GENIE LOGICIEL ET SYSTEMES EMBARQUES

  Exemple 1 : Détection de la langue (FR ou pas FR) avec un Naïve Bayes multinomial L'objet de ce paragraphe est de mettre en place un modèle qui permettra de séparer les textes en langue française, des textes dans d'autres langues. Nous sommes dans un cas d’apprentissage : -  Supervisé.  Des phrases, séquences de mots, associées à des catégories – ici la langue de la séquence catégorisée en FR vs. pas FR. -  Probabiliste. -  Offline.  Cependant, on pourrait l'utiliser de façon incrémentale au besoin, avec scikit-learn - méthode partial_fit. -  Paramétrique . Car nous utiliserons une distribution multinomiale, définie par des paramètres, et des probabilités conditionnelles, elles-mêmes des paramètres. -  Non linéaire . Dans le cas (le notre) d’une distribution multinomiale (cependant, les attributs coef_ et intercept_ permettent de passer au logarithme pour le rendre linéaire au besoin : Le naïve Bayes multinomial devient linéaire lorsqu'on l'exprime dans l'espa

 L’objectif de cet article est de faire une introduction au machine learning avec la présentation des différents types d’algorithme d’apprentissage. Définir le machine learning Le « machine learning » est l’apprentissage automatique à partir des données sans programmation explicite. Cela veut dire, qu’au lieu de trouver des règles pour automatiser une tâche, on transmet des données à un algorithme qui va définir ces règles lui-même. Ces données sont représentatives du problème qu’on veut résoudre. Cette combinaison données-algorithmes est ce qui va permettre de développer des modèles analytiques pour découvrir de nouvelles connaissances dans les données et en extraire de la valeur grâce à ces connaissances. Et par la suite, construire des outils de prédiction ou de classification afin de fournir une aide à la décision. Situer le machine learning Dans le domaine de l’informatique, le machine learning est vu comme de l’intelligence artificielle pilotée par les données. Ainsi, l’IA n’est