Télécharger en tant que PDF, PPTX
Téléchargé parDidier Girard
Mix it2014 - Machine Learning et Régulation Numérique
Le document traite du machine learning, en soulignant son fonctionnement, ses applications, et les différentes méthodes telles que la régression et la classification. Il aborde également l'importance de la régulation numérique et l'éducation des utilisateurs pour prévenir les dérives associées à cette technologie. Enfin, il présente des étapes et des outils essentiels pour développer des systèmes de machine learning efficaces.
Mix it2014 - Machine Learning et Régulation Numérique
- 1. Machine Learning & RégulationNumérique Didier Girard / Guillaume Laforge
- 2.
- 3.
- 4. 2011 rank Company2009 2010 2011 1 Netflix 0.0 % 0.5 % 44.0 % 2 Apple 71.5 % 60.8 % 32.3 % 3 Microsoft 11.2 % 16.7 % 7.6 % 4 Vudu (Walmart) 0.5 % 2.7 % 4.2 % 5 Sony 5.4 % 6.8 % 2.4 % Others 11.4 % 12.6 % 9.5 % Total 89 % 87 % 90 % “Voici mon catalogue” vs “J’ai une video pour vous.”
- 6.
- 7. Toutes les données, turécolteras #MixIT14
- 8.
- 9.
- 11. Définition Une branche del’intelligence artificielle qui s’occupe de la construction et l’étude de systèmes quiapprennentàpartirdedonnées
- 12. Le parallèle del’accordeur de piano Data Accordeur Modèle
- 13. Les grandes familles Supervisévs non-supervisé
- 14.
- 15. Régression http://en.wikipedia.org/wiki/Regression_analysis Un modèle deregression relie Y à une fonction de X et ß Son Touches Accordeur
- 16.
- 17.
- 18.
- 19.
- 20.
- 21.
- 22.
- 23. Ta fonction decoût, tu minimiseras #MixIT14
- 24.
- 25.
- 26. Régression — ordrepremier
- 27. Régression — ordrepremier ?
- 28. Régression — ordresecond
- 29. Régression — ordresecond ?
- 30. Classification La classification estle problème d'identifier à quel ensemble de catégories (sous-population) une nouvelle observation correspond http://en.wikipedia.org/wiki/Statistical_classification
- 31.
- 32.
- 33.
- 34.
- 35.
- 36.
- 37. Séparation de sources Source1 Source 2
- 38. Séparation de sources Source1 Source 2 Observation
- 39. Séparation de sources Source1 Source 2 Observation Source séparée 1 Source séparée 2
- 40.
- 41.
- 42. N’apprends pas ce quetu sais déjà #MixIT14
- 43. Ne pas apprendrece que l’on sait
- 44. Ne pas apprendrece que l’on sait
- 45. Ne pas apprendrece que l’on sait
- 46. Ne pas apprendrece que l’on sait
- 47.
- 48. Segmenter Problème : ● Jevous donne la latitude et la longitude ● Vous devez coder un systeme qui me donne l’altitude 1. un modèle pour toute la France ? 2. un modèle par type de relief ? 3. un modèle par région ?
- 49.
- 50.
- 51.
- 52.
- 53. Exemple : FaceRecognition http://bitsearch.blogspot.com/2013/02/unsupervised-face-clustering-with-opencv.html
- 54. Que faire desdonnées manquantes ? ● Supprimer la dimension ? ● Signaler au système apprenant ?
- 55. Données aberrantes ● Erreurd’ observation ? ● Cas exceptionnel ?
- 56.
- 57.
- 58.
- 59.
- 60.
- 61.
- 62.
- 63. Sélectionner les bonnesvariables
- 64. Sélectionner les bonnesvariables Consommation ● jour de la semaine ● vacances scolaires ● jours fériés ● température Reconnaissance d’image ● histogramme de couleur
- 65.
- 66. Apprendre et généraliser Apprentissage: 60% Généralisation : 40%
- 67. Par coeur, tun’ apprendras pas #MixIT14
- 68. Régression — ordresupérieur ? ?
- 69. Capacité d’apprentissage d’unsystème Capacité d’apprentissage Complexité des systèmes modélisables Risque de sur- apprentissage
- 70. Pour aller plusloin : VC-Dimension Trois choses entrent en jeu : ● taille de l’échantillon ● nombre de paramètres d’ajustement du modèle ● nombre de dimensions de l’espace d’entrée
- 71. Intuition : capacitéde généralisation #MixIT14
- 72.
- 73. Apprendre, Généraliser etValider Apprentissage : 60% Généralisation : 20% Validation : 20%
- 74.
- 75. A un momentou un autre… il faut se lancer !
- 77. Les recettes detonton Moïse pour le ML 1. Enregistrez toutes les données que vous pourrez 2. Observez et visualisez vos données 3. Segmentez vos données 4. Pré-traitez et normalisez vos données 5. Choisissez bien votre algorithme 6. Entrainez votre système 7. Validez votre système 8. Et… exécutez !
- 78. Quelques outils ● R http://www.r-project.org/ ●Octave https://www.gnu.org/software/octave/ ● SciKit Learn http://scikit-learn.org/ ● Apache Mahout https://mahout.apache.org/ ● Weka http://www.cs.waikato.ac.nz/ml/weka/ ● Google Prediction https://developers.google.com/prediction ● Prediction.IO http://prediction.io/ ● MADlib http://madlib.net/
- 79. Conclusion Machine Learning etRégulation Numérique
- 80. Le Data Scientistde demain est le Physicien Nucléaire d’hier
- 81. BIG DATA ISSCORING YOU #MixIT14
- 82. http://money.cnn.com/2014/04/02/pf/consumer-scores/index.html Consumer profitability score Churn score Job security score Medication adherence score FraudscoreCustomer score Law enforcement score
- 83. On ne peutpas arrêter la machine...
- 84. Apprendre et comprendrecomment marche le Machine Learning
- 85. Etre au coeurdu système, pour le réguler
- 86. Les gens éduquéssont les garde-fous des dérives du Machine Learning #MixIT14
- 87. Le monde estentre vos mains ! A vous de jouer !
- 88. Didier Girard /Guillaume Laforge @didiergirard @glaforge Merci
- 89. Didier Girard /Guillaume Laforge @didiergirard @glaforge Questions — réponses