Dispensé par MWAMBA KASONGO Dahouda
Docteur en génie logiciel et systèmes d'information
Machine and Deep Learning Engineer
Assisté par Ass. Daniel MBAYA
E-mail : dahouda37@[Link]
Tel.: +243 99 66 55 265
Heure : 13H00 – 17H00
Machine Learning
PLAN DU COURS
Features (Caractéristiques), Label (étiquettes) et Dataset (ensembles de données)
Catégorielles, Numériques, Textuelles, Images
- Qu'est-ce qu'un algorithme ?
- Les algorithms de Machine Learning
Cours-ML-Dahouda M., Ph.D.
CHAPITRE 2 Concepts clés sur
l'apprentissage automatique
[Machine Learning]
Cours-ML-Dahouda M., Ph.D.
TD
1. Expliquez le 3 type de machine Learning
2. Donnez la difference entre la classification et la regression
3. Donnez les etapes de cycle de vie de machine Learning
4. Expliquez et donnez un exemple de variables independentes
5. Expliquez et donnez un exemple de variables dependente
Cours-ML-Dahouda M., Ph.D.
Machine Learning
PLAN DU COURS
Features (Caractéristiques), Label (étiquettes) et Dataset (ensembles de données)
Catégorielles, Numériques, Textuelles, Images, audio
- Qu'est-ce qu'un algorithme ?
- Les algorithms de Machine Learning
Cours-ML-Dahouda M., Ph.D.
Machine Learning
CHAPITRE 2 CONCEPTS CLES SUR MACHINE LEARNING
Ensemble de données [Dataset] : est un ensemble de données organisées de manière structurée ou non structurée.
Les ensembles de données peuvent se présenter sous différents formats et peuvent contenir différents types de données, tels que du texte,
des nombres, des images, des vidéos ou de l'audio. Example d’une Dataset: [Link]
Categorical Variables
Numerical Variables
Cours-ML-Dahouda M., Ph.D.
Machine Learning
CHAPITRE 2 CONCEPTS CLES SUR MACHINE LEARNING
Modèle [Model] : un modèle est un algorithme de ML.
Fonctionnalité [Feature] : une caractéristique est une propriété individuelle mesurable de nos données.
Un ensemble de caractéristiques numériques peut être décrit de manière pratique par un vecteur de caractéristiques.
Par exemple, pour prédire un fruit, il peut y avoir des caractéristiques comme la couleur, l'odeur, le goût, etc.
Cible ou étiquette [Target ou Label] : une variable cible ou une étiquette est la valeur à prédire par notre modèle.
Pour l'exemple de fruit abordé dans la section sur les fonctionnalités, l'étiquette de chaque ensemble d'entrées
serait le nom du fruit comme la pomme, l'orange, la banane, etc.
Cours-ML-Dahouda M., Ph.D.
Machine Learning
CHAPITRE 2 CONCEPTS CLES SUR MACHINE LEARNING
Entraînement [Training] : l'idée est de fournir un ensemble d'entrées (caractéristiques) et ses sorties attendues
(étiquettes), de sorte qu'après l’entraînement, nous aurons un modèle qui mappera ensuite les nouvelles
données à l'une des catégories sur lesquelles l'entraînement a été effectué.
Prédiction : une fois que notre modèle est prêt, il peut être alimenté par un ensemble d'entrées auxquelles
il fournira une sortie prédite (étiquette).
Mais assurez-vous que si la machine fonctionne bien sur des données invisibles (Test data), alors seulement nous
pouvons dire que le modèle fonctionne bien.
Cours-ML-Dahouda M., Ph.D.
Machine Learning
CHAPITRE 2 CONCEPTS CLES SUR MACHINE LEARNING
1. Ensemble de données tabulaires : organisé en lignes et en colonnes.
Couramment utilisé dans les affaires, les soins de santé et la finance (par exemple, les feuilles de calcul).
Variables numériques
Cours-ML-Dahouda M., Ph.D.
