Les voitures sans chauffeurs, l'algorithme de reconnaissance facial de Facebook, les recommendations sur Netflix, les chatbots, qu'ont-ils tous en commun ? Le Machine Learning. S'inscrivant dans le domaine de l'intelligence artificielle, c'est devenu un domaine phare à l'avenir très prometteur. Ce soir nous vous proposons de décripter ce qu'est le Machine Learning et quelles sont ses applications dans le monde d'aujourd'hui.

1. Data Science Bootcamp
8 semaines de formation à temps
partiel

2. Notre Speaker
—
Frédéric Enard,
Data Scientist chez TF1 Le Groupe

3. Introduction au Machine
Learning

4. Qu’est-ce que le Machine Learning ?
Intelligence artificielle
Machine
Learning
Systèmes
experts
Analyses
statistiques
Automatisation Dataviz
Analyses
métiers
Data science

5. Les bases du Machine Learning
Comprendre avec des idées simples comment fonctionne le Machine Learning

6. Maisons Chambres Surface Prix
Maison 1 1 6 324 68 500
Maison 2 2 7 420 118 000
Maison 3 2 6 120 132 000
Maison 4 2 12 968 144 000
Maison 5 2 10 920 157 000
Maison 6 1 21 453 180 000
Maison 7 3 8 450 208 500
Maison 8 4 11 924 345 000
L’apprentissage par l’exemple
Ce que l’on connait
Ce que l’on souhaite
prédire

7. Un modèle pour trouver le juste prix
Ce que l’on connait PrédictionModèle
Chambres Surface
1 6 324
2 7 420
2 6 120
2 12 968
2 10 920
1 21 453
3 8 450
4 11 924
Prix
68 500
118 000
132 000
144 000
157 000
180 000
208 500
345 000
???

8. Ca ressemble à quoi un modèle ?
Chambres Surface
1 6 324
2 7 420
2 6 120
2 12 968
2 10 920
1 21 453
3 8 450
4 11 924
Prédiction
63 240
74 200
61 200
129 680
109 200
214 530
84 500
119 240
Prix
=
p
*
Surface
Prix
68 500
118 000
132 000
144 000
157 000
180 000
208 500
345 000
Erreur
5 260
43 800
70 800
14 320
47 800
- 34 530
124 000
225 760
Erreur moyenne du modèle : 70 783
p = 10

9. Et si on faisait varier le paramètre p ?
Chambres Surface
1 6 324
2 7 420
2 6 120
2 12 968
2 10 920
1 21 453
3 8 450
4 11 924
Prédiction
94 860
111 300
91 800
194 520
163 800
321 795
126 750
178 860
Prix
=
p
*
Surface
Prix
68 500
118 000
132 000
144 000
157 000
180 000
208 500
345 000
Erreur moyenne du modèle : 65 033
p = 15
Erreur
- 26 360
6 700
40 200
- 50 520
- 6 800
- 141 795
81 750
166 140

10. Et si on faisait varier le paramètre p ?
Chambres Surface
1 6 324
2 7 420
2 6 120
2 12 968
2 10 920
1 21 453
3 8 450
4 11 924
Prédiction
63 240
74 200
61 200
129 680
109 200
214 530
84 500
119 240
Prix
=
p
*
Surface
Prix
68 500
118 000
132 000
144 000
157 000
180 000
208 500
345 000
Erreur
- 20 036
14 120
46 320
- 37 552
4 120
- 120 342
90 200
178 064
Erreur moyenne du modèle : 63 844
p = 14

11. Comment produire un modèle ?
Prix =
p
*
Surface
Prix =
14
*
Surface
Données d’entrainement Meilleur modèle
Algorithme de machine Learning
Recherche de la meilleure valeur de p
Maisons Surface Prix
Maison 1 6 324 68 500
Maison 2 7 420 118 000
Maison 3 6 120 132 000
Maison 4 12 968 144 000
Maison 5 10 920 157 000
Maison 6 21 453 180 000
Maison 7 8 450 208 500
Maison 8 11 924 345 000
Erreur moyenne du modèle : 63 844

12. Maisons Surface
Maison 6 6 324
Maison 7 7 420
Maison 8 6 120
Maisons Surface Prix
Maison 1 6 324 68 500
Maison 2 7 420 118 000
Maison 3 6 120 132 000
Maison 4 12 968 144 000
Maison 5 10 920 157 000
Prix
180 000
208 500
345 000
Comment produire un modèle ?
Prédiction
300 342
118 300
166 936
Erreur
- 120 342
90 200
178 064
Prix =
p
*
Surface
Prix =
14
*
Surface
Prix =
14
*
Surface
Erreur moyenne du meilleur modèle: 24 429
Données d’entrainement Meilleur modèle
Algorithme de machine Learning
Recherche de la meilleure valeur de p
Données de test Prédiction
EntrainementTest
Erreur moyenne du meilleur modèle: 129 535

