{"id":30936,"date":"2019-10-31T21:38:20","date_gmt":"2019-10-31T18:38:20","guid":{"rendered":"https:\/\/prohoster.info\/blog\/mashinnoe-obuchenie-bez-python-anaconda-i-prochih-presmykayushhihsya\/"},"modified":"2019-10-31T21:38:20","modified_gmt":"2019-10-31T18:38:20","slug":"mashinnoe-obuchenie-bez-python-anaconda-i-prochih-presmykayushhihsya","status":"publish","type":"post","link":"https:\/\/prohoster.info\/fr\/blog\/news\/mashinnoe-obuchenie-bez-python-anaconda-i-prochih-presmykayushhihsya","title":{"rendered":"Apprentissage automatique sans Python, Anaconda et autres reptiles","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Non, bien s\u00fbr, je ne parle pas s\u00e9rieusement. Il doit y avoir une limite \u00e0 la simplification d'un sujet. Mais pour les premi\u00e8res \u00e9tapes, afin de comprendre les concepts de base et d\u2019entrer rapidement dans le sujet, cela peut \u00eatre acceptable. Quant \u00e0 la mani\u00e8re de nommer ce mat\u00e9riel (options : \u00ab Apprentissage automatique pour les nuls \u00bb, \u00ab Analyse des donn\u00e9es d\u00e8s le d\u00e9part \u00bb, \u00ab Algorithmes pour les tout-petits \u00bb), nous en discuterons \u00e0 la fin. <\/p>\n

Passons \u00e0 l'essentiel. J'ai \u00e9crit plusieurs programmes appliqu\u00e9s sur MS Excel pour visualiser et repr\u00e9senter de mani\u00e8re concr\u00e8te les processus qui se produisent dans diff\u00e9rentes m\u00e9thodes d'apprentissage automatique lors de l'analyse des donn\u00e9es. Seeing is believing, apr\u00e8s tout, comme disent les repr\u00e9sentants de la culture qui a d\u00e9velopp\u00e9 la plupart de ces m\u00e9thodes (d'ailleurs, ce n\u2019est pas le cas pour toutes. La puissante \u00ab m\u00e9thode des vecteurs de support \u00bb, ou SVM, support vector machine \u2013 est l'invention de notre compatriote Vladimir Vapnik, de l\u2019Institut de Gestion de Moscou. 1963, soit dit en passant ! Il enseigne et travaille maintenant aux \u00c9tats-Unis).<\/p>\n

Trois fichiers \u00e0 consulter
\n<\/a><\/noindex><\/p>\n

1. Clustering par la m\u00e9thode des k-moyennes<\/h2>\n

\nLes probl\u00e8mes de ce type rel\u00e8vent de l'\u00ab apprentissage non supervis\u00e9 \u00bb, lorsque nous devons diviser les donn\u00e9es d'origine en un certain nombre de cat\u00e9gories connues \u00e0 l'avance, mais nous n'avons aucune quantit\u00e9 de \u00ab bonnes r\u00e9ponses \u00bb, que nous devons extraire des donn\u00e9es elles-m\u00eames. Le probl\u00e8me classique fondamental de la recherche des sous-esp\u00e8ces de fleurs d'iris (Ronald Fisher, 1936 !), qui est consid\u00e9r\u00e9 comme le premier jalon de ce domaine de connaissance, a justement cette nature.<\/p>\n

La m\u00e9thode est assez simple. Nous avons un ensemble d'objets repr\u00e9sent\u00e9s sous forme de vecteurs (ensembles de N nombres). Pour les iris, ce sont des ensembles de 4 nombres caract\u00e9risant la fleur : la longueur et la largeur des s\u00e9pales externes et internes, respectivement (Iris de Fisher \u2014 Wikip\u00e9dia<\/a><\/noindex>). Comme distance, ou mesure de proximit\u00e9 entre les objets, on choisit la m\u00e9trique euclidienne ordinaire.<\/p>\n