Machine Learning
CHAPITRE 2 CONCEPTS CLES SUR MACHINE LEARNING
1. Ensemble de données tabulaires : organisé en lignes et en colonnes.
Couramment utilisé dans les affaires, les soins de santé et la finance (par exemple, les feuilles de calcul).
Variables numériques et catégorielles
Cours-ML-Dahouda M., Ph.D.
Machine Learning
CHAPITRE 2 CONCEPTS CLES SUR MACHINE LEARNING
2. Ensemble de données d'images : Contient des images, souvent utilisées dans les tâches de vision par ordinateur (MNIST, CIFAR-10).
Cours-ML-Dahouda M., Ph.D.
Machine Learning
CHAPITRE 2 CONCEPTS CLES SUR MACHINE LEARNING
3. Ensemble de données textuelles : contient des données textuelles pour le traitement du langage naturel (par
exemple, l'analyse des sentiments, la traduction linguistique).
L'ensemble de données IMDB contient 50 000 critiques de films
étiquetées comme des sentiments « positifs » ou « négatifs ».
L'analyse des sentiments est une tâche cruciale de traitement
du langage naturel (NLP) qui consiste à déterminer le sentiment
ou l'émotion exprimé dans un texte.
Cours-ML-Dahouda M., Ph.D.
Machine Learning
CHAPITRE 2 CONCEPTS CLES SUR MACHINE LEARNING
4. Ensemble de données audio : contient des données sonores ou vocales (par exemple, utilisées pour des tâches de reconnaissance vocale).
Urban Sound 8k Dataset
L'ensemble de données Urban Sound 8k. L'ensemble de données contie
nt 8732 fichiers sonores de 10 classes différentes et est répertorié ci-des
sous : 1. Air Conditioner, 2. Car Horn, 3. Children Playing, 4. Dog Bark, 5.
Drilling Machine, 6. Engine Idling, 7. Gun Shot, 8. Jackhammer, [Link],
Military Audio Dataset 10. Street Music
Un ensemble de données audio militaires pour la
connaissance de la situation et la surveillance Cours-ML-Dahouda M., Ph.D.
Machine Learning
CHAPITRE 2 CONCEPTS CLES SUR MACHINE LEARNING
5. Ensemble de données de séries chronologiques : Points de données indexés dans le temps, utilisés dans les prévisions ou
les analyses de tendances (par exemple, cours des actions, données météorologiques).
ETT (Electricity Transformer Temperature) Dataset
Cours-ML-Dahouda M., Ph.D.
Machine Learning
CHAPITRE 2 CONCEPTS CLES SUR MACHINE LEARNING
Les algorithmes d'apprentissage automatique sont des techniques utilisés pour créer des systèmes capables d'apprendre à partir de
données et de faire des prédictions ou de prendre des décisions sans être explicitement programmés.
2.3.1. Algorithmes d'apprentissage supervisé
Dans l'apprentissage supervisé, l'algorithme est formé sur des données étiquetées (où l'entrée et la sortie correspondante sont connues).
L'objectif est d'apprendre une correspondance entre les entrées et les sorties.
1. Régression linéaire [Linear Regression]
Objectif : Prédire des valeurs continues (par exemple, les prix des maisons).
Description : Modélise la relation entre les caractéristiques d'entrée (variables indépendantes) et une sortie continue (variable
dépendante) en ajustant une ligne droite aux données.
2. Régression logistique [Logistic Regression]
Objectif : Problèmes de classification binaire (par exemple, détection de spam)
Description : Similaire à la régression linéaire, mais utilisée pour prédire les résultats catégoriels.
Elle génère des probabilités à l'aide d'une fonction logistique.
Cours-ML-Dahouda M., Ph.D.
Machine Learning
CHAPITRE 2 CONCEPTS CLES SUR MACHINE LEARNING
2.3.1. Algorithmes d'apprentissage supervisé
3. Arbres de décision [Decision Trees]
Objectif : Classification et régression.
