Rapport
sur le
Machine
Learning
Prepare par : Fatima
Ezzahrae Sahih
Encadré par : Abdellatif
Satir
Institution : ISMONTIC
Date :
Partie I :
Introduire
l’apprentissage
automatique
Chapitre1:S’introduir
eà l’apprentissage
automatique
Introduction :
Le Machine Learning (ML) est une technologie qui
permet aux ordinateurs d'apprendre à partir de
données sans avoir besoin d'être programmés pour
chaque tâche. Grâce à des algorithmes, il analyse des
informations, repère des modèles et prend des
décisions tout seul. On le retrouve dans plein de
domaines, comme les recommandations sur Netflix,
les voitures autonomes, ou même les diagnostics
médicaux. Son but est de résoudre des problèmes
complexes en s'appuyant sur des données.
Definition :
Le Machine Learning (ML) est une méthode qui
permet aux ordinateurs d'apprendre à partir de
données pour accomplir des tâches, comme faire
des prédictions ou prendre des décisions, sans
avoir besoin d'être programmés étape par étape. Il
utilise des algorithmes pour analyser des
informations et trouver des modèles.
Machine Learning et Normale
programmation:
Programmation classique → L’humain écrit les règles, l’ordinateur les
suit.
Machine Learning → L’humain fournit des données, l’ordinateur
découvre les règles tout seul.
Rappelle de type de donne :
Données Étiquetées : Données avec des réponses connues
(étiquettes).
Exemples de Données Étiquetées :
Images de chats et de chiens avec un label "chat" ou "chien" 🐱🐶
Emails classés comme "spam" ou "non spam" 📩
Données médicales avec diagnostics (ex : "cancer détecté" ou "pas de cancer") 🏥
Données Non Étiquetées :Données sans réponses connues.
Données clients sans catégorie préétablie (âge, revenu, localisation)
Textes non classifiés (ex : avis clients sans sentiment attribué)
Images non triées (ex : photos de Google Photos avant organisation)
Données de navigation sur un site web sans classification
Données structurées : Ce sont des données organisées sous forme de
tableaux avec des lignes et des colonnes (comme dans une base de
données). Elles sont facilement exploitables par les algorithmes de
ML.
Les données semi-structurées n'ont pas de schéma fixe mais incluent
des balises pour l'organisation.
Exemples : JSON, XML. Flexibles, elles sont utilisées dans les bases
NoSQL.
Données non structures Ces données n'ont pas de format fixe et sont
plus difficiles à exploiter directement. Elles nécessitent souvent du
prétraitement avant d’être utilisées.
Exemples :
Texte (articles, tweets, avis clients)
Images (photos, vidéos)
Audio (voix, enregistrements musicaux
Modèle généralisable :
Le modèle doit être capable de s'adapter à de nouvelles données qu'il
n'a jamais vues auparavant, tout en maintenant des performances
élevées.
l’adaptabilité:
L’adaptabilité en apprentissage automatique est la capacité des
modèles à se mettre à jour et s’améliorer automatiquement en
fonction de nouvelles données, leur permettant d’apprendre de
l’expérience et de s’ajuster aux changements sans nécessiter de
reprogrammation manuelle.
Types de Machine Learning :
ApprentissageSupervisé(Supervised Learning):
Le modèle apprend à partir de données étiquetées, c'est-à-dire des
données où la "réponse" est déjà connue.
TABLE DES MATIÈRES
Table des matières.................................................................6
...............................................................................................9
1
PARTIE 1 : Introduire l'apprentissage
automatique
CHAPITRE 1: S'introduire à l'apprentissage automatique
CHAPITRE 2: Déterminer le périmètre de l'apprentissage
automatique
----------------------------------------------------------
----------
PARTIE 2 : Appréhender
l'apprentissage supervise
CHAPITRE 1: Explorer les Fondements et les
applications de la Régression
CHAPITRE 2: Comprendre le K-Plus Proche Voisin
(KNN)
CHAPITRE 3: Assimiler les arbres de décision et le
Random Forest
CHAPITRE 4: Assimiler la machine à vecteurs de
support
----------------------------------------------------------
-------
PARTIE 3 : Manipuler l'apprentissage
non supervise
PARTIE 1 : Introduire l'apprentissage
automatique
CHAPITRE 1: S'introduire à
l'apprentissage automatique
Introduction general
Le Machine Learning (ML) est une
technologie qui permet aux ordinateurs
d'apprendre à partir de données sans avoir besoin
d'être programmés pour chaque tâche. Grâce à
des algorithmes, il analyse des informations,
repère des modèles et prend des décisions tout
seul. On le retrouve dans plein de domaines,
comme les recommandations sur Netflix, les
voitures autonomes, ou même les diagnostics
médicaux. Son but est de résoudre des problèmes
complexes en s'appuyant sur des données.
