs Régression
• Plus généralement en Machine Learning, on est confronté à des problèmes de classification et
de régression.
26
Récapitulatif
27
Récapitulatif
28
Conclusion
29
Conclusion
• Nous avons vu qu’en Machine Learning, il existe 3 principaux types d’apprentissage:
l’apprentissage supervisé, non supervisé et par renforcement.
• Chaque type d’apprentissage permet de résoudre un problème bien défini. Et pour chaque
apprentissage, il existe plusieurs algorithmes offrant des résultats et des performances
variables. Donc le choix de l’algorithme dépend du problème à résoudre.
• Afin de mieux comprendre ces algorithmes, une étude poussée de ces derniers est nécessaire.
30
Merci pour votre attention
31