Description : Modèle de décisions de type arborescence, où les nœuds internes représentent des tests sur des caractéristiques,
les branches représentent les résultats de ces tests et les nœuds feuilles représentent le résultat prédit.
4. Random Forest
Objectif : Classification et régression.
Description : Ensemble d'arbres de décision dans lesquels plusieurs arbres sont construits sur des sous-ensembles aléatoires de données
et de caractéristiques. La prédiction finale est basée sur le vote majoritaire (classification) ou la moyenne (régression) de tous les arbres.
5. Support Vector Machines (SVM)
Objectif : Classification et régression.
Description : Recherche l'hyperplan optimal qui sépare au maximum les données en différentes classes.
Il fonctionne bien pour les ensembles de données de grande dimension.
Cours-ML-Dahouda M., Ph.D.
Machine Learning
CHAPITRE 2 CONCEPTS CLES SUR MACHINE LEARNING
2.3.1. Algorithmes d'apprentissage supervisé
6. K-Nearest Neighbors (k-NN)
Objectif : Classification et régression.
Description : Algorithme non paramétrique dans lequel la prédiction est faite sur la base de la classe majoritaire ou de la moyenne des
« k » points les plus proches dans l'espace des caractéristiques.
7. Naive Bayes
Objectif : Classification (par exemple, classification de texte, filtrage du spam)
Description : Un classificateur probabiliste basé sur le théorème de Bayes, supposant que les caractéristiques sont indépendantes
les unes des autres (ce qui est une hypothèse « naïve », d'où son nom).
Cours-ML-Dahouda M., Ph.D.
Machine Learning
CHAPITRE 2 CONCEPTS CLES SUR MACHINE LEARNING
2.3.2. Algorithmes d'apprentissage non supervisé
Dans l'apprentissage non supervisé, l'algorithme travaille avec des données non étiquetées et essaie de trouver des modèles
ou des structures cachés en leur sein.
1. Clustering k-Means [K-Means Clustering]
Objectif : Clustering (regroupement de points de données similaires).
Description : Partitionne les données en « k » clusters où chaque point de données appartient au cluster avec le centroïde le plus proche
(moyenne).
2. Clustering hiérarchique [Hierarchical Clustering]
Objectif : Clustering.
Description : Construit une hiérarchie de clusters en fusionnant ou en divisant de manière répétée des clusters.
Le résultat est un arbre de clusters.
3. Analyse en composantes principales [Principal Component Analysis (PCA)]
Objectif : Réduction de la dimensionnalité.
Description : Transforme les données de grande dimension en un espace de dimension inférieure tout en conservant autant de variance
que possible. Souvent utilisé pour la visualisation des données ou la réduction du bruit.
Cours-ML-Dahouda M., Ph.D.
Machine Learning
CHAPITRE 2 CONCEPTS CLES SUR MACHINE LEARNING
2.3.3. Algorithmes d'apprentissage semi-supervisé
Dans l’apprentissage semi-supervisé, l’algorithme utilise une petite quantité de données étiquetées et une grande quantité de données non
étiquetées.
1. Algorithmes d’auto-apprentissage [Self-training Algorithms]
Dans ces méthodes, le modèle est d’abord formé sur les données étiquetées, puis étiquette de manière itérative les données non étiquetées
pour améliorer les performances du modèle.
2.3.4. Algorithmes d'apprentissage par renforcement
L'apprentissage par renforcement consiste à apprendre en interagissant avec un environnement, où l'agent apprend à prendre des mesures
pour maximiser les récompenses cumulatives.
1. Q-Learning
Objectif : Apprendre des politiques optimales pour les problèmes de prise de décision séquentielle.
Description : Un algorithme basé sur la valeur où l'agent apprend la valeur de chaque action dans un état donné en maximisant
les récompenses futures.
Cours-ML-Dahouda M., Ph.D.
