SlideShare une entreprise Scribd logo
1  sur  15
Supervised Machine Learning
 Machine Learning.
 Types de Machine Learning.
 Machine Learning supervisé.
 Les étapes du Machine Learning supervisé.
 Exemple d’algorithme.
Agenda:
Machine Learning ( Apprentissage
Automatique ):
Est une catégorie d’algorithme qui permet aux
applications logicielles de prédire plus précisément les
résultats sans être explicitement programmées. Le
principe de base de l’apprentissage automatique est de
créer des algorithmes capables de recevoir des données
d’entrée et d’utiliser une analyse statistique pour prédire
une sortie tout en les mettant à jour à mesure que de
nouvelles données deviennent disponibles.
Types de Machine Learning :
Supervisé: toutes les
données sont étiquetées et
les algorithmes apprennent à
prédire le résultat des
données d’entrée.
Apprentissage par renforcement :
Considérer un agent autonome,
plongé au sein d'un environnement,
et qui doit prendre des décisions en
fonction de son état courant. En
retour, l'environnement procure à
l'agent une récompense, qui peut
être positive ou négative
Non supervisé: toutes les données
ne sont pas étiquetées et les
algorithmes apprennent la structure
inhérente à partir des données en
entrée.
Supervised Machine Learning(Apprentissage supervisé) :
C' est une technique d' apprentissage automatique où l'on cherche à produire
automatiquement des règles à partir d'une base de données d'apprentissage contenant des «
exemples » (en général des cas déjà traités et validés).
Les étapes du Machine Learning supervisé :
1. Importer un Dataset (x, y) qui contient nos exemples.
2. Développer un Modèle aux paramètres aléatoires.
3. Développer une Fonction Coût qui mesure les erreurs entre le modèle et le Dataset.
4. Développer un Algorithme d’apprentissage pour trouver les paramètres du modèle qui
minimisent la Fonction Coût.
Préparer les données
1. Dataset :
CETTE ÉTAPE CONSISTE À IMPORTER UN DATASET QUI CONTIENT LES EXEMPLES QUE
LA MACHINE DOIT ÉTUDIER.
 Ce Dataset inclut toujours 2 types de variables :
 Une variable objectif (target) y.
 Une ou plusieurs variables caractéristiques (features) x.
Par convention, on dit que notre Dataset contient m exemples.
Par convention, on note également n le nombre de features dans notre Dataset, c’est-à-dire le
nombre de colonnes (hormis la colonne y).
Dernière convention : pour désigner une cellule de notre tableau, on note en général
Exemple : Dataset (x,y)
2. Le modèle :
C’est une représentation simplifiée de la réalité, que l’on peut utiliser pour prédire ce qui se
passerait dans certaines conditions.
C’est à nous de choisir le type de modèle et c’est à la machine de trouver les coefficients de
cette fonction qui donnent les meilleurs résultats.
Catégorisation des résultats :
• Régression: la variable de sortie est continue,
• Classification : la variable de sortie prend ses
valeurs dans des classes,
Exemples de modèle :
la machine trouver la valeur de a, b et c qui donne les meilleurs résultats.
:
 On peut choisir de développer de
développer un modèle linéaire : f(x)
= ax + b
 Ou bien on peut choisir un modèle non-
linéaire: f(x) = ax^2 + bx + c
3. La Fonction Coût :
Solution :
La Fonction Coût évalue la performance du
modèle en calculant les erreurs entre les
prédictions du modèle f(x) et les valeur y
attendue dans le Dataset.
Problème :
Mesurer la performance d’un modèle
donné.
Comment mesuré la pérformence d’un tireur ?
 Mesurer la distance entre la flèche (f(x)) et le centre de
la cible, qui n’est autre que le point (y) qu’elle est sensée
atteindre.
4. l’Algorithme d’apprentissage :
C’est un algorithme de minimisation de la Fonction Coût: Il cherche quels sont les meilleurs
paramètres du modèle, ceux qui donneront la meilleure performance, c’est-à-dire les plus petites
erreurs (Fonction Coût).
La Descente de Gradient
C’est l’algorithme itératif le plus connu pour entraîner un modèle de Machine Learning.
Une fois que le modèle atteint une performance satisfaisante, c’est la fin de la phase
d’entrainement, et le modèle final est prêt à être déployé. C’est alors la phase d’utilisation, les
paramètres du modèle ne changent plus, ils sont fixes.
Machine Leargning_supérvisé.pptx

