Les algorithmes de Machine Learning

-
Pour certains entre vous le terme IA évoque les films science-fiction, Pourtant, cette forme d'intelligence fait partie de notre vie quotidienne, qui peuvent être un objet connecté, chatbot et autres...
Le domaine du machine learning se base sur un ensemble des concepts et d'algorithmes pour répondre à différents besoins.
Chaque algorithme se repose sur des spécificités mathématiques et algorithmiques. Dans cet article je vais citer et expliquer brièvement 7 algorithmes dont 2 que j'ai du  l'implémenter 
 1. K-Means 

NuGet Package : https://www.nuget.org/packages/K-Means
Mon Git : https://github.com/AnouarBenZahra/K-MeansProject


C'est un algorithme de classification non supervisé, qui prend un ensemble d’éléments, et k nombre de groupes, une segmentation en k groupes sera faite, toute on minimisant la distance euclidienne entre le centre et un élément donné. 
Usage : 
Imaginez vous souhaitiez choisir un téléphone portable, vous devez dans un premier lieu regrouper les caractéristiques ciblée sous forme de groupes, les individus de chaque groupe auront un degré de similarité (RAM , stockage, appareil photo ... )    
2. Linear Regression
NuGet Package : https://www.nuget.org/packages/LinearRegression/ 
Mon Git : https://github.com/AnouarBenZahra/LinearRegression

Cet algorithme modélise la relation entre les variables prédictives et une variable cible. Cette relation est modélisée par la fonction mathématique de prédiction, qui va chercher une fontion sous forme de droite pour pré dicter la relation
3. Logistic Rgression 

c'est une méthode statistique pour effectuer des classifications binaires 
a travers cet algorithme on peut faire des classifications multi-classes vous pouvez comprendre mieux dans la partie usage. le principe se base sur la méthode " un contre tous "

usage : 
Utile pour les banques, dans le cas d'un accord de crédit,
Pour analyser et isoler un tumeur
4. SVM
Est aussi un algorithme de classification binaire, si on prend l'image ci-dessus , nous avons deux classes (imaginons qu'il s'agit de emails et que les spam au dessus et les non spam au dessous) notre algorithme sépare les deux classes avec un trait, qui découpe l'ensemble de classes on deux sous ensembles 

5. Naive Bayes
L'avantage de cet algorithme c'est qu'il est intuitif à comprendre il se base sur le théorème de bayes des probabilités conditionnelles, 
Usage :
Classification de texte en se basant sur le nombre d’occurrences de mots.
6. Anomaly Detection


Le but c'est de détecter des événements anormaux, utile par exemple pour les retrait du votre compte bancaire anormale

Usage :    
Détecter les intrusions des transactions bancaire.

7. Neurals Networks 

Les réseaux neuroanatomiques sont des méthodes mathématiques, des assemblages d'unités de calculs appelés neurones formels
les RN présentent des atouts majeurs pour la résolution des problèmes complexes qui se heurtent aux limites rencontrées en informatique classique par leur propriétés liées à leur capacité d'apprentissage  leur robustesse, leur parallélisme de traitements. 

Commentaires

Enregistrer un commentaire

Posts les plus consultés de ce blog

Cross-Origin Resource Sharing and Azure Machine Learning web services

-
Image
Cross-Origin Resource Sharing (CORS) is a mechanism that allows web objects (e.g., JavaScript) from one domain to request objects (web service requests) from another domain. Cross-origin requests initiated from scripts have been subject to restrictions primarily for security reasons. CORS provides a way for web servers to support cross-site access controls, which enable secure cross-site data transfers. At the time of this writing, it should be noted that Azure Machine Learning web services do not currently support CORS requests. See the following link for more information: https://social.msdn.microsoft.com/Forums/en-US/b6ddeb77-30e1-45b2-b7c1-eb4492142c0a/azure-ml-published-web-services-cross-origin-requests?forum=MachineLearning. This CORS restriction really means that if you wish to fully exploit Azure Machine Learning web services for deployment, testing, and production for a wide variety of (web) clients, you will need to host your own server-side applications. You basically hav
Lire la suite

Azure Machine Learning Workflow

-
Image
The process of creating a Machine Learning on Azure  is composed of a many pattern of workflow steps. This workflow are designed to help users to create a new predictive alanytics in no limited time. The main steps in the process are summarized in this figure : Data :  Is your input, who will be acquired, compiled , analyzed, tested and trained Create the model :  There is a versious algorithms of machine learning. we should create a models who is capable to make predictions, based on interfaces about the datasets. Evaluate the model :  This step is so important in the process because we examine the accuracy of new predictive models based on ability to predict the correct outcome, when we know in advance the input and the output values. Accuracy is measured in terms of confidence factor approching the whole number one Refine and evaluate the model :  After evaluating the model we refine-it by comparing, contrasting and combining alternate predictive models to find th
Lire la suite

Naive Bayes Classification Algorithm

-
Image
You are a data scientist,  an Intelligence Artificielle engineer, or a Statisticien, this post can help you to resolve your problems You are working on a classification problem and you have generated your set of hypothesis, created features and discussed the importance of variables. Within an hour, stakeholders want to see the first cut of the model. What will you do? You have hunderds of thousands of data points and quite a few variables in your training data set. In such situation, if I were at your place, I would have used ‘Naive Bayes‘, which can be extremely fast relative to other classification algorithms. It works on Bayes theorem of probability to predict the class of unknown data set. You wold like to know haw it work ? Step 1: Convert the data set into a frequency table Step 2: Create Likelihood table by finding the probabilities like Overcast probability = 0.29 and probability of playing is 0.64. Step 3: Naive Bayesian equation to calculate the post
Lire la suite