Machine Learning
CHAPITRE 2 CONCEPTS CLES SUR MACHINE LEARNING
2.3.4. Algorithmes d'apprentissage par renforcement
2. Deep Q-Networks (DQN)
Objectif : Version avancée de Q-Learning qui fonctionne bien pour les environnements complexes.
Description : Combine le Q-learning avec l'apprentissage profond[Deep Learning] en utilisant des réseaux neuronaux pour estimer
les valeurs Q, souvent utilisées dans les jeux vidéo ou la robotique.
3. Méthodes de gradient de politique [Policy Gradient Methods]
Objectif : Apprendre directement la politique au lieu de la fonction de valeur.
Description : L'agent apprend la distribution de probabilité des actions plutôt que d'estimer la valeur des actions.
Couramment utilisé dans les espaces d'action continue.
Cours-ML-Dahouda M., Ph.D.
Machine Learning
CHAPITRE 2 CONCEPTS CLES SUR MACHINE LEARNING
2.3.5. Algorithmes d'apprentissage d’ensemble [Ensemble Learning Algorithms]
L'apprentissage d'ensemble consiste à combiner plusieurs modèles d'apprentissage automatique pour améliorer les performances globales.
1. Bagging
Objectif : Réduire la variance et éviter le surajustement (Overfitting).
Description : Plusieurs modèles (par exemple, des arbres de décision) sont formés sur différents sous-ensembles de données, et leurs
prédictions sont combinées (par exemple, par vote majoritaire ou par moyenne) pour améliorer les performances.
2. Boosting
Objectif : Réduire les biais et améliorer la précision.
Description : Les apprenants faibles (modèles qui fonctionnent légèrement mieux que les devinettes aléatoires) sont formés séquentielle
ment, chaque nouveau modèle se concentrant sur la correction des erreurs des modèles précédents.
Exemples : AdaBoost, Gradient Boosting Machines (GBM), XGBoost.
3. Stacking
Objectif : Combiner les points forts de différents modèles.
Description : Plusieurs modèles sont entrainés, et leurs prédictions sont utilisées comme entrées dans un méta-modèle de niveau
supérieur, qui apprend à combiner les prédictions.
Cours-ML-Dahouda M., Ph.D.
Machine Learning
CHAPITRE 2 CONCEPTS CLES SUR MACHINE LEARNING
2.3.6. Résumé des algorithmes par catégorie
Catégorie Algorithmes
Apprentissage supervisé Linear Regression, Logistic Regression, SVM, k-NN, Random Forest, Decision Trees,
Naïve Bayes
Apprentissage non supervisé k-Means, Hierarchical Clustering, PCA
Apprentissage semi-supervisé Q-Learning, DQN, Policy Gradients
Apprentissage d’ensemble Bagging, AdaBoost, XGBoost, Stacking
Cours-ML-Dahouda M., Ph.D.
Machine Learning
CHAPITRE 2 CONCEPTS CLES SUR MACHINE LEARNING
2.4.1. Régression linéaire simple [Simple Linear Regression]
La prédiction d'une réponse à l'aide d'une ou de plusieurs caractéristiques est une méthode de prédiction de la variable dépendante (Y)
en fonction des valeurs des variables indépendantes (X).
On suppose que les deux variables sont linéairement liées. Par conséquent, nous essayons de trouver une fonction linéaire qui prédit la
réponse en fonction de la caractéristique ou de la variable indépendante (x).
Les équations mathématique qui décrivent une régression linéaire simple et régression linéaire multiple sont présentée dans les équation
suivante:
Cours-ML-Dahouda M., Ph.D.
Machine Learning
CHAPITRE 2 CONCEPTS CLES SUR MACHINE LEARNING
2.4.1. Régression linéaire multiple [Multiple Linear Regression]
L'équation mathématique qui décrit une régression linéaire multiple est présentée dans l'équation suivante:
Dans cette équation :
y est la valeur prédite ou variable dépendante
x est les caractéristiques ou variable indépendante
α est le biais :
C'est une valeur ajoutée à la combinaison linéaire des entrées pondérées
pour ajuster l'activation du neurone.