Contenu connexe

Similaire à Machine Leargning_supérvisé.pptx

Algorithmique de base.pdf
Algorithmique de base.pdfAlgorithmique de base.pdf
Algorithmique de base.pdfWafaa Ibrihich
 
Memojava 100604104941-phpapp02
Memojava 100604104941-phpapp02Memojava 100604104941-phpapp02
Memojava 100604104941-phpapp02Rahma Boufalgha
 
PJ - machine learning avec scikit-learn.pdf
PJ - machine learning avec scikit-learn.pdfPJ - machine learning avec scikit-learn.pdf
PJ - machine learning avec scikit-learn.pdfYounesOuladSayad1
 
cours logiciels de simulation.docx
cours logiciels de simulation.docxcours logiciels de simulation.docx
cours logiciels de simulation.docxssuser0dbd4e
 
Ch6 Introduction à la Science de Données.pdf
Ch6 Introduction à la Science de Données.pdfCh6 Introduction à la Science de Données.pdf
Ch6 Introduction à la Science de Données.pdfnesrinetaamallah
 
cours d'algorithmique et programmation 3sc final .pdf
cours d'algorithmique et programmation 3sc final .pdfcours d'algorithmique et programmation 3sc final .pdf
cours d'algorithmique et programmation 3sc final .pdfLamissGhoul1
 
Généralités sur la notion d’Algorithme
Généralités sur la notion d’AlgorithmeGénéralités sur la notion d’Algorithme
Généralités sur la notion d’AlgorithmeInforMatica34
 
Cours ML et Deep Learning M2 2022-2023.pdf
Cours ML et Deep Learning M2 2022-2023.pdfCours ML et Deep Learning M2 2022-2023.pdf
Cours ML et Deep Learning M2 2022-2023.pdfUrbainNgatoua
 
JAVA-UIK-CHAP6-POO HERITAGE JAVA
JAVA-UIK-CHAP6-POO HERITAGE JAVAJAVA-UIK-CHAP6-POO HERITAGE JAVA
JAVA-UIK-CHAP6-POO HERITAGE JAVAAymen Bedwivski
 
Java uik-chap6-poo heritage v2 java
Java uik-chap6-poo heritage v2 javaJava uik-chap6-poo heritage v2 java
Java uik-chap6-poo heritage v2 javaAmel Morchdi
 
Les structures de données.pptx
Les structures de données.pptxLes structures de données.pptx
Les structures de données.pptxPROFPROF11
 
Rapport-du-projet CNN.docx
Rapport-du-projet CNN.docxRapport-du-projet CNN.docx
Rapport-du-projet CNN.docxkhalil Ismail
 
Deuxième partie.pptx
Deuxième partie.pptxDeuxième partie.pptx
Deuxième partie.pptxSafaeLhr1
 
Test de logiciels
Test de logiciels Test de logiciels
Test de logiciels Bilel Abed
 

Similaire à Machine Leargning_supérvisé.pptx (20)

Chapitre 1 rappel
Chapitre 1 rappelChapitre 1 rappel
Chapitre 1 rappel
 
Algorithmique de base.pdf
Algorithmique de base.pdfAlgorithmique de base.pdf
Algorithmique de base.pdf
 
Memojava 100604104941-phpapp02
Memojava 100604104941-phpapp02Memojava 100604104941-phpapp02
Memojava 100604104941-phpapp02
 
