Mix it2014 - Machine Learning et Régulation Numérique
•
6 likes•3,739 views
Le machine learning est la science qui permet à un algorithme d’apprendre sans avoir été explicitement programmé pour cela. Elle est utilisée par les acteurs de la nouvelle économie pour le traitement de gros volumes de données, dans la traduction automatique, la reconnaissance de la parole, la classification de consommateur, la construction de réputation, ou la prévision des trafics. C’est la “régulation numérique”. Nous parlerons des champs d’application du machine learning par les gros acteurs du numérique, de ses fondements mathématiques, des grands familles d’algorithmes et des outils disponibles pour mettre en pratique. Découvrez les bases pour comprendre cette science et mesurer le potentiel des possibilités de son utilisation.
Recommended
Recommended
More Related Content
Viewers also liked
Viewers also liked (12)
Similar to Mix it2014 - Machine Learning et Régulation Numérique
Similar to Mix it2014 - Machine Learning et Régulation Numérique (20)
More from Didier Girard
More from Didier Girard (11)
Mix it2014 - Machine Learning et Régulation Numérique
- 1. Machine Learning & Régulation Numérique Didier Girard / Guillaume Laforge
- 2. SPAM
- 4. 2011 rank Company 2009 2010 2011 1 Netflix 0.0 % 0.5 % 44.0 % 2 Apple 71.5 % 60.8 % 32.3 % 3 Microsoft 11.2 % 16.7 % 7.6 % 4 Vudu (Walmart) 0.5 % 2.7 % 4.2 % 5 Sony 5.4 % 6.8 % 2.4 % Others 11.4 % 12.6 % 9.5 % Total 89 % 87 % 90 % “Voici mon catalogue” vs “J’ai une video pour vous.”
- 7. Toutes les données, tu récolteras #MixIT14
- 9. Définition
- 11. Définition Une branche de l’intelligence artificielle qui s’occupe de la construction et l’étude de systèmes quiapprennentàpartirdedonnées
- 12. Le parallèle de l’accordeur de piano Data Accordeur Modèle
- 13. Les grandes familles Supervisé vs non-supervisé
- 15. Régression http://en.wikipedia.org/wiki/Regression_analysis Un modèle de regression relie Y à une fonction de X et ß Son Touches Accordeur
- 23. Ta fonction de coût, tu minimiseras #MixIT14
- 24. Fonction de coût
- 25. Régression
- 26. Régression — ordre premier
- 27. Régression — ordre premier ?
- 28. Régression — ordre second
- 29. Régression — ordre second ?
- 30. Classification La classification est le problème d'identifier à quel ensemble de catégories (sous-population) une nouvelle observation correspond http://en.wikipedia.org/wiki/Statistical_classification
- 31. Classification
- 32. Classification
- 33. Non-supervisé Clusterisation, séparation de sources...
- 34. Clusterisation
- 35. Clusterisation
- 36. Clusterisation
- 37. Séparation de sources Source 1 Source 2
- 38. Séparation de sources Source 1 Source 2 Observation
- 39. Séparation de sources Source 1 Source 2 Observation Source séparée 1 Source séparée 2
- 41. Visualiser
- 42. N’apprends pas ce que tu sais déjà #MixIT14
- 43. Ne pas apprendre ce que l’on sait
- 44. Ne pas apprendre ce que l’on sait
- 45. Ne pas apprendre ce que l’on sait
- 46. Ne pas apprendre ce que l’on sait
- 48. Segmenter Problème : ● Je vous donne la latitude et la longitude ● Vous devez coder un systeme qui me donne l’altitude 1. un modèle pour toute la France ? 2. un modèle par type de relief ? 3. un modèle par région ?
- 49. Segmenter
- 50. Segmenter
- 53. Exemple : Face Recognition http://bitsearch.blogspot.com/2013/02/unsupervised-face-clustering-with-opencv.html
- 54. Que faire des données manquantes ? ● Supprimer la dimension ? ● Signaler au système apprenant ?
- 55. Données aberrantes ● Erreur d’ observation ? ● Cas exceptionnel ?
- 62. https://www.flickr.com/photos/hills_alive/3368257480/ Comment caractériser l’ intuition ? Chasse aux champignons ?
- 63. Sélectionner les bonnes variables
- 64. Sélectionner les bonnes variables Consommation ● jour de la semaine ● vacances scolaires ● jours fériés ● température Reconnaissance d’image ● histogramme de couleur
- 66. Apprendre et généraliser Apprentissage : 60% Généralisation : 40%
- 67. Par coeur, tu n’ apprendras pas #MixIT14
- 68. Régression — ordre supérieur ? ?
- 69. Capacité d’apprentissage d’un système Capacité d’apprentissage Complexité des systèmes modélisables Risque de sur- apprentissage
- 70. Pour aller plus loin : VC-Dimension Trois choses entrent en jeu : ● taille de l’échantillon ● nombre de paramètres d’ajustement du modèle ● nombre de dimensions de l’espace d’entrée
- 71. Intuition : capacité de généralisation #MixIT14
- 73. Apprendre, Généraliser et Valider Apprentissage : 60% Généralisation : 20% Validation : 20%
- 75. A un moment ou un autre… il faut se lancer !
- 77. Les recettes de tonton Moïse pour le ML 1. Enregistrez toutes les données que vous pourrez 2. Observez et visualisez vos données 3. Segmentez vos données 4. Pré-traitez et normalisez vos données 5. Choisissez bien votre algorithme 6. Entrainez votre système 7. Validez votre système 8. Et… exécutez !
- 78. Quelques outils ● R http://www.r-project.org/ ● Octave https://www.gnu.org/software/octave/ ● SciKit Learn http://scikit-learn.org/ ● Apache Mahout https://mahout.apache.org/ ● Weka http://www.cs.waikato.ac.nz/ml/weka/ ● Google Prediction https://developers.google.com/prediction ● Prediction.IO http://prediction.io/ ● MADlib http://madlib.net/
- 79. Conclusion Machine Learning et Régulation Numérique
- 80. Le Data Scientist de demain est le Physicien Nucléaire d’hier
- 81. BIG DATA IS SCORING YOU #MixIT14
- 82. http://money.cnn.com/2014/04/02/pf/consumer-scores/index.html Consumer profitability score Churn score Job security score Medication adherence score Fraud scoreCustomer score Law enforcement score
- 83. On ne peut pas arrêter la machine...
- 84. Apprendre et comprendre comment marche le Machine Learning
- 85. Etre au coeur du système, pour le réguler
- 86. Les gens éduqués sont les garde-fous des dérives du Machine Learning #MixIT14
- 87. Le monde est entre vos mains ! A vous de jouer !
- 88. Didier Girard / Guillaume Laforge @didiergirard @glaforge Merci
- 89. Didier Girard / Guillaume Laforge @didiergirard @glaforge Questions — réponses