β est le poids de chaque caractéristique
Cours-ML-Dahouda M., Ph.D.
Machine Learning
CHAPITRE 2 CONCEPTS CLES SUR MACHINE LEARNING
2.4.1. Régression linéaire multiple [Multiple Linear Regression]
Remarque importante !
Il existe plusieurs hypothèses importantes pour effectuer une analyse de régression.
Certaines des hypothèses que vous devez confirmer sont les suivantes :
Linéarité : la relation entre la variable dépendante et la variable indépendante doit être linéaire. Autrement dit, chaque changement
d'unité dans la valeur de la variable indépendante entraîne le même changement dans la variable dépendante.
Relation entre les variables : linéaire (corrélation positive), linéaire (corrélation négative), relation non linéaire
Cours-ML-Dahouda M., Ph.D.
Machine Learning
CHAPITRE 2 CONCEPTS CLES SUR MACHINE LEARNING
2.4.1. Régression linéaire simple [Simple Linear Regression]
L'équation mathématique qui décrit une régression linéaire simple est présentée dans l'équation (1).
: Prédiction du pourcentage de notes qu'un étudiant devrait obtenir en fonction du nombre d'heures qu'il a étudiées
Formulation du probleme : Dataset
Cours-ML-Dahouda M., Ph.D.
Machine Learning
CHAPITRE 2 CONCEPTS CLES SUR MACHINE LEARNING
2.4.1. Régression linéaire simple [Simple Linear Regression]
: Prédiction du pourcentage de notes qu'un étudiant devrait obtenir en fonction du nombre d'heures qu'il a étudiées
Nous allons suivre les étapes de prétraitement des données, puis construire le modèle de régression linéaire simple.
Les étapes sont les suivantes :
1. Importer les bibliothèques
Nous importons trois bibliothèques essentielles en Python qui sont couramment utilisées pour l'analyse, la manipulation et la visualisation
des données.
Nous connaissons déjà numpy et pandas. À la ligne 3, nous importons la bibliothèque matplotlib, qui est une bibliothèque de traçage pour
le langage de programmation Python.
Cours-ML-Dahouda M., Ph.D.
Machine Learning
CHAPITRE 2 CONCEPTS CLES SUR MACHINE LEARNING
2.4.1. Régression linéaire simple [Simple Linear Regression]
: Prédiction du pourcentage de notes qu'un étudiant devrait obtenir en fonction du nombre d'heures qu'il a étudiées
pd.read_csv : cette fonction lit un fichier CSV (comma-separated values ) dans un DataFrame.
"../Data/[Link]" : le chemin d'accès au fichier CSV. Le chemin relatif ../Data/ signifie que le fichier se
trouve dans le répertoire Data, un niveau au-dessus du répertoire de travail actuel.
[Link](5) : cette méthode renvoie les cinq premières lignes du DataFrame. Si vous omettez l'argument,
les cinq premières lignes sont affichées par défaut.
Cours-ML-Dahouda M., Ph.D.
Machine Learning
CHAPITRE 2 CONCEPTS CLES SUR MACHINE LEARNING
2.4.1. Régression linéaire simple [Simple Linear Regression]
: Prédiction du pourcentage de notes qu'un étudiant devrait obtenir en fonction du nombre d'heures qu'il a étudiées
3. Vérifier les données manquantes
La méthode [Link]().sum() permet d'identifier et de compter le nombre de valeurs manquantes da
ns chaque colonne de notre DataFrame.
[Link]() : Cette méthode renvoie un DataFrame de la même forme qu'une dataset, mais des valeur
s
booléennes : True lorsque les éléments du DataFrame d'origine sont NaN (manquants) et False dans le
cas contraire.
sum() : Lorsqu'elle est appliquée au DataFrame renvoyé par isnull(), cette méthode compte le nombre de
valeurs True dans chaque colonne. Essentiellement, elle additionne le nombre de valeurs manquantes
pour chaque colonne du DataFrame.
