Ecole Nationale de Statistique et d’Economie Appliquée
Machine Learning 1
ISE 2 A&B – ENSEA Abidjan
Raymond COULIBALY Moussa, ISE 2016
Plan du cours
Introduction La regression
I Définition, historique,
II Généralités, Modèle
linéaire, Régularisation
overview
Méthodes non
V supervisées
Kmeans, CAH
Méthodes La classification
IV ensemblistes
Généralités, Bagging,
III SVM, KNN, CART,
Performance
boosting
Travaux pratiques: Data Analysis, data viz, streamlit, feature engineering
Machine learning 1 – ISE 2
Introduction
01 Définition, historique, overview
Machine learning 1 – ISE 2
C’est quoi le ML ?
« L’apprentissage automatique (en anglais : machine learning), apprentissage artificiel ou apprentissage
statistique est un champ d’etude de l’intelligence artificielle qui se fonde sur des approches mathématiques et
statistiques pour donner aux ordinateurs la capacité d’apprendre à partir de donnée [Et à se comporter comme
un humain] » Wikipedia
« Explores way of estimating functional dependency from a given collection of data » Vapnik, 2000
« Vast set of tools for modelling and understanding complex data » James & al, 2015
Machine learning 1 – ISE 2
Pourquoi ce cours ?
• Montée de la production de données avec le numérique et le big data
• Puissance de calcul améliorée (Systèmes distribués, Cloud computing)
• Effet de mode : IA gen et les GPT
• « Déphasage » progressif des approches statistiques classiques
=> (Objectif) Comprendre les aspects théoriques et pratiques des algorithmes machine learning de
reférence
Machine learning 1 – ISE 2
Autour des métiers de la data : Positionnement du ML dans l’environnement de la data
Data scientist Data analyst
Extraire des insights à partir des Analyser les données pour fournir des
données grâce à des analyses rapports et des insights décisionnels
statistiques, des modèles prédictifs et
du machine learning
Data engineer
Data Data steward
Développer des pipelines de specialists Assurer la qualité et la conformité
données robustes et optimiser le des données au sein d’une
flux entre les différentes sources de organisation
données
Data architect Data visualizer
Concevoir l'architecture globale du Créer des visualisations esthétiques,
système de gestion de données d'une mais aussi raconter des histoires
organisation. pertinentes à partir des données
Autre: DPO, ML engineer, Business analyst, BI analyst, data evangelist
Machine learning 1 – ISE 2
Autour des métiers de la data : Positionnement du ML dans l’environnement de la data
Machine learning 1 – ISE 2
Bref historique
Test de turing, perceptron Investissements orientés Avènement du numérique et du big
de Rosenblatt (1957) vers l’informatique data avec les GAFAM
OCI IA
C’est quoi l’IA et c’est quoi l’IA générative ?
Intelligence Artificielle
Ensemble de techniques donnant la capacité
aux ordinateurs de simuler le comportement
humain, en apprenant, reconnaissant des
structures, prenant des décisions.
Systèmes NLP
experts
Machine learning
Ensemble d’algorithmes avancés permettant Logique
aux ordinateurs d'apprendre à partir de
données sans être explicitement programmés. Xgboost RF
ARMA
K-means CNN
Deep learning
Ensemble d’algorithmes ML basés sur les RNN
réseaux de neurones qui s’inspirent du ANN
fonctionnement du cerveau humain. Utilisés
pour l’analyse de textes, audio, vidéos, images.
GPT DALL-E
GenAI
Modèles de DL entrainés sur les Pétaoctet de Imagen
données avec des million de paramètre, et qui MusicLM
permettent de générer de nouveaux contenus
audio, texte, vidéo, image.
10
Orange Restricted
Machine learning 1 – ISE 2
Etat de l’art, sans être exhaustif…
Machine learning 1 – ISE 2
ML vs la Statistique « classique »
Statistique classique Machine learning
• Explication/Explicabilité de théories • Objectif >> Prédire
• Notion de modèle • Notion d’algorithme de prévision
• Retrouver des lois de probabilité • Calibrage/tuning de paramètres
• Décisions prises sur la base de tests stat/intervalle • Décision sur la base de l’erreur de prévision
de confiance
=> Recherche de complexité minimal : interpretable ! => Complixité importe peu: Juste prédire
Plus value/Idéal: Combiner les deux approches
Machine learning 1 – ISE 2
Quelques applications du ML
• Sentiment analysis
• Systèmes de recommandation de produits
• Reconnaissance de caractères/Objets
• Chatbots
• Détection de Spam
• Détection de transactions frauduleuses
Machine learning 1 – ISE 2
Etapes de vie d’un projet ML
Collecte data Préprocessing/Analyse Train Validation du modèle Déploiement
Récupération des Feature engineering, Split, Choix du modèle, Cross validation, Mise en production,
données necessaires Statistiques descriptives, Entrainement du modèle, Comparaison des modèles, monitoring de la
(NoSQL, SQL, fichiers). data mining, EDA, baseline choix du modèle final, ré- performance,
valeurs manquantes, estimation avec les visualization/restitution
atypiques paramètres optimaux
Machine learning 1 – ISE 2
Travaux de groupe – Evaluation du cours
Tâches :
• Collecter les données
• Identifier la problématique métier
• Réaliser une analyse descriptive des données
• Interpréter les résultats de l’analyse au regard de la problématique
• Diviser les données en train/Test
• Faire un traitement des données/Feature engineering en vue du modèle
• Entrainer plusieurs modèles et choisir le modèle optimal vs le test set
• Construire un dashboard interactif pour la restitution des résultats
Machine learning 1 – ISE 2
Installer Python