APPRENTISSAGE SUPERVISÉ : LES 4 ÉTAPES - ML#2

Summary

Dans cette vidéo, les quatre notions fondamentales de l'apprentissage supervisé sont abordées. On commence par expliquer les concepts de dataset, qui inclut une 'target' et des 'features'. Ensuite, la notion de modèle est introduite, avec des paramètres que la machine apprend. On découvre aussi la fonction coût, qui mesure l'erreur entre les prédictions du modèle et les valeurs réelles. Enfin, l'algorithme d'apprentissage, comme la descente de gradient, est utilisé pour minimiser cette erreur et affiner le modèle. Ces notions sont valables pour les problèmes de régression et de classification.

Takeaways

• 😀 L'apprentissage supervisé est une stratégie de machine learning qui permet à une machine d'apprendre sans être programmée explicitement.
• 🔍 Un dataset en apprentissage supervisé contient deux types de variables : la variable cible (y) et les features (X) qui influencent la valeur de y.
• 📊 La convention en machine learning stipule que le nombre d'exemples dans un dataset est représenté par m (nombre de lignes) et le nombre de features par n (nombre de colonnes sans la colonne y).
• 📐 Pour désigner une cellule spécifique dans un dataset, on utilise la notation (exemple, feature), comme x23 pour la troisième feature du deuxième exemple.
• 🧠 Un modèle en machine learning est une généralisation des données qui permet de faire des prédictions. Il peut être linéaire, polynomial, etc., et possède des paramètres à apprendre.
• 📉 La fonction de coût (ou loss function) évalue les erreurs du modèle par rapport aux données de training et est utilisée pour ajuster les paramètres du modèle.
• 🔍 Un bon modèle est celui qui minimise la fonction de coût, c'est-à-dire les erreurs entre les prédictions du modèle et les valeurs réelles du dataset.
• 🤖 Les algorithmes d'apprentissage, comme la descente de gradient, sont utilisés pour trouver les paramètres du modèle qui minimisent la fonction de coût.
• 🔄 Les problèmes de classification en machine learning suivent les mêmes principes que les problèmes de régression, avec des datasets, des modèles, des fonctions de coût et des algorithmes d'apprentissage.
• 💌 L'auteur propose de recevoir un livre gratuitement par email pour approfondir la compréhension du machine learning en une semaine.

Q & A

Qu'est-ce que l'apprentissage supervisé en machine learning ?

L'apprentissage supervisé consiste à montrer à la machine des exemples (x, y) et à lui demander de trouver l'association entre x et y, ce qui revient à apprendre une fonction y = f(x).

Quelle est la première notion fondamentale en apprentissage supervisé mentionnée dans la vidéo ?

La première notion est celle du dataset, qui contient deux types de variables : les 'features' (facteurs explicatifs) et la 'target' (la variable cible que la machine doit apprendre à prédire).

Comment les exemples et les features sont-ils représentés dans un dataset ?

Les exemples sont représentés par des lignes (appelées m), tandis que les features sont représentées par des colonnes (appelées n) dans une matrice m x n.

Qu'est-ce qu'un modèle en machine learning ?

Un modèle est une représentation mathématique, comme une fonction linéaire ou polynomiale, qui cherche à relier les features (x) à la target (y).

Quels sont les paramètres d'un modèle en apprentissage supervisé ?

Les paramètres sont les coefficients du modèle (comme les coefficients d'un polynôme) que la machine doit apprendre à ajuster pour minimiser les erreurs de prédiction.

Qu'est-ce que la fonction de coût dans l'apprentissage supervisé ?

La fonction de coût mesure l'erreur entre les prédictions du modèle et les vraies valeurs du dataset. Minimiser cette fonction est crucial pour améliorer les performances du modèle.

Quel est le rôle des algorithmes d'apprentissage dans le machine learning ?

Les algorithmes d'apprentissage, comme la descente de gradient, cherchent à ajuster les paramètres du modèle de manière à minimiser la fonction de coût, et ainsi réduire les erreurs.