PJ - machine learning avec scikit-learn.pdf
PJ - machine learning avec scikit-learn.pdfPJ - machine learning avec scikit-learn.pdf
PJ - machine learning avec scikit-learn.pdf
 
cours logiciels de simulation.docx
cours logiciels de simulation.docxcours logiciels de simulation.docx
cours logiciels de simulation.docx
 
arbres de decision.ppt
arbres de decision.pptarbres de decision.ppt
arbres de decision.ppt
 
Memo java
Memo javaMemo java
Memo java
 
Ch6 Introduction à la Science de Données.pdf
Ch6 Introduction à la Science de Données.pdfCh6 Introduction à la Science de Données.pdf
Ch6 Introduction à la Science de Données.pdf
 
cours d'algorithmique et programmation 3sc final .pdf
cours d'algorithmique et programmation 3sc final .pdfcours d'algorithmique et programmation 3sc final .pdf
cours d'algorithmique et programmation 3sc final .pdf
 
Généralités sur la notion d’Algorithme
Généralités sur la notion d’AlgorithmeGénéralités sur la notion d’Algorithme
Généralités sur la notion d’Algorithme
 
Cours ML et Deep Learning M2 2022-2023.pdf
Cours ML et Deep Learning M2 2022-2023.pdfCours ML et Deep Learning M2 2022-2023.pdf
Cours ML et Deep Learning M2 2022-2023.pdf
 
JAVA-UIK-CHAP6-POO HERITAGE JAVA
JAVA-UIK-CHAP6-POO HERITAGE JAVAJAVA-UIK-CHAP6-POO HERITAGE JAVA
JAVA-UIK-CHAP6-POO HERITAGE JAVA
 
Java uik-chap6-poo heritage v2 java
Java uik-chap6-poo heritage v2 javaJava uik-chap6-poo heritage v2 java
Java uik-chap6-poo heritage v2 java
 
Cours1.pptx
Cours1.pptxCours1.pptx
Cours1.pptx
 
Les structures de données.pptx
Les structures de données.pptxLes structures de données.pptx
Les structures de données.pptx
 
Rapport-du-projet CNN.docx
Rapport-du-projet CNN.docxRapport-du-projet CNN.docx
Rapport-du-projet CNN.docx
 
Deuxième partie.pptx
Deuxième partie.pptxDeuxième partie.pptx
Deuxième partie.pptx
 
Analyzing a churn data set
Analyzing a churn data set Analyzing a churn data set
Analyzing a churn data set
 
