Chapitre 02: Machine Learning

I- introduction à l’apprentissage automatique (Machine Learning)

II- Les applications/projets du ML

III- Les différentes techniques de Machine Learning avec Python

I- introduction à l’apprentissage automatique (Machine Learning)
L’apprentissage automatique (Machine
Learning en anglais)
À l’heure actuelle, l’être humain est l’espèce la plus intelligente et la plus
avancée sur terre, car il peut penser, évaluer et résoudre des problèmes
complexes. L’Intelligence Artificielle est encore à son stade initial et n’a
pas dépassé l’intelligence humaine dans de nombreux aspects. La
question est donc de savoir pourquoi est-il nécessaire de faire apprendre
les machines. La réponse la plus appropriée est pour « prendre des
décisions, sur la base de données, avec efficacité et à grande échelle »
L’apprentissage automatique

L’apprentissage automatique est un champ d’étude de l’intelligence

artificielle qui vise à donner aux machines la capacité d’« apprendre » à
partir de données, via des modèles mathématiques. Plus précisément,
il s’agit du procédé par lequel les informations pertinentes sont tirées
d’un ensemble de données d’entraînement.
 L’apprentissage automatique

Actuellement, l’apprentissage automatique est utilisé dans les voitures à

conduite autonome, la détection de la cyber fraude, la reconnaissance
des visages, la suggestion d’amis par Facebook, etc. Plusieurs grandes
entreprises comme Netflix et Amazon ont construit des modèles
d’apprentissage automatique qui utilisent une grande quantité de
données pour analyser les intérêts des utilisateurs et recommander des
produits en conséquence.
II- Les applications/projets du Machine Learning
Nous utilisons l’apprentissage automatique sans le savoir dans notre vie

quotidienne en utilisant les outils suivants : Google Maps, Google Assistant,

Alexa, etc. Nous détaillerons dans cette partie les applications les plus

courantes du machine learning.

La reconnaissance d’images

La reconnaissance d’images est l’une des applications les plus courantes de

l’apprentissage automatique. Elle est utilisée pour identifier des objets, des

personnes, des lieux, des images numériques, etc. Le cas d’utilisation le plus connu

est celui de Facebook. Facebook nous offre une fonction de suggestion automatique

de noms à chaque fois que nous téléchargeons une photo avec nos amis Facebook.

 La technologie derrière cela est l’algorithme de détection et de reconnaissance

des visages de l’apprentissage automatique. Elle est basée sur le projet de Facebook

appelé « Deep Face » .

La reconnaissance vocale

La reconnaissance vocale est un processus qui consiste à convertir des

instructions vocales en texte, et elle est également connue sous le nom de

« Speech to text » ou « Computer speech recognition« . Les assistants

vocaux Google, Siri, Cortana et Alexa utilisent la technologie de

reconnaissance vocale pour exécuter les instructions vocales.

Recommandation de produits

L’apprentissage automatique est largement utilisé par diverses entreprises de l’e-

commerce et de divertissement telles qu’Amazon, Netflix, etc. pour recommander des

produits à leurs utilisateurs. Chaque fois que nous recherchons un produit sur Amazon,

nous commençons à recevoir une publicité pour le même produit lorsque nous surfons sur

le même navigateur, et ce, grâce à l’apprentissage automatique.

 Google comprend l’intérêt de l’utilisateur en utilisant divers algorithmes d’apprentissage

automatique et suggère un produit en fonction de l’intérêt du client. De même, lorsque

nous utilisons Netflix, nous recevons des recommandations pour des séries de

divertissement, des films, etc.

Les voitures à conduite autonome

L’une des applications la plus intéressante de l’apprentissage

automatique est la voiture autonome. L’apprentissage automatique joue
un rôle important dans les voitures à conduite autonome. Tesla, la société
de construction automobile la plus populaire, travaille sur des voitures à
conduite autonome. Elle utilise une méthode d’apprentissage non
supervisée pour entraîner les modèles de voiture à détecter les
personnes et les objets pendant la conduite.
Autres projets ML

• La détection des fraudes

• Le diagnostique médical
• L’utilisation des drones
• Chatgpt.
• Smart Learning
• Voitures intelligentes
• Maison intelligente
• Optimisation
• Etc.
III- Les différentes techniques de Machine Learning avec Python
Il existe différents algorithmes, techniques et méthodes de ML qui

peuvent être utilisés pour construire des modèles afin de résoudre des

problèmes de la vie réelle en utilisant des données. Dans cette section,

nous allons aborder ces différents types de méthodes.

Les algorithmes ou méthodes d’apprentissage supervisé sont les algorithmes ML les
plus couramment utilisés. Cette méthode ou algorithme d’apprentissage prend
l’échantillon de données, c’est-à-dire les données d’apprentissage, et la sortie, c’est-à-
dire les étiquettes ou les réponses, associée à chaque échantillon de données pendant
le processus d’apprentissage.
L’objectif principal des algorithmes d’apprentissage supervisé est d’apprendre une
association entre les échantillons de données d’entrée et les sorties correspondantes
après avoir effectué plusieurs instances de données d’entraînement
Par exemple, nous avons x comme variable d’entrée et y la variable de sortie. L’objectif d’un
algorithme d’apprentissage supervisé est de trouver une fonction f de mise en
correspondance de la variable d’entrée (x) avec la variable de sortie (y), c’est-à-dire une
expression du type y=f(x). Ce qui permettra d’obtenir de nouvelles données d’entrée (x), nous
pouvons facilement prédire la variable de sortie (y) pour ces nouvelles données d’entrée.

