Apprendre à partir de données

Comprendre l'intelligence artificielle

Maarten Van den Broeck

Senior Content Developer at DataCamp

Fonctions et domaines de l'IA concernés

Domaines et fonctions de l'IA

Fonctions et domaines de l'IA concernés

Domaines et fonctions de l'IA

Découvrir le machine learning (ML)

Machine learning : apprendre à partir de données et identifier des schémas

Domaines du machine learning

Découvrir le machine learning (ML)

Machine learning : apprendre à partir de données et identifier des schémas

Domaines du machine learning

Découvrir le machine learning (ML)

Machine learning : apprendre à partir de données et identifier des schémas

Domaines du machine learning

Découvrir le machine learning (ML)

Machine learning : apprendre à partir de données et identifier des schémas

Domaines du machine learning

Découvrir le machine learning (ML)

Machine learning : apprendre à partir de données et identifier des schémas

Domaines du machine learning

Apprentissage supervisé : classification

Classification : assigner à chaque observation une catégorie_(classe)_

Classification binaire : deux classes, p. ex. positif/négatif, homme/femme, etc.

Classification binaire

Apprentissage supervisé : classification

Classification : assigner à chaque observation une catégorie_(classe)_

Classification binaire : deux classes, p. ex. positif/négatif, homme/femme, etc.
Classification multi-classes : plusieurs classes qui s'excluent mutuellement, par exemple plusieurs espèces végétales

Apprentissage supervisé : Annotation des données (obtenir des observations étiquetées avec une classe connue a priori) pour former/entraîner un modèle capable de déductions

Classification multi-classes

Apprentissage supervisé : régression et prévision

Régression : attribuer à chaque observation une sortie numérique ou une étiquette à partir de ses entrées

Régression pour estimer le prix d'un logement

Prévision de séries temporelles : prédire les valeurs futures d'une variable à partir de son comportement passé

Prévision de séries temporelles pour prévoir le nombre de passagers des bus

Apprentissage non supervisé et par renforcement

Clustering : trouver des sous-groupes aux caractéristiques similaires (p. ex. algorithme k-moyennes)

Clustering de données sur les manchots

Détection d'anomalies : détection de données _anormales _(p. ex. transactions de cartes inhabituelles).

Détection des anomalies

Découverte de règles d'association : recherche de cooccurrences dans les données de transaction

Découvrir les produits fréquemment achetés ensemble

Apprentissage par renforcement : apprendre par l'expérience (essais et erreurs) à maîtriser une tâche complexe.

Apprentissage par renforcement pour naviguer dans un labyrinthe

Qu'en est-il du deep learning ?

Modèles hautement sophistiqués avec des réseaux neuronaux profonds : tâches très difficiles pour lesquelles les modèles de ML classiques deviennent limités
Apprendre à partir de données comme un cerveau humain

Nécessite beaucoup de données : parfois _des millions _d'observations.

Tâches de deep learning

Qu'en est-il du deep learning ?

Modèles hautement sophistiqués avec des réseaux neuronaux profonds : tâches très difficiles pour lesquelles les modèles de ML classiques deviennent limités

Nécessite beaucoup de données : parfois _des millions _d'observations.

Tâches de deep learning

Passons à la pratique !

Comprendre l'intelligence artificielle