Quelle différence y a-t-il entre un problème de régression et un problème de classification en machine learning ?

Dans un problème de régression, la target (y) est une variable continue, tandis que dans un problème de classification, la target est discrète, comme la prédiction d'une classe (ex : cellule cancéreuse ou non).

Comment les erreurs de classification sont-elles traitées par un modèle ?

Le modèle ajuste ses paramètres pour minimiser les erreurs en fonction de la fonction de coût, cherchant ainsi à mieux classer les exemples dans les bonnes catégories lors des itérations suivantes.

Quels sont les quatre concepts fondamentaux de l'apprentissage supervisé selon la vidéo ?

Les quatre concepts fondamentaux sont : le dataset (target et features), le modèle (et ses paramètres), la fonction de coût (qui mesure l'erreur) et l'algorithme d'apprentissage (qui minimise la fonction de coût).

Outlines

00:00

🤖 Principes de l'apprentissage supervisé

Cette partie du script introduit les quatre notions fondamentales de l'apprentissage supervisé en machine learning. L'auteur explique que l'apprentissage supervisé permet à une machine d'apprendre à partir d'exemples sans être programmée explicitement. Le data set est divisé en deux types de variables : la variable cible (y) que l'on souhaite prédire et les features (X) qui influencent cette variable. Le script mentionne également les conventions pour représenter les données et les cellules spécifiques dans un tableau, ainsi que la traduction de ces données en vecteurs et matrices qui seront utilisées dans les prochaines vidéos.

05:02

📊 Modèles et fonctions de coût en apprentissage supervisé

Le script continue sur la notion de modèle en machine learning, qui est un modèle mathématique utilisé pour faire des prédictions à partir des données. Il explique comment les modèles peuvent être linéaires ou polynomials et ont des paramètres à apprendre. Ensuite, il introduit la notion de fonction de coût qui évalue les erreurs faites par le modèle en comparant ses prédictions avec les valeurs réelles du data set. L'objectif est de trouver un modèle qui minimise ces erreurs. L'algorithme de régression de gradient, un outil pour trouver les meilleurs paramètres du modèle, est mentionné en tant qu'algorithme d'apprentissage. Le script conclut en soulignant que ces notions sont essentielles pour comprendre comment fonctionne l'apprentissage supervisé, qu'il s'agisse de régression ou de classification.

Keywords

💡Apprentissage supervisé

L'apprentissage supervisé est une méthode du machine learning où la machine apprend à partir d'exemples étiquetés (x, y), c'est-à-dire des données d'entrée et leurs résultats attendus. Dans la vidéo, cette technique est décrite comme une stratégie où la machine doit apprendre à associer des entrées (features) avec des sorties (target), par exemple pour prédire le prix d'un appartement.

💡Dataset

Un dataset est un ensemble de données utilisé pour entraîner un modèle en apprentissage supervisé. Dans le contexte de la vidéo, il est expliqué qu'un dataset contient deux types de variables : les features (les facteurs qui influencent) et la target (ce que l'on veut prédire). Par exemple, la surface d'un appartement peut être une feature, et le prix de l'appartement est la target.

💡Target variable

La target variable représente l'objectif à prédire dans un dataset d'apprentissage supervisé. Elle est le résultat ou l'étiquette associée aux features. Par exemple, dans le cas d'un dataset pour estimer le prix des appartements, la target variable serait le prix à prédire, tandis que les features pourraient inclure la surface ou l'emplacement.

💡Features

Les features sont les variables d'entrée qui influencent la target dans un modèle d'apprentissage supervisé. Elles représentent les caractéristiques ou les facteurs liés aux données observées. Par exemple, la taille, l'adresse ou la qualité d'un appartement sont des features qui influencent son prix (target) dans le dataset.

💡Modèle

Un modèle en machine learning est une représentation mathématique utilisée pour faire des prédictions à partir de données. Dans la vidéo, il est expliqué que le modèle est choisi par l'utilisateur et qu'il peut être linéaire ou polynômial, par exemple, avec des paramètres que la machine doit apprendre. Un modèle linéaire simple serait f(x) = ax + b.