 Le fonctionnement de l’apprentissage supervisé peut être facilement compris grâce à

l’exemple et au diagramme ci-dessous :
Sur la base des tâches à effectuer, les algorithmes d’apprentissage supervisé

peuvent être divisés en deux grandes catégories :

 La Classification

 Et la Régression
Classification. L’objectif principal des tâches basées sur la classification
est de prédire des étiquettes de sorties catégorielles ou des réponses
pour les données d’entrée données. La sortie sera basée sur ce que le
modèle a appris pendant la phase de formation. Comme nous savons
que les réponses catégorielles en sortie signifient des valeurs discrètes
et non ordonnées, chaque réponse en sortie appartiendra à une classe
ou une catégorie spécifique. Nous aborderons la classification et les
algorithmes associés en détail dans les sections suivantes.
Régression. L’objectif principal des algorithmes de régression est de
prédire les étiquettes ou les réponses de sortie qui sont des valeurs
numériques continues, pour les données d’entrée données. La sortie sera
basée sur ce que le modèle a appris dans sa phase de formation.
Fondamentalement, les modèles de régression utilisent les
caractéristiques des données d’entrée (variables indépendantes) et leurs
valeurs de sortie numériques continues correspondantes (variables
dépendantes ou de résultat) pour apprendre une association spécifique
entre les entrées et les sorties correspondantes.
2-L’apprentissage non supervisé

L’apprentissage non supervisé est un type d’apprentissage automatique dans lequel les

modèles sont formés à l’aide d’un ensemble de données non étiquetées et sont autorisés

à agir sur ces données sans aucune supervision. L’objectif de l’apprentissage non

supervisé est de trouver la structure sous-jacente d’un ensemble de données, de

regrouper ces données en fonction de leurs similarités et de représenter cet ensemble de

données dans un format compressé. Le fonctionnement de l’apprentissage non supervisé

peut être compris par le schéma ci-dessous

2-L’apprentissage non supervisé
2-L’apprentissage non supervisé
 Dans le figure ci-dessous, nous avons pris des données d’entrée non étiquetées, ce qui
signifie qu’elles ne sont pas catégorisées et que les sorties correspondantes ne sont pas
données non plus. Maintenant, ces données d’entrée non étiquetées sont transmises au
modèle d’apprentissage automatique afin de l’entraîner. Tout d’abord, il interprétera les
données brutes pour trouver les modèles cachés des données et appliquera ensuite des
algorithmes appropriés tels que le clustering k-means, l’arbre de décision, etc.

 Une fois qu’il a appliqué l’algorithme approprié, l’algorithme divise les données en
groupes en fonction des similarités et des différences entre les données.
2-L’apprentissage non supervisé

Sur la base des tâches à effectuer, les algorithmes d’apprentissage non supervisé

peuvent être divisés en deux grandes catégories :

1. Le clustering

2. L’association
2-L’apprentissage non supervisé

Le clustering.

Le clustering est une méthode permettant de regrouper les objets en clusters de telle

sorte que les objets présentant le plus de similarités restent dans un groupe. Les

objets d’un groupe doivent avoir moins, voire aucune similarité avec les objets d’un

autre groupe. L’analyse par clusters trouve les points communs entre les données et

les catégorise en fonction de la présence ou de l’absence de ces points communs.

2-L’apprentissage non supervisé

Le clustering.

Le clustering est une méthode permettant de regrouper les objets en clusters de telle

sorte que les objets présentant le plus de similarités restent dans un groupe. Les

objets d’un groupe doivent avoir moins, voire aucune similarité avec les objets d’un

autre groupe. L’analyse par clusters trouve les points communs entre les données et

les catégorise en fonction de la présence ou de l’absence de ces points communs.

2-L’apprentissage non supervisé
• L’association.

Une règle d’association est une méthode d’apprentissage non supervisée qui est utilisée pour
trouver les relations entre les variables dans une grande base de données. Elle détermine les
éléments qui apparaissent ensemble dans une base de données. La règle d’association rend
la stratégie de marketing plus efficace. Par exemple, les personnes qui achètent un article X
(un pain, par exemple) ont également tendance à acheter un article Y (beurre/confiture). Un
exemple typique de règle d’association est l’analyse du panier de la ménagère.

 Nous allons maintenant à la mise en pratique du machine learning en Python. Mais avant
de s’y attaquer, nous vous invitons à télécharger le livre l’initiation à l’écosystème Hadoop
Prochaine séance

Nous verrons comment mener un projet de machine learning étape par

étape. Nous allons étudier en particulier la méthode de classification

de l’apprentissage supervisé.