Conclusion des pages de base

Au cours de ces premières heures, vous avez acquis les bases nous permettant de vous présenter les algorithmes les plus utilisés en Apprentissage Automatique. Voici un bref rappel de ce qui a été fait :

Nous avons tout d’abord explicité l’idée sur laquelle s’appuie l’apprentissage automatique : Construire un programme capable d’apprendre à résoudre un problème à partir d’une base d’exemples. Nous avons également identifié les trois problèmes classiques de l’apprentissage automatique (Classification / Regression / Clustering).

Vous avez découvert quelques techniques simples (knn et techniques assimilées) permettant de résoudre ces tâches, afin de bien s’imprégner de la logique de la discipline.

Avant de se lancer sur des techniques plus complexes, il faut impérativement comprendre la notion d’apprentissage par optimisation, que vous avez découverte sous une forme simple avec une droite dont les paramètres se modifient de façon à réduire une fonction de coût (la probabilité d’erreur).

Ceci fait, vous avez découvert le principe de fonctionnement des réseaux de neurones feedforward denses appliqués à la classification, qui mettent en oeuvre toutes ces notions et qui constitue la base de toute la branche de l’apprentissage automatique nommée Deep Learning (qui n’est pas abordée dans ce cours au delà de ce que vous venez de voir).

Enfin une session de mise en pratique vous a montré, sous forme de tutoriel, comment mettre en oeuvre ces algorithmes en python en utilisant les librairies dédiées (scikit, tensorflow, …).

Avec ceci, nous pouvons envisager de voir l’ensemble des techniques historiques de l’apprentissage automatique, dans l’objectif de vous donner une culture suffisante dans le domaine pour choisir la ou les techniques les plus adaptées dans les applications que vous pourrez rencontrer dans votre vie.