Exposé de Machine

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

Types Apprentissage Classification vs

Introduction Récapitulatif Conclusion
d’apprentissage Non Supervisé Régression

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.

• Le processus de modélisation constitue l’apprentissage. Il existe 3 principaux types

d’apprentissage: l’apprentissage supervisé, non supervisé et par renforcement.

• Le Machine Learning est différent de la programmation classique. Pour mieux comprendre

cette différence le schéma suivant sert d’illustration:

7
Apprentissage
Supervisé

2.1

8
Définition

De l’anglais « Supervised Learning », l’apprentissage supervisé est une technique

de modélisation qui consiste à fournir au modèle un dataset annoté.

On l’utilise pour résoudre des problèmes de classification et de régression.

9
Algorithmes

Classification Régression
Logistic Regression
Ridge
(régression logistique)

SGD
Support Vector Classifier
(Descente des gradients stochastiques)

Naive Bayes Lasso

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).

Le diagramme suivant montre le résultat obtenu:

11
Exemple 1

C1 C1: email spam

C2: email non-spam

C2

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.

Le diagramme suivant montre le résultat obtenu:

13
Exemple 2

14
Apprentissage
Non
Supervisé
2.2

15
Définition

De l’anglais « Unsupervised Learning », l’apprentissage non supervisé est une technique de

modélisation qui consiste à fournir au modèle un dataset non annoté. C’est au modèle de trouver
les différentes particularités des données en entrée.

On l’utilise pour résoudre des problèmes de clustering.

03/09/20XX Titre de la présentation 16

Algorithmes

Comme algorithmes d’apprentissage non supervisé, on peut citer:

• 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.

Ainsi, après l’élaboration du modèle, on obtient le résultat suivant:

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.

On l’utilise pour résoudre dans le domaine de la robotique, voiture automatique, jeux

vidéos…

03/09/20XX Titre de la présentation 21

Définition

• On peut résumer le principe de l’apprentissage par renforcement, par l’illustration suivante:

22
Algorithmes
•Comme algorithmes d’apprentissage par renforcement, on peut citer:

• DQN (Deep Q Network)

• DDPG (Deep Deterministic Policy Gradient)
• SARSA (State-Action-Reward-State-Action with eligibility traces)
• A3C (Asynchronous Advantage Actor-Critic Algortihm)

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.

• Toutefois il est essentiel de faire la part des choses:

• Avec la régression, on voudrait prédire la valeur d’une variable continue (c-à-d un
nombre infini de valeurs possibles).
Par exemple, prédire le prix d’une maison.

• La classification se divise en deux catégories: binaire et multi-classe. Dans un problème

de classification, on voudrait prédire la valeur d’une variable discrète(c-à-d un nombre
fini de valeurs possibles).
Par exemple savoir si sur une photo, il y a un chat ou un chien.

26
Récapitulatif

27
Récapitulatif

Supervisé Non Supervisé Renforcement

Classification
Application + Clustering Système agent
régression
Environnement
Dataset Annoté Non annoté
spécifique
Algorithmes Lasso KMeans A3C

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