Cours : https://www-lisic.univ-littoral.fr/~teytaud/apprentissage.html
TP0 - regression linéaire : https://www-lisic.univ-littoral.fr/~teytaud/files/Cours/Apprentissage/tp0.pdf
TP1 - regression polynomiale : https://www-lisic.univ-littoral.fr/~teytaud/files/Cours/Apprentissage/tp1.pdf
TP2 - k plus proches voisins (classification et régression): https://www-lisic.univ-littoral.fr/~teytaud/files/Cours/Apprentissage/tp2.pdf
TP3 - arbres de décision (classification et régression) : https://www-lisic.univ-littoral.fr/~teytaud/files/Cours/Apprentissage/tp3.pdf
TP4 - perceptron : https://www-lisic.univ-littoral.fr/~teytaud/files/Cours/Apprentissage/perceptronTP.pdf
TP5 - réseaux de neuronnes : https://www-lisic.univ-littoral.fr/~teytaud/files/Cours/Apprentissage/tp5.pdf
TP6 - apprentissage par renforcement : espilon greedy / q-learning TP6-qlearning/qlearning.pdf
Apprentissage automatique :
Des données de chiens et de chats
je veux apprendre à reconnaitre les 2
Régression :
Quand j'essaye d'apprendre des données dans R
Exemple la T°
Opposé de la classification
Linéaire :
un programme qui peut apprendre qu'une droite ou un hyper plan (droite en plein de dimensions)
TP1 : limité à des droites (modèle linéaire)
TP2 : on ne se limite plus à droits linéaires mais à des polynômes
Surapprentissage :
très bon avec nos points à nous mais nul en apprentissage
On est bon avec nos images mais pas avec un nouveau jeu de donnée
On ne connait pas le "concept"
Pas bon en généralisation
Pattern pour l'année :
x,y
x_train, y_train => fit
x_test, y_test => score (mesure de perf)
Surtout pas fit le test
Apprentissage supervisé :
Trouver un modèle qui apprend à partir des données
y=f(x)
x des données de chien et chat
y des étiquettes (tags) de chiens ou chats
f notre modèle (algo) qui doit faire matcher x et y