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.
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
• …
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