Scribd
Importer
0 vues2 pages

Machine Learning Guide

Ce guide pratique sur le machine learning présente les trois types d'apprentissage : supervisé, non supervisé et par renforcement, ainsi que des algorithmes associés et leurs avantages et limites. Il inclut également un exemple de pipeline ML en Python utilisant scikit-learn et décrit diverses métriques d'évaluation pour mesurer la performance des modèles. Enfin, il souligne l'importance de la préparation des données dans le processus de machine learning.

Transféré par

dylanelokossousoton
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
0 vues2 pages

Machine Learning Guide

Ce guide pratique sur le machine learning présente les trois types d'apprentissage : supervisé, non supervisé et par renforcement, ainsi que des algorithmes associés et leurs avantages et limites. Il inclut également un exemple de pipeline ML en Python utilisant scikit-learn et décrit diverses métriques d'évaluation pour mesurer la performance des modèles. Enfin, il souligne l'importance de la préparation des données dans le processus de machine learning.

Transféré par

dylanelokossousoton
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

MACHINE LEARNING · GUIDE PRATIQUE 1/2

Machine Learning
Supervisé, non-supervisé, modèles et évaluation — les fondamentaux

Les 3 types d'apprentissage

Type Principe Exemples d'algorithmes

Apprend depuis des données étiquetées (X → Y


Supervisé Régression, SVM, Random Forest
connu)

Trouve des structures dans des données sans


Non supervisé K-Means, PCA, DBSCAN
étiquettes

Agent apprend via récompenses/pénalités dans


Par renforcement Q-Learning, PPO, AlphaGo
un environnement

Algorithmes supervisés — comparaison

Algorithme Type de tâche Avantage Limite

Régression linéaire Régression Simple, interprétable Relations non-linéaires

Régression logistique Classification Rapide, probabilités Frontière linéaire

Decision Tree Les deux Interprétable Sur-apprentissage

Random Forest Les deux Robuste, précis Lent à entraîner

Lent sur grandes


SVM Classification Haute dimension
données

Réseau de neurones Les deux Très puissant Boîte noire, données++

Document éducatif · MACHINE LEARNING · GUIDE PRATIQUE © 2025


MACHINE LEARNING · GUIDE PRATIQUE 2/2

Pipeline ML type en Python (scikit-learn)


from sklearn.model_selection import train_test_split

from [Link] import RandomForestClassifier

from [Link] import accuracy_score

import pandas as pd

# 1. Charger les données

df = pd.read_csv('[Link]')

X, y = [Link]('cible', axis=1), df['cible']

# 2. Séparer train/test

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 3. Entraîner

model = RandomForestClassifier(n_estimators=100)

[Link](X_train, y_train)

# 4. Évaluer

predictions = [Link](X_test)

print('Accuracy:', accuracy_score(y_test, predictions))

Métriques d'évaluation

Métrique Formule simplifiée Quand l'utiliser

Accuracy Bons / Total Classes équilibrées

Precision Vrais+ / (Vrais+ + Faux+) Coût des fausses alarmes élevé

Recall Vrais+ / (Vrais+ + Faux-) Coût des ratés élevé (médecine)

Moyenne harmonique
F1-Score Classes déséquilibrées
Precision/Recall

RMSE Racine de l'erreur quadratique Tâches de régression

À retenir : le ML n'est pas de la magie — c'est de l'optimisation mathématique sur des données. 80% du
travail est dans la préparation des données (data cleaning). Un bon dataset + un modèle simple > un
modèle complexe + données médiocres.

Document éducatif · MACHINE LEARNING · GUIDE PRATIQUE © 2025

Vous aimerez peut-être aussi