Le machine learning et la notion de modèle

Ce cours (signé Jonathan Oheix) a trois objectifs : comprendre les principaux concepts de machine learning, implémenter des algorithmes en Python, et appliquer ces méthodes prédictives sur des données. Le planning : J1, J2, J3 sont des TP guidés (régression, classification, segmentation) ; J4 et J5 sont un projet évalué.

Définition

Le machine learning (ML) est une technologie d'intelligence artificielle permettant aux machines d'apprendre sans avoir été au préalable programmées spécifiquement à cet effet. Personne n'écrit les règles à la main : la machine les déduit des données.

Schéma ajouté pour situer le ML : le cours présente des « catégories d'IA » ; le deep learning est vu en partie 2.

Qu'est-ce qu'un modèle statistique ?

Un modèle est une représentation mathématique des données. Il permet de mieux les comprendre. Le cours prend l'exemple de la modélisation du risque d'accident de la route : on cherche une forme mathématique qui relie des caractéristiques (vitesse, météo… exemples ajoutés) au risque d'accident.

Le vocabulaire des données

Les données sont un tableau. Vocabulaire statistique du cours : une ligne est une observation, une colonne est une variable.

Tableau d'exemple ajouté : 3 observations (lignes) et 4 variables (colonnes).

L'apprentissage

Un modèle statistique est construit grâce à un algorithme d'apprentissage (la modélisation statistique). L'algorithme parcourt les observations et ajuste le modèle. Plus la situation à modéliser est complexe, plus il faut un volume de données conséquent pour entraîner un modèle pertinent.

Modèle descriptif ou prédictif