💡Paramètres

Les paramètres sont les coefficients ajustables d'un modèle qui permettent à la machine de mieux prédire les résultats en fonction des données d'entrée. Dans un modèle linéaire, ces paramètres seraient 'a' et 'b' dans la fonction f(x) = ax + b. Dans la vidéo, il est dit que la machine apprend ces paramètres pour minimiser les erreurs.

💡Fonction coût

La fonction coût mesure l'erreur entre les prédictions du modèle et les résultats réels dans un dataset. C'est un concept fondamental dans l'apprentissage supervisé, car elle permet de quantifier la performance du modèle. L'objectif est de minimiser cette fonction pour que le modèle fasse des prédictions plus précises. Par exemple, si le modèle prédit un prix de 300 000 € pour un appartement alors que le prix réel est de 200 000 €, l'erreur est élevée.

💡Erreur

L'erreur est la différence entre la valeur prédite par le modèle et la vraie valeur dans le dataset. Dans la vidéo, il est expliqué que la fonction coût est une somme de ces erreurs, et que l'objectif de l'apprentissage est de minimiser ces erreurs pour améliorer les prédictions du modèle.

💡Algorithme d'apprentissage

L'algorithme d'apprentissage est la méthode utilisée pour ajuster les paramètres d'un modèle afin de minimiser la fonction coût. L'exemple le plus connu dans la vidéo est l'algorithme de descente de gradient (gradient descent), qui ajuste progressivement les paramètres pour réduire les erreurs entre les prédictions et les vraies valeurs.

💡Descente de gradient

La descente de gradient est un algorithme d'optimisation utilisé pour ajuster les paramètres d'un modèle et minimiser la fonction coût. Dans la vidéo, cet algorithme est mentionné comme une méthode populaire pour trouver les paramètres optimaux qui réduisent l'erreur de prédiction dans un modèle supervisé.

Highlights

Présentation des quatre notions fondamentales de l'apprentissage supervisé.

Introduction au machine learning : donner à une machine la capacité d'apprendre sans la programmer explicitement.

Définition du dataset en apprentissage supervisé, qui contient la target (variable cible) et les features (facteurs influençant la target).

Présentation de la première notion fondamentale : le dataset et sa composition de variables cibles et de facteurs.

Explication des conventions de notation en machine learning, notamment pour les exemples et les features dans un dataset.

Utilisation de matrices et vecteurs pour représenter les datasets en machine learning.

Présentation de la deuxième notion fondamentale : le modèle, qui permet de prédire la target à partir des features.

Présentation de différents types de modèles, y compris le modèle linéaire et le modèle polynomial.

Définition des paramètres du modèle, qui sont ajustés par la machine pour optimiser les prédictions.

Présentation de la troisième notion fondamentale : la fonction coût, qui mesure l'erreur entre les prédictions du modèle et les valeurs réelles.

Explication de l'importance de minimiser la fonction coût pour améliorer la précision du modèle.

Présentation de la quatrième notion fondamentale : l'algorithme d'apprentissage, comme la descente de gradient, pour ajuster les paramètres du modèle.

Exemple d'un problème de régression pour illustrer les notions de modèle et de fonction coût.

Mention des problèmes de classification en machine learning et des notions similaires utilisées pour prédire si une cellule est cancéreuse ou non.

Résumé des quatre notions fondamentales : dataset, modèle, fonction coût et algorithme d'apprentissage.