Ensuite, des centres de clusters sont choisis arbitrairement (ou non, voir plus loin), et les distances de chaque objet aux centres des clusters sont calcul\u00e9es. Chaque objet \u00e0 cette \u00e9tape d'it\u00e9ration est marqu\u00e9 comme appartenant au centre le plus proche. Ensuite, le centre de chaque cluster est d\u00e9plac\u00e9 vers la moyenne arithm\u00e9tique des coordonn\u00e9es de ses membres (selon la physique, cela est \u00e9galement appel\u00e9 \u00ab centre de gravit\u00e9 \u00bb), et la proc\u00e9dure se r\u00e9p\u00e8te.<\/p>\n

Le processus converge assez rapidement. Sur les images en deux dimensions, cela ressemble \u00e0 ceci :<\/p>\n

1. Distribution al\u00e9atoire initiale des points sur le plan et nombre de clusters<\/p>\n

\"Apprentissage
\n
\n2. D\u00e9finition des centres des clusters et attribution des points \u00e0 leurs clusters<\/p>\n

\"Apprentissage
\n
\n3. D\u00e9placement des coordonn\u00e9es des centres des clusters, recalcul de l'appartenance des points, jusqu'\u00e0 ce que les centres se stabilisent. On voit la trajectoire de mouvement du centre du cluster vers la position finale.<\/p>\n

\"Apprentissage
\n
\n\u00c0 tout moment, on peut d\u00e9finir de nouveaux centres de clusters (sans g\u00e9n\u00e9rer une nouvelle distribution de points !) et constater que le processus de partitionnement n'est pas toujours univoque. Math\u00e9matiquement, cela signifie qu'avec la fonction optimis\u00e9e (la somme des carr\u00e9s des distances des points aux centres de leurs clusters), nous trouvons un minimum local, et non global. On peut r\u00e9soudre ce probl\u00e8me en choisissant non al\u00e9atoirement les centres des clusters initiaux ou en essayant diff\u00e9rentes positions possibles (il est parfois avantageux de les placer exactement sur un des points, garantissantau moins qu'il n'y aura pas de clusters vides). Dans tous les cas, un ensemble fini a toujours une borne inf\u00e9rieure exacte. <\/p>\n

Vous pouvez jouer avec ce fichier \u00e0 ce lien<\/a><\/noindex> (n'oubliez pas d'activer le support des macros. Les fichiers ont \u00e9t\u00e9 v\u00e9rifi\u00e9s pour les virus)<\/p>\n

Description de la m\u00e9thode sur Wikip\u00e9dia \u2014 M\u00e9thode des k-moyennes<\/a><\/noindex><\/p>\n

2. Approximation par des polyn\u00f4mes et division des donn\u00e9es. Surapprentissage<\/h2>\n

\nLe scientifique et vulgarisateur renomm\u00e9 des donn\u00e9es K.V. Vorontsov parle bri\u00e8vement des m\u00e9thodes d'apprentissage automatique comme d'une \u00ab science pour dessiner des courbes \u00e0 travers des points \u00bb. Dans cet exemple, nous allons trouver des r\u00e9gularit\u00e9s dans les donn\u00e9es en utilisant la m\u00e9thode des moindres carr\u00e9s. <\/p>\n

La technique de partitionnement des donn\u00e9es originales en ensembles \u00ab d'entra\u00eenement \u00bb et \u00ab de test \u00bb est montr\u00e9e, ainsi que le ph\u00e9nom\u00e8ne de surplus d'apprentissage ou de \u00ab surajustement \u00bb aux donn\u00e9es. Avec une bonne approximation, nous aurons une certaine erreur sur les donn\u00e9es d'entra\u00eenement et une erreur l\u00e9g\u00e8rement plus grande sur les donn\u00e9es de test. Avec une mauvaise approximation, nous aurons un ajustement parfait aux donn\u00e9es d'entra\u00eenement et une erreur \u00e9norme sur les donn\u00e9es de test.<\/p>\n

(Un fait connu est qu'il ne peut y avoir qu'une seule courbe de degr\u00e9 N-1 passant par N points, et cette m\u00e9thode ne donne g\u00e9n\u00e9ralement pas le r\u00e9sultat souhait\u00e9. Le polyn\u00f4me d'interpolation de Lagrange sur Wikip\u00e9dia<\/a><\/noindex>)<\/p>\n

