Courte présentation du Big Data & Machine Learning lors d'un séminaire à la Cité Internationale Universitaire de Paris, Maison des Etudiants Arméniens.

1. Big Data & Machine Learning
Eric Daoud Attoyan
Séminaire MEA – Jeudi 19 Mai 2016

2. Introduction
• Qui suis-je ?
• MEA depuis Septembre 2016
• Ingénieur Généraliste ECAM Lyon Promo 2015
• Mastère Spécialisé « Systèmes Informatiques Ouverts », Centrale Paris Promo
2016
• Que fais-je ?
• Stage de fin d’études chez ManoMano
• Ingénierie Informatique
• Machine Learning
• Moteurs de recommandations
Big Data & Machine Learning 2

3. Plan
1. Qu’est-ce que le Big Data ?
2. Qu’est-ce que le Machine Learning ?
3. Exemples d’applications
Big Data & Machine Learning 3

4. Qu’est ce que le Big Data ?
Big Data & Machine Learning 4

5. Définition
« La notion de big data est un concept s'étant popularisé en 2012 pour
traduire le fait que les entreprises sont confrontées à des volumes de
données à traiter de plus en plus considérables et présentant un fort
enjeu commercial et marketing. »
Big Data & Machine Learning 5

6. La règle des 3V
Big Data & Machine Learning 6

7. Les acteurs
• Transformation venue à la base des « .com »
• Mais maintenant touche beaucoup plus de secteurs
Big Data & Machine Learning 7

8. Petit sondage
Le Big Data implique de traiter beaucoup de données rapidement, les
entreprises ont donc besoin d’infrastructures très puissantes.
Pour faire de tels calculs, choisiriez vous :
a) Un ordinateur très très puissant
b) Beaucoup d’ordinateurs normaux
Big Data & Machine Learning 8

9. Petit sondage
Le Big Data implique de traiter beaucoup de données rapidement, les
entreprises ont donc besoin d’infrastructures très puissantes.
Pour faire de tels calculs, choisiriez vous :
a) Quelques ordinateurs très très puissants
b) Beaucoup d’ordinateurs normaux à Algorithme « Map Reduce »
Big Data & Machine Learning 9

10. L’algorithme Map Reduce
Big Data & Machine Learning 10

11. Map Reduce pour compter les occurences
des mots d’un texte
Big Data & Machine Learning 11

12. Qu’est ce que le Machine Learning ?
Big Data & Machine Learning 12

13. Définition
« Machine learning is the science of getting computers to act without
being explicitly programmed. In the past decade, machine learning has
given us self-driving cars, practical speech recognition, effective web
search, and a vastly improved understanding of the human genome »
Big Data & Machine Learning 13

14. Processus
Big Data & Machine Learning 14

15. Différents problèmes
• Apprentissage Supervisé
• Apprentissage Non Supervisé
• Apprentissage par Renforcement
• Apprentissage Profond
Big Data & Machine Learning 15

16. Apprentissage Supervisé
A partir d’un set de données d’entrainement, l’algorithme va
apprendre un modèle qui lui permettra de faire des prédictions
ultérieurement.
Exemple : Filtrage Spam
Big Data & Machine Learning 16

17. Apprentissage non Supervisé
Aucun set de données d’entrainement
n’est fourni. L’algorithme doit trouver le
meilleur modèle lui même.
Exemple : Trouver des groupes d’acheteurs
similaires sur un site d’e-commerce
Big Data & Machine Learning 17

18. Apprentissage Supervisé vs. Non Supervisé
Big Data & Machine Learning 18

19. Apprentissage par Renforcement
« Apprendre, à partir d'expériences, ce qu'il convient de faire en
différentes situations. Agent autonome au sein d'un environnement,
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 »
Exemple : Un robot qui apprend à jouer aux échecs contre un être
humain
Big Data & Machine Learning 19

20. Apprentissage Profond (Deep Learning)
Apprentissage supervisé avec un réseau
de neurones. une machine virtuelle
composée d'unités qui effectuent
chacune de petits calculs simples. Les
résultats de la première couche de
neurones vont servir d'entrée au calcul
des autres.
Exemple : Reconnaissance d’image
Big Data & Machine Learning 20

21. Quelques Exemples
Big Data & Machine Learning 21

22. Google DeepMind
Big Data & Machine Learning 22

23. La publicité ciblée
Big Data & Machine Learning 23

24. La Voiture Autonome
Big Data & Machine Learning 24

25. Les Moteurs de Recommandations
Big Data & Machine Learning 25

26. A quoi ça sert ?
• De plus en plus de choix pour l’utilisateur, quel que soit le contenu
• Guider, faire découvrir, vendre plus …
Big Data & Machine Learning 26

27. Deux approches
• Content Based Filtering
• Se base sur le contenu des produits appréciés par l’utilisateur
• Exemple : Bob aime le Rock, lui proposer des chansons de Rock
• Collaborative Filtering
• Rapproche des utilisateurs et propose le contenu que l’un a aimé et pas
l’autre
• Exemple : Bob et Joe sont similaires. Bob a adoré le dernier album des Arctic
Monkeys. Recommander cet album à Joe qui ne l’a pas encore écouté.
Big Data & Machine Learning 27

28. Deux approches
Big Data & Machine Learning 28

29. Conclusion
• Domaine pas nouveau, mais en plein essor grâce à l’explosion des
données et de la puissance de calcul
• Beaucoup d’applications en lien direct avec les utilisateurs
• Domaine en vogue, qui ne connaît pas la crise
• Le meilleur reste encore à venir !
Big Data & Machine Learning 29

30. Merci de votre attention !
Big Data & Machine Learning
Eric Daoud Attoyan
Séminaire MEA – Jeudi 19 Mai 2016

31. Références
• https://fr.coursera.org/learn/machine-learning
• http://fr.slideshare.net/xamat/recommender-systems-machine-
learning-summer-school-2014-cmu
• https://deepmind.com
• https://www.google.com/selfdrivingcar/
• http://www.lemonde.fr/sciences/article/2016/02/04/la-lecon-d-un-
maitre-de-l-intelligence-artificielle_4859368_1650684.html
• https://hbr.org/2012/10/big-data-the-management-revolution/ar
• http://static.googleusercontent.com/media/research.google.com/en
//archive/mapreduce-osdi04.pdf
• https://fr.wikipedia.org/wiki/Apprentissage_automatique
Big Data & Machine Learning 31