Machine Deep Learning
Notions de base en machine learning Ce document aborde les notions de base en machine learning, y compris les différentes tendances de l'apprentissage artificiel, les types d'apprentissage, ainsi que les méthodes d'évaluation.
D'après le document Machine Deep Learning
Cet article a été rédigé automatiquement à partir du document source, puis vérifié avant publication.
Document source
Artificial Intelligence and Machine Learning · PDF · 30 pages · 2018
Afficher l'aperçu du document
Notions de base en machine learning
Ce document aborde les notions de base en machine learning, y compris les différentes tendances de l'apprentissage artificiel, les types d'apprentissage, ainsi que les méthodes d'évaluation. Les étudiants découvriront les concepts d'apprentissage supervisé, non supervisé, semi-supervisé et par renforcement, accompagnés d'exemples pratiques pour mieux comprendre chaque approche.
Tendances de l'apprentissage artificiel
Il existe deux tendances principales dans l'apprentissage artificiel :
- Apprentissage numérique : issu des statistiques, il se concentre sur des méthodes quantitatives.
- Apprentissage symbolique : issu de l'intelligence artificielle, il utilise des représentations symboliques pour modéliser les connaissances.
Les algorithmes d'apprentissage peuvent varier selon le type de données utilisées, les connaissances produites, leur représentation et leurs stratégies d'apprentissage. Parmi les exemples, on trouve :
- Les arbres de décision
- Les formalismes logiques
- Les règles de production
- Les réseaux bayésiens
- Les fonctions linéaires
Apprentissage supervisé
L'apprentissage supervisé repose sur un ensemble de données étiquetées par un expert. L'objectif est de construire des fonctions de classement à partir de cette base d'apprentissage. La fonction de classement reconnaît un attribut particulier à partir de la description d'un objet.
Exemple : Considérons un modèle prédictif basé sur des données d'apprentissage concernant des fleurs d'Iris. Les variables explicatives pourraient inclure la longueur et la largeur des sépales et des pétales, et la variable à expliquer serait le type d'Iris.
Variables explicatives : - Sepal length - Sepal width - Petal length - Petal width Variable à expliquer : - Iris type
Pour un nouvel exemple avec des mesures inconnues, le modèle prédictif peut classer la fleur comme étant de type Setosa.
Exemple de régression linéaire
La régression linéaire simple est une méthode d'apprentissage supervisé. Lors de la phase d'apprentissage, on construit une droite de régression. Par exemple, pour prédire le prix d'un appartement en fonction de sa surface, on peut utiliser la formule suivante :
y = a * x + b
où y est le prix prédit, x est la surface, et a et b sont des coefficients déterminés lors de l'apprentissage.
Apprentissage non supervisé
Dans l'apprentissage non supervisé, on dispose d'un ensemble de données non étiquetées. L'objectif est d'extraire des régularités sous-jacentes, de décrire comment les données sont organisées et de trouver des relations entre elles.
Les approches principales incluent :
- Clustering : regrouper des objets similaires en classes.
- Classification hiérarchique : fournir des partitions des données en classes de moins en moins fines.
Un exemple classique est le clustering K-means, qui cherche à partitionner les données en k groupes.
Apprentissage semi-supervisé
L'apprentissage semi-supervisé utilise un petit nombre d'observations étiquetées et un grand nombre d'observations non étiquetées. L'objectif est de tirer profit des données non labellisées pour améliorer la performance du modèle. Cela est particulièrement utile lorsque l'étiquetage des données est coûteux.
Apprentissage par renforcement
L'apprentissage par renforcement implique un agent qui interagit avec un environnement. L'agent prend des actions qui entraînent des récompenses, et l'objectif est d'apprendre à maximiser ces récompenses sur le long terme. Les données d'apprentissage se présentent sous la forme d'une séquence de perceptions, d'actions et de récompenses.
Exemple : Un robot aspirateur apprend à naviguer dans un appartement en recevant des récompenses pour des actions qui augmentent la propreté.
Évaluation de l'apprentissage
L'évaluation de l'apprentissage vise à valider les résultats obtenus. Deux modes de validation existent :
- Validation statistique : utilise des échantillons de test pour estimer la qualité des résultats.
- Validation par expertise : repose sur le jugement d'experts pour évaluer la pertinence des modèles.
Il est essentiel de décomposer les données en ensembles d'apprentissage et de test pour évaluer l'erreur réelle du modèle. La validation croisée est une méthode d'évaluation qui permet de réduire la dépendance vis-à-vis d'un ensemble de test unique.
Key Takeaways
- Comprendre les différentes tendances de l'apprentissage artificiel.
- Différencier les types d'apprentissage : supervisé, non supervisé, semi-supervisé et par renforcement.
- Évaluer les modèles d'apprentissage à l'aide de méthodes statistiques et d'expertise.
Glossaire
- Apprentissage supervisé : méthode où les données sont étiquetées.
- Apprentissage non supervisé : méthode sans étiquetage des données.
- Apprentissage semi-supervisé : combinaison d'apprentissage supervisé et non supervisé.
- Apprentissage par renforcement : méthode où un agent apprend à maximiser des récompenses.
- Validation croisée : technique d'évaluation pour réduire la dépendance à un ensemble de test.
Questions fréquentes
Qu'est-ce que l'apprentissage supervisé ?
L'apprentissage supervisé est une méthode où un modèle est entraîné sur un ensemble de données étiquetées. L'objectif est de construire une fonction de classement qui prédit la classe d'objets inconnus.
Comment fonctionne l'apprentissage non supervisé ?
L'apprentissage non supervisé cherche à identifier des structures sous-jacentes dans des données non étiquetées. Il utilise des techniques comme le clustering pour regrouper des objets similaires.
Qu'est-ce que l'apprentissage par renforcement ?
L'apprentissage par renforcement implique un agent qui interagit avec un environnement pour maximiser des récompenses à long terme. L'agent apprend par essais et erreurs.
Qu'est-ce que le sur-apprentissage ?
Le sur-apprentissage se produit lorsque le modèle est trop complexe et s'adapte trop aux données d'apprentissage, ce qui réduit sa capacité à généraliser sur de nouvelles données.
Commentaires
Aucun commentaire pour le moment. Posez la première question.