presentation.md

marp	title	description	author	theme	paginate
true	Introduction au Machine Learning	Présentation d'introduction au ML faite pour le meetup Dat'apéro à Angers le 09/11/2023	Quentin Suire	uncover	true

<style> section::after { content: attr(data-marpit-pagination) '/' attr(data-marpit-pagination-total); } </style>

Introduction au Machine Learning

---

Présentation

• Le machine learning ???
• Comment ça marche ?
• La mise en oeuvre
• Quelques modèles

---

Le machine learning ???

---

Vocabulaire

• artificial intelligence (AI)
• machine learning (ML)
• deep learning (DL)

---

Définition

Le but du ML est de prendre des décisions ou faire des prédictions en se basant sur les données.

---

Les données sont primordiales.

---

Prendre des décisions

---

Faire des prédictions

---

Applications

• La recommandation de musique
• Le filtrage des mails
• Les feeds sur les réseaux sociaux
• Les assistants vocaux
• Les assistants type ChatGPT
• Les voitures autonomes
• ...

---

Les principaux types

• apprentissage supervisé
• apprentissage non-supervisé
• apprentissage par renforcement

---

L'apprentissage supervisé

Trouver une fonction $f(X)$ telle que:

$$f(X) = Y$$

avec $X$ : les exemples avec $Y$ : les étiquettes

---

---

---

---

---

---

---

---

L'apprentissage non-supervisé

Trouver des patterns ou des structures cachés dans des données.

---

---

---

---

---

L'apprentissage par renforcement

Faire évoluer un agent dans un environnement afin qu'il apprenne à réaliser des actions qui le récompensent.

---

---

---

---

Comment ça marche ?

---

L'entrainement d'un modèle

0. On initialise un modèle
1. On utilise le modèle pour faire une prédiction
2. On compare la prédiction à ce qu'on attend
3. On corrige le modèle
4. On recommence à partir de 1 jusqu'à être satisfait

---

---

Définir un critère d'évaluation de l'erreur

• Distance L1, L2
• Précision, rappel, score F1
• Distance de Levenshtein
• ...

---

---

Éviter le sous-apprentissage et le sur-apprentissage

Un modèle de ML doit être capable d'estimer et de généraliser.

---

---

La mise en oeuvre

---

---

---

Cadrer le problème

• identifier le type du problème
• poser des hypothèses sur les données
• choisir un critère d'évaluation
• choisir un modèle
• choisir un algorithme pour l'apprentissage
• choisir un algorithme pour l'inférence

---

Quelques modèles

---

Les arbres de décision

---

Les forêts aléatoires

Un ensemble d'arbres de décision

---

Les réseaux de neurones

---

Les KNN

---

Conclusion

Le Machine Learning vise à faire des prédictions ou prendre des décisions en se basant sur des données.

Il faut :

• identifier le type du problème
• comprendre les données

---

Ressources pour aller plus loin :

• https://fr.wikipedia.org/wiki/Apprentissage_automatique

• https://scikit-learn.org/stable/user_guide.html

• cours en accès libre :

  • ⭐ https://www.kaggle.com/learn
  • https://www.coursera.org/specializations/machine-learning-introduction
  • https://openlearninglibrary.mit.edu/courses/course-v1:MITx+6.036+1T2019/courseware/Week1/intro_ml