Cours-ML-Dahouda M., Ph.D.
Machine Learning
CHAPITRE 2 CONCEPTS CLES SUR MACHINE LEARNING
2.4.1. Régression linéaire simple [Simple Linear Regression]
: Prédiction du pourcentage de notes qu'un étudiant devrait obtenir en fonction du nombre d'heures qu'il a étudiées
4. Diviser l'ensemble de données
Avant de diviser l’ensemble de données, nous devons séparer les variable indépendantes (Feature: X) et la variable dépendante (Target: y).
[Link][:, :-1]: Ceci sélectionne toutes les colonnes de la dataset sauf la dernière (c'est-à-dire toutes les
colonnes de Features : X).
.values: Convertit les colonnes sélectionnées (généralement au format DataFrame) en un tableau NumPy.
[Link][:, -1]: Ceci sélectionne la dernière colonne de la dataset (qui est souvent la colonne cible ou
d'étiquette : y).
Cours-ML-Dahouda M., Ph.D.
Machine Learning
CHAPITRE 2 CONCEPTS CLES SUR MACHINE LEARNING
2.4.1. Régression linéaire simple [Simple Linear Regression]
: Prédiction du pourcentage de notes qu'un étudiant devrait obtenir en fonction du nombre d'heures qu'il a étudiées
4. Diviser l'ensemble de données
X : l'ensemble de fonctionnalités (données d'entrée).
y : les étiquettes cibles (données de sortie).
train_test_split : une fonction qui divise les tableaux ou les matrices en sous-ensembles aléatoires d'entraînement et de test.
test_size=0.2 : cela signifie que 20 % des données seront utilisées pour les tests et 80 % pour l'entraînement.
random_state=0 : garantit que la division est reproductible. La même valeur random_state produira toujours la même division.
X_train, X_test : il s'agit des sous-ensembles de l'ensemble de fonctionnalités pour l'entraînement et les tests, respectivement.
y_train, y_test : il s'agit des sous-ensembles correspondants des étiquettes cibles pour l'entraînement et les tests, respectivement.
Cours-ML-Dahouda M., Ph.D.
Machine Learning
CHAPITRE 2 CONCEPTS CLES SUR MACHINE LEARNING
2.4.1. Régression linéaire simple [Simple Linear Regression]
: Prédiction du pourcentage de notes qu'un étudiant devrait obtenir en fonction du nombre d'heures qu'il a étudiées
5. Ajustement du modèle de régression linéaire simple aux données d'entraînement
from sklearn.linear_model import LinearRegression : Ceci importe la classe LinearRegression du module
sklearn.linear_model.
Cette classe est utilisée pour effectuer une régression linéaire, qui est une méthode pour modéliser la relation
entre une variable dépendante et une ou plusieurs variables indépendantes.
LinearRegression() : Cela crée une instance de la classe LinearRegression, initialisant un nouveau modèle de
régression linéaire.
simple_linear_regression : Il s'agit de la variable qui stocke l'instance du modèle de régression linéaire.
Cours-ML-Dahouda M., Ph.D.
Machine Learning
CHAPITRE 2 CONCEPTS CLES SUR MACHINE LEARNING
2.4.1. Régression linéaire simple [Simple Linear Regression]
: Prédiction du pourcentage de notes qu'un étudiant devrait obtenir en fonction du nombre d'heures qu'il a étudiées
5. Ajustement du modèle de régression linéaire simple aux données d'entraînement
simple_linear_regression.fit(X_train, y_train) : Cette méthode entraîne le modèle de régression linéaire à
l'aide des données d'entraînement. Elle trouve la ligne la mieux ajustée qui minimise l'erreur quadratique
moyenne entre les valeurs prédites et les valeurs réelles dans les données d'entraînement.
X_train : Les données d'entraînement pour les caractéristiques (variables indépendantes).
y_train : Les données d'entraînement pour la variable cible (variable dépendante).