Transcripts

dans cette vidéo je vais vous dévoiler

les quatre notions fondamentales de

l'apprentissage supervisé qui vous faut

absolument connaître et que pourtant la

grande majorité des gens ignorent

complètement

c'est parti dans la première vidéo on a

vu que le machine learning ça consiste à

donner à une machine la capacité

d'apprendre sans l'a programmée de façon

explicite

une des stratégies qu'on peut utiliser

c'est l'apprentissage supervisé qui

consiste à montrer à la machine des

exemples x y et à lui demander de

trouver l'association qui relie x ou y

en fait une association y égale f 2 x

ces exemples qu'on lui montre on a dit

qu'on les mettait dans un data 7

et c'est là notre première notion

fondamentale de l'apprentissage

superviser en apprentissage superviser

d'autres dates à 7 contient toujours

deux types de variables d'un côté en à

la target variable c'est notre objectif

c'est ce qu'on veut que la machine

apprennent à prédire par exemple prix

d'un appartement

le cours de la bourse identifier si un

email est un spam ou pain spam et de

l'autre côté on a les filles cheers

les facteurs ce qui viennent influencer

la valeur de y

on peut dire que y est une fonction de

toutes ces features y égale f 2 x 1 et

du 2 x 3 par exemple on peut dire x ans

et la surface d'un appartement il 2

c'est la qualité de l'appartement x3

c'est l'adresse postale etc etc alors

une chose que vous devez savoir c'est

que par convention en othe petit m

le nombre d'exemples qu'on a dans notre

data 7 c'est à dire le nombre de lignes

et on va aussi noté petit end le nom de

fischer qu'on a dans le data 7 c'est à

dire le nombre de colonnes hormis la

colonne y une autre convention qu'on a

en machine learning c'est que pour

désigner une cellule en particulier dans

notre date 7 par exemple cette cellule

eh bien on va noter le numéro de

l'exemple au dessus du xe et le numéro

de la feature en dessous par exemple

cette cellule c'est la cellule x-23 donc

c'est la troisième fille tueur

deuxième exemple qu'on a dans notre data

7 donc au final quand vous ferez du

machine learning vous verrez toujours

des dates à 7 qui ressemble à ça ou au

moment de les traduire en vecteur et en

figures et bien on aura un vecteur

target y qui sera un vecteur avec m

ligne c'est à dire m éléments et on aura

une matrice 6 am ligne et n colonnes non

plus une matrice m x n qui ressemblera à

ça et on va utiliser ces vecteurs et ses

matrices dans les prochaines vidéos vous

verrez ce sera extrêmement important en

machine learning la deuxième notions

fondamentales en sup vase learning c'est

la notion de modèle en effet à partir du

data 7 on peut visualiser un nuage de

points et on peut se dire bah on

pourrait créer un modèle un modèle par

exemple linéaire quelqu'un on aurait un

modèle f 2 x égal à x + b une simple

fonction affine telle qu'on la prend au

collège mais on pourrait se dire non un

modèle on dirait qu'un modèle

polynomiale ça rentre un petit peu mieux

dans notre nuage de points ok kaba on

aura un polynôme 2° d'eau ax carré plus

bas peut-être bx plus et on n'en sait

rien ou bien un polynôme de degré 3

auquel cas on aura b x cube

vous comprenez idée on a un modèle et ce

modèle il a ce qu'on appelle des

paramètres

ça ce sont les coefficients de notre

polynôme abcd autant de coefficient

qu'on a ça c'est ce qu'on appelle donc

les paramètres et c'est notre deuxième

notions fondamentales du super vague

learning le modèle et c'est le paramètre

il est important de préciser que c'est

nous qui décidons

quel modèle la machine doit utiliser et

vous verrez que c'est la machine qui

doit apprendre les paramètres de ce

modèle la troisième notions

fondamentales en superbike herning c'est

la notion de fonctions coup ce modèle

canton l'utilisent par rapport à notre

data 7 puis nous donne des erreurs en

effet si on considère par exemple cet

appartement qui avait une surface de

dire 150 m² et bien dans notre data 7 on

avait un point ici qui nous montre que

cet appartement valait peut-être

simplement deux cent mille euros

mais notre modèle étant une