1. Nous d\u00e9finissons la distribution initiale<\/p>\n

\"Apprentissage
\n
\n2. Nous divisons les points en \u00ab d'entra\u00eenement \u00bb et \u00ab de test \u00bb dans un rapport de 70 \u00e0 30.<\/p>\n

\"Apprentissage
\n
\n3. Nous ajustons une courbe approximatrice aux points d'apprentissage, nous voyons l'erreur qu'elle g\u00e9n\u00e8re sur les donn\u00e9es de contr\u00f4le.<\/p>\n

\"Apprentissage
\n
\n4. Nous ajustons une courbe pr\u00e9cise \u00e0 travers les points d'apprentissage et constatons une erreur monstrueuse sur les donn\u00e9es de contr\u00f4le (et nulle sur les donn\u00e9es d'apprentissage, mais quelle en est l'utilit\u00e9 ?).<\/p>\n

\"Apprentissage
\n
\nIl s'agit, bien s\u00fbr, du cas le plus simple avec une seule s\u00e9paration en sous-ensembles \u00ab d'apprentissage \u00bb et \u00ab de contr\u00f4le \u00bb, mais dans le cas g\u00e9n\u00e9ral, cela se fait plusieurs fois pour un meilleur ajustement des coefficients.<\/p>\n

Le fichier est disponible ici, v\u00e9rifi\u00e9 par l'antivirus.<\/a><\/noindex> Activez les macros pour un fonctionnement correct.<\/p>\n

3. La descente de gradient et la dynamique de changement de l'erreur.<\/h2>\n

\nIci, nous aurons le cas \u00e0 4 dimensions et la r\u00e9gression lin\u00e9aire. Les coefficients de la r\u00e9gression lin\u00e9aire seront d\u00e9termin\u00e9s par \u00e9tapes selon la m\u00e9thode de descente de gradient, initialement tous les coefficients seront z\u00e9ro. Sur un graphique distinct, on peut voir la dynamique de la r\u00e9duction de l'erreur au fur et \u00e0 mesure que les coefficients sont ajust\u00e9s de fa\u00e7on plus pr\u00e9cise. Il est possible d'examiner toutes les quatre projections \u00e0 2 dimensions.<\/p>\n

Si on choisit un pas de descente de gradient trop grand, on peut voir qu'\u00e0 chaque fois, nous allons manquer le minimum et arriver au r\u00e9sultat en un plus grand nombre d'\u00e9tapes, bien que, finalement, nous y parvenions tout de m\u00eame (\u00e0 moins que nous n'augmentions trop le pas de descente - dans ce cas, l'algorithme va 'par en vrille'). Et le graphique de la d\u00e9pendance de l'erreur par rapport au pas d'it\u00e9ration ne sera pas lisse, mais 'saccad\u00e9'.<\/p>\n

1. G\u00e9n\u00e9rer des donn\u00e9es, d\u00e9finir le pas de descente de gradient.<\/p>\n

\"Apprentissage
\n
\n2. Avec un choix correct du pas de descente de gradient, on atteint en douceur et assez rapidement le minimum.<\/p>\n

\"Apprentissage
\n
\n3. Avec un choix incorrect du pas de descente de gradient, nous d\u00e9passons le maximum, le graphique de l'erreur est 'saccad\u00e9', la convergence prend plus d'\u00e9tapes.<\/p>\n

\"Apprentissage
\net<\/p>\n

\"Apprentissage
\n
\n4. Avec un choix enti\u00e8rement erron\u00e9 du pas de descente de gradient, nous nous \u00e9loignons du minimum.<\/p>\n

\"Apprentissage
\n
\n(Pour reproduire le processus avec les valeurs de pas de descente de gradient montr\u00e9es sur les images, cochez la case 'donn\u00e9es de r\u00e9f\u00e9rence').<\/p>\n

Le fichier \u2013 \u00e0 ce lien, activez les macros, il n'y a pas de virus.<\/a><\/noindex><\/p>\n

Comme le consid\u00e8re la respectable communaut\u00e9, est-il permis de telles simplifications et m\u00e9thodes de pr\u00e9sentation ? Vaut-il la peine de traduire l'article en anglais ? <\/b>
\n
Source : habr.com<\/a><\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"