J Unit
J UnitJ Unit
J Unit
 
Test de logiciels
Test de logiciels Test de logiciels
Test de logiciels
 

Machine Leargning_supérvisé.pptx

  • 2.  Machine Learning.  Types de Machine Learning.  Machine Learning supervisé.  Les étapes du Machine Learning supervisé.  Exemple d’algorithme. Agenda:
  • 3. Machine Learning ( Apprentissage Automatique ): Est une catégorie d’algorithme qui permet aux applications logicielles de prédire plus précisément les résultats sans être explicitement programmées. Le principe de base de l’apprentissage automatique est de créer des algorithmes capables de recevoir des données d’entrée et d’utiliser une analyse statistique pour prédire une sortie tout en les mettant à jour à mesure que de nouvelles données deviennent disponibles.
  • 4. Types de Machine Learning : Supervisé: toutes les données sont étiquetées et les algorithmes apprennent à prédire le résultat des données d’entrée. Apprentissage par renforcement : Considérer un agent autonome, plongé au sein d'un environnement, et qui doit prendre des décisions en fonction de son état courant. En retour, l'environnement procure à l'agent une récompense, qui peut être positive ou négative Non supervisé: toutes les données ne sont pas étiquetées et les algorithmes apprennent la structure inhérente à partir des données en entrée.
  • 5. Supervised Machine Learning(Apprentissage supervisé) : C' est une technique d' apprentissage automatique où l'on cherche à produire automatiquement des règles à partir d'une base de données d'apprentissage contenant des « exemples » (en général des cas déjà traités et validés).
  • 6. Les étapes du Machine Learning supervisé : 1. Importer un Dataset (x, y) qui contient nos exemples. 2. Développer un Modèle aux paramètres aléatoires. 3. Développer une Fonction Coût qui mesure les erreurs entre le modèle et le Dataset. 4. Développer un Algorithme d’apprentissage pour trouver les paramètres du modèle qui minimisent la Fonction Coût.
  • 8. 1. Dataset : CETTE ÉTAPE CONSISTE À IMPORTER UN DATASET QUI CONTIENT LES EXEMPLES QUE LA MACHINE DOIT ÉTUDIER.  Ce Dataset inclut toujours 2 types de variables :  Une variable objectif (target) y.  Une ou plusieurs variables caractéristiques (features) x. Par convention, on dit que notre Dataset contient m exemples. Par convention, on note également n le nombre de features dans notre Dataset, c’est-à-dire le nombre de colonnes (hormis la colonne y). Dernière convention : pour désigner une cellule de notre tableau, on note en général
  • 10. 2. Le modèle : C’est une représentation simplifiée de la réalité, que l’on peut utiliser pour prédire ce qui se passerait dans certaines conditions. C’est à nous de choisir le type de modèle et c’est à la machine de trouver les coefficients de cette fonction qui donnent les meilleurs résultats. Catégorisation des résultats : • Régression: la variable de sortie est continue, • Classification : la variable de sortie prend ses valeurs dans des classes,
  • 11. Exemples de modèle : la machine trouver la valeur de a, b et c qui donne les meilleurs résultats. :  On peut choisir de développer de développer un modèle linéaire : f(x) = ax + b  Ou bien on peut choisir un modèle non- linéaire: f(x) = ax^2 + bx + c
  • 12. 3. La Fonction Coût : Solution : La Fonction Coût évalue la performance du modèle en calculant les erreurs entre les prédictions du modèle f(x) et les valeur y attendue dans le Dataset. Problème : Mesurer la performance d’un modèle donné. Comment mesuré la pérformence d’un tireur ?  Mesurer la distance entre la flèche (f(x)) et le centre de la cible, qui n’est autre que le point (y) qu’elle est sensée atteindre.
  • 13. 4. l’Algorithme d’apprentissage : C’est un algorithme de minimisation de la Fonction Coût: Il cherche quels sont les meilleurs paramètres du modèle, ceux qui donneront la meilleure performance, c’est-à-dire les plus petites erreurs (Fonction Coût).
  • 14. La Descente de Gradient C’est l’algorithme itératif le plus connu pour entraîner un modèle de Machine Learning. Une fois que le modèle atteint une performance satisfaisante, c’est la fin de la phase d’entrainement, et le modèle final est prêt à être déployé. C’est alors la phase d’utilisation, les paramètres du modèle ne changent plus, ils sont fixes.

Notes de l'éditeur

  1. L'apprentissage automatique est une branche de l'intelligence artificielle (IA) et de l'informatique qui utilise principalement des données et des algorithmes pour imiter la manière dont les être humains apprennent, en améliorant progressivement sa précision.
  2. Semi-supervisé: Certaines données sont étiquetées mais la plupart d’entre elles ne sont pas étiquetées et un mélange de techniques supervisées et non supervisées peut être utilisé.
  3. D’une manière générale, la machine peut apprendre une relation f : (Y = f (X)) qui relie x à y en ayant analysé des millions d’exemples d’associations x  y. -Consiste en des variables d’entrée (x) et une variable de sortie (Y). Vous utilisez un algorithme pour apprendre la fonction de mapping de l’entrée à la sortie. Y = f (X)
  4. C’est l’étape la plus importante, qui consomme beaucoup de temps
  5. Le modèle se comporte alors comme une table contenant tous les échantillons utilisés lors de l'apprentissage et perd ses pouvoirs de prédiction sur de nouveaux échantillon (Par convention on appelle ces coefficients les paramètres du modèle.) Le Modèle  est le cœur de notre programme. C’est lui qui effectue les prédictions . Au début, les paramètres du modèle sont toujours choisis au hasard.