Définition :
Le Machine Learning (ML) est une méthode qui permet aux
ordinateurs d'apprendre à partir de données pour accomplir des
tâches, comme faire des prédictions ou prendre des décisions, sans
avoir besoin d'être programmés étape par étape. Il utilise des
algorithmes pour analyser des informations et trouver des modèles.
Machine Learning vs Normale programmation:
Programmation classique → L’humain écrit les règles,
l’ordinateur les suit.
Machine Learning → L’humain fournit des données, l’ordinateur
découvre les règles tout seul.
Exemple :
Machine Learning
Programmation classique
Données Étiquetées vs. Données Non Étiquetées en
Machine Learning :
Données Étiquetées :
Définition : Données avec des réponses connues (étiquettes).
Exemple : Photos de chats étiquetées "chat".
Données Non Étiquetées :
Définition : Données sans réponses connues.
Exemple : Photos d'animaux sans étiquettes.
Modèle généralisable :
Le modèle doit être capable de s'adapter à de nouvelles données qu'il
n'a jamais vues auparavant, tout en maintenant des performances
élevées.
l’adaptabilité:
L’adaptabilité en apprentissage automatique est la capacité des modèles
à se mettre à jour et s’améliorer automatiquement en fonction de
nouvelles données, leur permettant d’apprendre de l’expérience et de
s’ajuster aux changements sans nécessiter de reprogrammation
manuelle.
Types de Machine Learning :
1. Apprentissage Supervisé (Supervised Learning)
Définition:
Le modèle apprend à partir de données étiquetées, c'est-à-dire des
données où la "réponse" est déjà connue.
Les exemple :
Classification d'images : Entraîner un modèle à reconnaître et à
classer des images dans des catégories prédéfinies. Par exemple,
distinguer entre des images de chats et de chiens.
Reconnaissance de la parole : Utiliser des données audio étiquetées
pour entraîner un modèle à reconnaître et transcrire la parole en texte.
Prédiction de prix : Prédire le prix d'une maison en fonction de
caractéristiques telles que la taille, l'emplacement et le nombre de
chambres, en utilisant des données historiques de ventes immobilières.
Détection de spam : Entraîner un modèle à identifier les courriels
indésirables (spam) en utilisant un ensemble de données de courriels
étiquetés comme spam ou non spam.
Diagnostic médical : Utiliser des données médicales étiquetées pour
prédire la présence ou l'absence d'une maladie chez un patient, par
exemple en analysant des images radiographiques pour détecter des
tumeurs.
Types d’algorithmes supervisés:
Algorithmes de Régression : Prédire une valeur continue (un nombre
réel).
Algorithmes de Classification : Prédire une catégorie ou une classe
discrète.
Apprentissage supervisé -Régression
Definition:
Les algorithmes de régression sont des modèles de Machine Learning
utilisés pour prédire une valeur continue en fonction de données d’entrée
Exemple:
Apprentissage supervisé -Classification
Definition:
La classification en apprentissage supervisé est une technique où un
modèle apprend à associer des entrées à des catégories prédéfinies
en s’entraînant sur des données étiquetées.
Exemples :
Détecter si un email est spam ou non.
Reconnaître si une image contient un chien ou un chat.
Prédire si un client va acheter ou pas un produit.
2.Apprentissage Non Supervisé (Unsupervised Learning)
Définition
Le modèle apprend à partir de données non étiquetées, c'est-à-dire des données sans
réponses connues.