13. Un algorithme simple : La régression linéaire
-
50,000
100,000
150,000
200,000
250,000
300,000
350,000
400,000
- 5,000 10,000 15,000 20,000 25,000
p = 10
p = 15
p = 14
Surface
Prix
Trouver le meilleur p pour un modèle du type : Prix = p * Surface

14. Comment optimiser le paramètre p ?
Erreurs(p) = (68 500 - p * 6 324) + (118 000 - p * 7420) + …
Erreur maison 1 Erreur maison 2

15. Différents types de Machine Learning
Machine Learning
Apprentissage
non supervisé
Apprentissage
supervisé
Apprentissage
par renforcement
• Classification
• Régression
• …
• Clustering
• …

16. La classification avec un arbre de décision

17. Clustering avec un regroupement hiérarchique

18. Machine Learning avancé
Découvrir les algorithmes plus complexes utilisés dans l’industrie

19. Les Random Forest pour la classification

20. Les Random Forest pour la régression

21. Comment traiter des images ?
112 239 90
14 56 143
201 189 112
119 45 34
237 101 230
90 200 45
145 98 245
167 130 103
201 87 67
Image Pixel 1 R Pixel 1 V Pixel 1 B Pixel 2 R Pixel 2 V Pixel 2 B
…
Image n°1 112 14 201 239 56 189
Image n°2 15 189 27 14 31 145
Image n°3 90 56 159 34 189 98
…
Image n°1
Une image de 9 pixels

22. La reconnaissance de formes avec le Deep Learning
Pixel 1 R 112
Pixel 1 V 14
Pixel 1 B 201
Une image de 1 pixel
Input layer Output layerHidden layers

23. 𝑽 𝟐,𝟒 =
f( 𝒑 𝟏* 𝑽 𝟏,𝟏 + 𝒑 𝟐* 𝑽 𝟏,𝟐 + 𝒑 𝟑* 𝑽 𝟏,𝟑 + 𝒑 𝟒* 𝑽 𝟏,𝟒 )
𝑽 𝟐,𝟑 =
f( 𝒑 𝟏* 𝑽 𝟏,𝟏 + 𝒑 𝟐* 𝑽 𝟏,𝟐 + 𝒑 𝟑* 𝑽 𝟏,𝟑 + 𝒑 𝟒* 𝑽 𝟏,𝟒 )
𝑽 𝟐,𝟐 =
f( 𝒑 𝟏* 𝑽 𝟏,𝟏 + 𝒑 𝟐* 𝑽 𝟏,𝟐 + 𝒑 𝟑* 𝑽 𝟏,𝟑 + 𝒑 𝟒* 𝑽 𝟏,𝟒 )
𝑽 𝟐,𝟏 =
f( 𝒑 𝟏* 𝑽 𝟏,𝟏 + 𝒑 𝟐* 𝑽 𝟏,𝟐 + 𝒑 𝟑* 𝑽 𝟏,𝟑 + 𝒑 𝟒* 𝑽 𝟏,𝟒 )
y
𝑽 𝟏,𝟒 =
f( 𝒑 𝟏*112 + 𝒑 𝟐*14 + 𝒑 𝟑*201 )
𝑽 𝟏,𝟑 =
f( 𝒑 𝟏*112 + 𝒑 𝟐*14 + 𝒑 𝟑*201 )
𝑽 𝟏,𝟐 =
f( 𝒑 𝟏*112 + 𝒑 𝟐*14 + 𝒑 𝟑*201 )
𝑽 𝟏,𝟏 =
f( 𝒑 𝟏*112 + 𝒑 𝟐*14 + 𝒑 𝟑*201 )
Fonctionnement d’un réseau de neurones
112
14
201
𝑽 𝟏,𝟒
𝑽 𝟏,𝟑
𝑽 𝟏,𝟐
𝑽 𝟏,𝟏
𝑽 𝟐,𝟒
𝑽 𝟐,𝟑
𝑽 𝟐,𝟐
𝑽 𝟐,𝟏
Probabilité qu’il
s’agisse d’autre chose
Probabilité qu’il
s’agisse d’un chat

24. Nos Prochains Workshops
—
2 MAI
—
Victoria Galano, Data Scientist chez Air
France

25. Nos Prochaines Sessions
—
5 Juin - 26 Juillet
Mardis / Jeudis
18h30 - 21h00
Semaine
—
1 Septembre - 25 Octobre
Samedis
9h30 - 15h30
Weekend
—

26. Nos Prochaines Sessions
—
6 Août - 17 Août
Tous les jours
9h30 - 15h30
Intensives
—

27. Data Science Bootcamp
Merci ! A la prochaine :)