CHAPITRE VI Application du Machine Learning pour l’étude du franchissement
91
VI.1. Introduction
Machine Learning (ML) ou apprentissage automatique est un domaine de l’intelligence artificielle
(IA) qui permet aux machines d’effectuer des taches sans être programmée explicitement. Il vise
à construire des modèles qui fait résoudre les problèmes par le traitement de données. Cela permet
de définir les corrélations existantes entre les données pour prédire leurs implications.
L’apprentissage automatique comporte plusieurs étapes, qui se présente comme ceci :
• Comprendre le problème
• Acquérir les données
• Traiter et nettoyer les données
• Choisir des algorithmes adaptés au problème
• Optimiser les algorithmes : (Trouver les hyperparamètres optimaux des algorithmes)
• Tester : (Faire prédire sur un jeu de données indépendant des données d’apprentissage pour
déterminer si l’algorithme est efficace)
• Déployer l’algorithme
• Création du model.
VI.2. Machine Learning
VI.2.1. Méthodes d’apprentissage
Machine Learning comporte deux types principaux d’apprentissage.
VI.2.1.1 Apprentissage supervisé
L’apprentissage supervise utilise des valeurs ou des classes déjà déterminées qui seront mis dans
un système de classement en se basant sur des observations déjà enregistrer. Le but est d’apprendre
au model à ce qu’il donne aux nouvelles observations les classe qui lui convient.
VI.2.1.2 Apprentissage non-supervisé
Dans ce mode de fonctionnement du machine Learning, il n’est pas question de s’appuyer sur des
éléments prédéfinis, et la tâche de procéder à la catégorisation des données revient à la machine.
Pour ce faire, le système va croiser les informations qui lui sont soumises, de manière à pouvoir
rassembler dans une même classe les éléments présentant certaines similitudes. Ainsi, en fonction
du but recherché, il reviendra à l’opérateur ou au chercheur de les analyser afin d’en déduire les
différentes hypothèses.
La différence entre ces deux principes de fonctionnement réside dans le fait que l’apprentissage
supervisé peut être influencé à priori au moment de l’étiquetage des données. Par ailleurs, il faut
noter que la data science peut également faire intervenir un mode de fonctionnement mixte qui
utilise les deux types d’apprentissage pour arriver à des résultats plus précis.
91
VI.1. Introduction
Machine Learning (ML) ou apprentissage automatique est un domaine de l’intelligence artificielle
(IA) qui permet aux machines d’effectuer des taches sans être programmée explicitement. Il vise
à construire des modèles qui fait résoudre les problèmes par le traitement de données. Cela permet
de définir les corrélations existantes entre les données pour prédire leurs implications.
L’apprentissage automatique comporte plusieurs étapes, qui se présente comme ceci :
• Comprendre le problème
• Acquérir les données
• Traiter et nettoyer les données
• Choisir des algorithmes adaptés au problème
• Optimiser les algorithmes : (Trouver les hyperparamètres optimaux des algorithmes)
• Tester : (Faire prédire sur un jeu de données indépendant des données d’apprentissage pour
déterminer si l’algorithme est efficace)
• Déployer l’algorithme
• Création du model.
VI.2. Machine Learning
VI.2.1. Méthodes d’apprentissage
Machine Learning comporte deux types principaux d’apprentissage.
VI.2.1.1 Apprentissage supervisé
L’apprentissage supervise utilise des valeurs ou des classes déjà déterminées qui seront mis dans
un système de classement en se basant sur des observations déjà enregistrer. Le but est d’apprendre
au model à ce qu’il donne aux nouvelles observations les classe qui lui convient.
VI.2.1.2 Apprentissage non-supervisé
Dans ce mode de fonctionnement du machine Learning, il n’est pas question de s’appuyer sur des
éléments prédéfinis, et la tâche de procéder à la catégorisation des données revient à la machine.
Pour ce faire, le système va croiser les informations qui lui sont soumises, de manière à pouvoir
rassembler dans une même classe les éléments présentant certaines similitudes. Ainsi, en fonction
du but recherché, il reviendra à l’opérateur ou au chercheur de les analyser afin d’en déduire les
différentes hypothèses.
La différence entre ces deux principes de fonctionnement réside dans le fait que l’apprentissage
supervisé peut être influencé à priori au moment de l’étiquetage des données. Par ailleurs, il faut
noter que la data science peut également faire intervenir un mode de fonctionnement mixte qui
utilise les deux types d’apprentissage pour arriver à des résultats plus précis.