\u041d\u0435\u0442, \u043d\u0443 \u044f, \u043a\u043e\u043d\u0435\u0447\u043d\u043e, \u043d\u0435 \u0432\u0441\u0435\u0440\u044c\u0435\u0437. \u0414\u043e\u043b\u0436\u0435\u043d \u0436\u0435 \u0431\u044b\u0442\u044c \u043f\u0440\u0435\u0434\u0435\u043b, \u0434\u043e \u043a\u0430\u043a\u043e\u0439 \u0441\u0442\u0435\u043f\u0435\u043d\u0438 \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e \u0443\u043f\u0440\u043e\u0449\u0430\u0442\u044c \u043f\u0440\u0435\u0434\u043c\u0435\u0442. \u041d\u043e \u0434\u043b\u044f \u043f\u0435\u0440\u0432\u044b\u0445 \u044d\u0442\u0430\u043f\u043e\u0432, \u043f\u043e\u043d\u0438\u043c\u0430\u043d\u0438\u044f \u0431\u0430\u0437\u043e\u0432\u044b\u0445 \u043a\u043e\u043d\u0446\u0435\u043f\u0446\u0438\u0439 \u0438 \u0431\u044b\u0441\u0442\u0440\u043e\u0433\u043e \u00ab\u0432\u044a\u0435\u0437\u0436\u0430\u043d\u0438\u044f\u00bb \u0432 \u0442\u0435\u043c\u0443, \u043c\u043e\u0436\u0435\u0442 \u0431\u044b\u0442\u044c, \u0438 \u0434\u043e\u043f\u0443\u0441\u0442\u0438\u043c\u043e. \u0410 \u043a\u0430\u043a \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u043e \u043f\u043e\u0438\u043c\u0435\u043d\u043e\u0432\u0430\u0442\u044c \u0434\u0430\u043d\u043d\u044b\u0439 \u043c\u0430\u0442\u0435\u0440\u0438\u0430\u043b (\u0432\u0430\u0440\u0438\u0430\u043d\u0442\u044b: \u00ab\u041c\u0430\u0448\u0438\u043d\u043d\u043e\u0435 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u0434\u043b\u044f \u0447\u0430\u0439\u043d\u0438\u043a\u043e\u0432\u00bb, \u00ab\u0410\u043d\u0430\u043b\u0438\u0437 \u0434\u0430\u043d\u043d\u044b\u0445 \u0441 \u043f\u0435\u043b\u0435\u043d\u043e\u043a\u00bb, \u00ab\u0410\u043b\u0433\u043e\u0440\u0438\u0442\u043c\u044b \u0434\u043b\u044f \u0441\u0430\u043c\u044b\u0445 \u043c\u0430\u043b\u0435\u043d\u044c\u043a\u0438\u0445\u00bb), \u043e\u0431\u0441\u0443\u0434\u0438\u043c \u0432 \u043a\u043e\u043d\u0446\u0435. \u041a […]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":22912,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[702],"tags":[],"class_list":["post-30936","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-news"],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t\n\t\n\t\n\t\n\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\n","aioseo_head_json":{"title":"\ud83e\udd47Apprentissage automatique sans Python, Anaconda et autres reptiles | ProHoster","description":"Non, je ne parle pas s\u00e9rieusement, il doit y avoir une limite \u00e0 la simplification d'un sujet. Mais pour les premi\u00e8res \u00e9tapes, pour comprendre les concepts de base et une immersion rapide dans le sujet, cela peut \u00eatre acceptable.","canonical_url":"https:\/\/prohoster.info\/fr\/blog\/news\/mashinnoe-obuchenie-bez-python-anaconda-i-prochih-presmykayushhihsya","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"fr_FR","og:site_name":"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b","og:type":"article","og:title":"\ud83e\udd47\u041c\u0430\u0448\u0438\u043d\u043d\u043e\u0435 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u0431\u0435\u0437 Python, Anaconda \u0438 \u043f\u0440\u043e\u0447\u0438\u0445 \u043f\u0440\u0435\u0441\u043c\u044b\u043a\u0430\u044e\u0449\u0438\u0445\u0441\u044f | ProHoster","og:description":"\u041d\u0435\u0442, \u043d\u0443 \u044f, \u043a\u043e\u043d\u0435\u0447\u043d\u043e, \u043d\u0435 \u0432\u0441\u0435\u0440\u044c\u0435\u0437. \u0414\u043e\u043b\u0436\u0435\u043d \u0436\u0435 \u0431\u044b\u0442\u044c \u043f\u0440\u0435\u0434\u0435\u043b, \u0434\u043e \u043a\u0430\u043a\u043e\u0439 \u0441\u0442\u0435\u043f\u0435\u043d\u0438 \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e \u0443\u043f\u0440\u043e\u0449\u0430\u0442\u044c \u043f\u0440\u0435\u0434\u043c\u0435\u0442. \u041d\u043e \u0434\u043b\u044f \u043f\u0435\u0440\u0432\u044b\u0445 \u044d\u0442\u0430\u043f\u043e\u0432, \u043f\u043e\u043d\u0438\u043c\u0430\u043d\u0438\u044f \u0431\u0430\u0437\u043e\u0432\u044b\u0445 \u043a\u043e\u043d\u0446\u0435\u043f\u0446\u0438\u0439 \u0438 \u0431\u044b\u0441\u0442\u0440\u043e\u0433\u043e \u00ab\u0432\u044a\u0435\u0437\u0436\u0430\u043d\u0438\u044f\u00bb \u0432 \u0442\u0435\u043c\u0443, \u043c\u043e\u0436\u0435\u0442 \u0431\u044b\u0442\u044c, \u0438 \u0434\u043e\u043f\u0443\u0441\u0442\u0438\u043c\u043e.","og:url":"https:\/\/prohoster.info\/fr\/blog\/news\/mashinnoe-obuchenie-bez-python-anaconda-i-prochih-presmykayushhihsya","og:image":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:secure_url":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:width":350,"og:image:height":350,"article:published_time":"2019-10-31T18:38:20+00:00","article:modified_time":"2019-10-31T18:38:20+00:00","article:publisher":"https:\/\/www.facebook.com\/prohoster","article:author":"https:\/\/www.facebook.com\/prohoster"},"aioseo_meta_data":{"post_id":"30936","title":null,"description":null,"keywords":null,"keyphrases":null,"primary_term":null,"canonical_url":null,"og_title":null,"og_description":null,"og_object_type":"default","og_image_type":"default","og_image_url":null,"og_image_width":null,"og_image_height":null,"og_image_custom_url":null,"og_image_custom_fields":null,"og_video":null,"og_custom_url":null,"og_article_section":null,"og_article_tags":null,"twitter_use_og":false,"twitter_card":"default","twitter_image_type":"default","twitter_image_url":null,"twitter_image_custom_url":null,"twitter_image_custom_fields":null,"twitter_title":null,"twitter_description":null,"schema":{"blockGraphs":[],"customGraphs":[],"default":{"data":{"Article":[],"Course":[],"Dataset":[],"FAQPage":[],"Movie":[],"Person":[],"Product":[],"ProductReview":[],"Car":[],"Recipe":[],"Service":[],"SoftwareApplication":[],"WebPage":[]},"graphName":"","isEnabled":true},"graphs":[]},"schema_type":null,"schema_type_options":null,"pillar_content":false,"robots_default":true,"robots_noindex":false,"robots_noarchive":false,"robots_nosnippet":false,"robots_nofollow":false,"robots_noimageindex":false,"robots_noodp":false,"robots_notranslate":false,"robots_max_snippet":null,"robots_max_videopreview":null,"robots_max_imagepreview":"large","priority":null,"frequency":null,"local_seo":null,"seo_analyzer_scan_date":"2026-01-21 03:45:19","breadcrumb_settings":null,"limit_modified_date":false,"reviewed_by":null,"ai":null,"created":"2021-03-01 03:27:05","updated":"2026-01-21 03:45:19","focus_keyword":null,"additional_keywords":null,"truseo_locale":null},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/posts\/30936","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/comments?post=30936"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/posts\/30936\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/media\/22912"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/media?parent=30936"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/categories?post=30936"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/tags?post=30936"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}