généralisation de l'ensemble des points

qu'on a à disposition de la dette à 7

il prédit une valeur bien supérieure

il prédit une valeur de peut-être et

bien trois cent mille euros

eh bien on va dire qu'il ya une erreur

par rapport à cette donnée qu'on avait

dans le data 7 qui est y est notre

prédiction f 2 x et ses erreurs et cette

erreur et bien on peut la trouver sur

tous les points de notre e dataset quand

on les assemble toutes ensemble de ses

erreurs et on donne ce qu'on appelle la

fonction coup et c'est donc notre

troisième notions fondamentales en

apprentissage superviser allons droit au

but

avoir un bon modèle c'est avoir un

modèle qui nous donnent de petites

erreurs logiques et bien c'est là la 4e

notions fondamentales de l'apprentissage

superviser et peut-être une des notions

les plus importantes du machine learning

la notion d'algorithmes d'apprentissage

machine learning

on va développer une stratégie qui

cherche à trouver quels sont les

paramètres a b c d et c qui minimisent

la fonction coup c'est à dire qu'ils

minimisent l'ensemble de nos erreurs

pour minimiser cette fonction coup donc

on utilise un algorithme d'apprentissage

et il en existe beaucoup

un des plus connus c'est l'algorithme de

la descente de gradient ce que les

doubles et appelle grayden descent et on

verra dans les prochaines vidéos comment

l'utiliser bon là j'ai pu vous illustrer

ces quatre notion avec un exemple de

problèmes de régression mais

rappelez-vous en machine learning il

existe aussi les problèmes de

classification et bien on va exactement

retrouver les mêmes notions dans un

problème de classification par exemple

si vous cherchez à prédire si une

cellule est une cellule cancéreuse ou

non vous allez rassemblé 1 dataset de

cellules que vous avez pu observer

certaines seront des cellules

cancéreuses ou quelqu'un on dira que y

vaut en est d'autres secondes

non cancéreuses auquel cas on dira que y

vos héros puis vous regarderez comme ça

des données selon différents facteurs

peut être un premier facteur qui est la

taille de la cellule

un autre facteur qui est la taille du

noyau etc etc

et puis vous récolterez dénombre

associés à ces exemples vous donnerez un

modèle avec des paramètres que la

machine devra apprendre avec les

paramètres complètement random

complètement aléatoire au début ce

modèle il ira peut-être bon bah tout ce

qui est de ce côté là c'est du bleu et

tout ce qui est de ce côté là c'est du

rouge puis la machine verra qu'elle aura

une fonction coup un petit peu élevés

parce que elle aura mal classés deux

cellules

parmi les exemples qui a dans le data

cette algérie que ces deux cellules qui

sont censés être des cellules non

cancéreuse et qui ont été classés comme

des cellules cancéreuses sont une erreur

du coup elle modifiera un petit peu les

paramètres dans son modèle afin de

minimiser cette fonction coup et elle

trouvera un modèle qui ressemblera aux

suivante dans lequel ni ramon bas tout

ce qui est de ce côté c'est bleu tout ce

qu'ils seront de ce côté là celle rouge

et du coup elle aura appris à prédire si

une cellule est une cellule est une

cellule cancéreuse ou non

donc ce que vous devez bien retenir ce

sont des quatre notions fondamentales en

sup vague learning la notion de dataset

qui contient toujours deux types de

variables la target et les phishers la

notion de modèle que vous donnez à la

machine avec les paramètres que la

machine doit apprendre la notion de

fonctions cookies et l'ensemble des

erreurs entre les prédictions de votre

modèle et les vraies valeurs du data 7

et la notion d'algorithmes

d'apprentissage qui cherchent à

minimiser la fonction coup en trouvant

quels sont les meilleurs paramètres a b

c etc

en complément vous êtes libre ne

recevoir par email une copie de mon

livre à prendre le machine learning en

une semaine

pour cela tout ce que vous avez faire

cliquer sur le lien qui dans la

description

n'hésitez pas à vous abonner c'est le

meilleur moyen pour me soutenir et

m'encourager

c'est complètement gratuit à bientôt

pour une prochaine vidéo ciao

[Musique]

l'ati

oh

[Musique]