Les fondements du machine learning

Assimiler la méthode ADL

TESTEZ LINKEDIN LEARNING GRATUITEMENT ET SANS ENGAGEMENT

Tester maintenant Afficher tous les abonnements
Votre formateur vous présente l'Analyse en Composantes Principales (ACP) qui consiste, notamment, à convertir des variables corrélées en variables décorrélées.
02:49

Transcription

Toujours dans les techniques de feature extractions, c'est à dire le fait de changer d'espace carrément et de réduire les dimensions de l'espace dans lequel on travaille, on va parler maintenant de l'analyse discriminante linéaire. Mais déjà, ce qu'il faut savoir, c'est que c'est une méthode supervisée, contrairement à la sepik est une technique non supervisée. L'idée de l'ADL, l'analyse discriminante linéaire, c'est que elle cherche les axes ou ce qu'on appelle les discriminants linéaires qui maximisent la variance interclasse et minimise la variance intraclasse. Mais comme avec les composantes principales les p nouvelle dimension avec p plus petit ou égal à n, mais le souci ce sera les p discriminants linéaires seront choisis parmi les p, ceux qui capturent le maximum de variance ou d'informations. Ce qui induit donc une réduction de dimension de n à p dimensions. Enfin l'analyse discriminante elle trouve aussi elle plusieurs domaines d'application par exemple on a comme domaine d'application la reconnaissance faciale on parle de Fisherfaces. Pourquoi on parle de Fisherfaces dans l'ADL et de Eigenfaces dans la CP parce que l'analyse en composantes principales elle utilise les valeurs propres qu'on appelle Eigenvalues. Également les vecteurs propres à égal vectors alors que l'ADL a été développée par un monsieur qui s'appelle Fisher du moins son nom de famille d'où le Fisherface et l'ADL est également utilisée dans le domaine du scoring. Dans le domaine scoring bancaire depuis la fin des années 60 environ comme avantage si on veut résumer c'est que c'est un classifieur d'où le fait à nouveau qui peut être utilisé pour le scoring et il fait donc aussi de la réduction dimensionnelle dans ce domaine. Ses désavantages par contre c'est sa performance, sa complexité algorithmique comme on dirait dans le domaine des maths qui étudie la complexité des algorithmes. En général cet algorithme il prend pas en compte les relations non linéaires. Il faut faire attention et éventuellement passer par des transformations préalables et également cet algorithme il fait l'hypothèse d'homoscédasticité ça veut dire que le les variances sont égales dans les groupes sinon il existe d'autres variantes de l'analyse discriminante linéaire qui prennent en charge la non-linéarité et notamment l'analyse discriminante quadratique utilisant donc l'astuce du noyau c’est-à-dire ce qu'on appelle le kernel trick et il y a encore bien d'autres manières de procéder. Voilà concernant la feature selection et la feature extraction. Ça vous donne une petite idée sans qu'on soit entré dans les concepts mathématiques.

Les fondements du machine learning

Acquérez les bases du vocabulaire lié au machine learning. Découvrez les outils fondamentaux avec les idées, applications et concepts mathématiques sous-jacents à chacun.

3h04 (33 vidéos)
Aucun commentaire n´est disponible actuellement
Spécial abonnés
Date de parution :21 déc. 2017

Votre formation est disponible en ligne avec option de téléchargement. Bonne nouvelle : vous ne devez pas choisir entre les deux. Dès que vous achetez une formation, vous disposez des deux options de consultation !

Le téléchargement vous permet de consulter la formation hors ligne et offre une interface plus conviviale. Si vous travaillez sur différents ordinateurs ou que vous ne voulez pas regarder la formation en une seule fois, connectez-vous sur cette page pour consulter en ligne les vidéos de la formation. Nous vous souhaitons un excellent apprentissage avec cette formation vidéo.

N'hésitez pas à nous contacter si vous avez des questions !