Le document présente une vue d'ensemble de l'apprentissage automatique supervisé, en décrivant ses étapes clés, y compris l'importation de données, le développement de modèles, et l'évaluation de performance. Il distingue également entre différents types d'apprentissage: supervisé, non supervisé et par renforcement. L'apprentissage supervisé implique l'utilisation de datasets étiquetés pour permettre aux algorithmes de prédire des résultats à partir de données d'entrée.

1. Supervised Machine Learning

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.

7. Préparer les données

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

9. Exemple : Dataset (x,y)

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.