La méthode d'ajustement ajuste les paramètres du modèle (coefficients) en fonction des données d'entraînement.
Cours-ML-Dahouda M., Ph.D.
Cours-ML-Dahouda M., Ph.D.
Machine Learning
CHAPITRE 2 CONCEPTS CLES SUR MACHINE LEARNING
2.4.1. Régression linéaire simple [Simple Linear Regression]
: Prédiction du pourcentage de notes qu'un étudiant devrait obtenir en fonction du nombre d'heures qu'il a étudiées.
5. Prédire les résultats
Le code y_pred = simple_linear_regression.predict(X_test) est utilisé pour faire des prédictions sur les données
de test en utilisant le modèle de régression linéaire entrainé.
simple_linear_regression.predict(X_test) : Cette méthode utilise le modèle de régression linéaire formé
(stocké dans simple_linear_regression) pour prédire les valeurs cibles des données de test (X_test).
y_pred : Les valeurs prédites sont stockées dans la variable y_pred.
Cours-ML-Dahouda M., Ph.D.
Machine Learning
CHAPITRE 2 CONCEPTS CLES SUR MACHINE LEARNING
2.4.1. Régression linéaire simple [Simple Linear Regression]
: Prédiction du pourcentage de notes qu'un étudiant devrait obtenir en fonction du nombre d'heures qu'il a étudiées.
5. Visualisation des résultats d’entraînement
Nous avons créé un scatter des points de données d'entraînement ainsi que la ligne de régression prédite par le modèle de régression
linéaire entraîné. Expliquons maintenant chaque ligne de codes :
[Link](X_train, y_train, color='red') : cette ligne crée un nuage de points des données d'entraînement.
X_train : les valeurs caractéristiques (par exemple, les heures d'étude).
y_train : les valeurs cibles correspondantes (par exemple, les scores).
color='red' : définit la couleur des points de données en rouge.
[Link](X_train, simple_linear_regression.predict(X_train), color='blue') : cette ligne trace la ligne de régression prédite par le
modèle de régression linéaire entraîné.
simple_linear_regression.predict(X_train) : valeurs cibles prédites à l'aide du modèle de régression linéaire.
Cours-ML-Dahouda M., Ph.D.
Machine Learning
CHAPITRE 2 CONCEPTS CLES SUR MACHINE LEARNING
2.4.1. Régression linéaire simple [Simple Linear Regression]
: Prédiction du pourcentage de notes qu'un étudiant devrait obtenir en fonction du nombre d'heures qu'il a étudiées.
5. Visualisation des résultats d’entraînement
6. Visualisation des résultats de test
color='blue' : Définit la couleur de la ligne de régression en bleu.
[Link]('Score Vs Hours (Training set)') : Définit le titre du graphique.
[Link]("Score") : Définit l'étiquette de l'axe des x.
[Link]('Hours') : Définit l'étiquette de l'axe des y.
[Link]() : Affiche le tracé avec les fonctionnalités spécifiées, la ligne
de régression, le titre et les étiquettes.
Cours-ML-Dahouda M., Ph.D.
1. Système de détection et de comptage de véhicules lourds et légers dans un site
minier
2. Système de reconnaissance faciale pour les agents miniers pour la surveillance
et l'amélioration de la sécurité dans un site minier : contrôle d'accès et reconnai
ssance faciale
3. Détection de présence humaine dans les zones interdites dans un site minier avec
la vision par ordinateur
4. Détection de la somnolence du conducteur au volant pour les véhicules lourds et
légers avec l'intelligence artificielle
Cours-ML-Dahouda M., Ph.D.
5. Détection d'anomalies dans les équipements industriels avec apprentissage
profond pour la maintenance préventive materiels
6. Détection et reconnaissance d'équipements de protection individuelle dans
l'exploitation minière avec l'intelligence artificielle : Détection d'équipements
de sécurité
7. Système de détection de plaques d'immatriculation pour véhicules lourds et légers
dans un environnement minier
Cours-ML-Dahouda M., Ph.D.