Pr\u00e9sentation des machines learning utilis\u00e9es dans le cadre des diff\u00e9rentes projets.<\/p>\n\n\n\n
R\u00e9fs : https:\/\/dev.to\/foyzulkarim\/a-beginners-journey-through-the-machine-learning-pipeline-fc7<\/a><\/p>\n\n\n\n Book : The Data Science Second edition ; Filed CADY ; WILEY Description des machines learning : <\/p>\n\n\n\n Le ML est un sous-ensemble de l’IA, o\u00f9 les mod\u00e8les apprennent \u00e0 partir d’un historique de donn\u00e9es.<\/p>\n\n\n\n Les ML classiques: <\/p>\n\n\n\n Les composants cl\u00e9s du ML<\/p>\n\n\n\n Des Data brutes \u00e0 un dataset pr\u00eat pour l’apprentissage<\/p>\n\n\n\n Pr\u00e9paration des donn\u00e9es : <\/p>\n\n\n\n Exemple de code : <\/p>\n\n\n\n Choisir et entra\u00eener un mod\u00e8le <\/p>\n\n\n\n Une fois les donn\u00e9es nettoy\u00e9es , vous pouvez choisir l’algorithme appropri\u00e9. Ce choix d\u00e9pend de plusieurs facteurs : Choix <\/p>\n\n\n\n Training :<\/p>\n\n\n\n 1\/ S\u00e9parer les donn\u00e9es pour l’entrainement et le test. <\/p>\n\n\n\n 2\/ Transmettre de mani\u00e8re it\u00e9rative les donn\u00e9es d’entrainement au mod\u00e8le <\/p>\n\n\n\n Exemple : (utilisant scikit-learn)<\/p>\n\n\n\n Evaluation et analyse du mod\u00e8le :<\/p>\n\n\n\n Une fois le mod\u00e8le entra\u00eene, vous devez v\u00e9rifier les performances sur un ensemble de tests qui n’a pas \u00e9t\u00e9 utilis\u00e9 pour l’entrainement. <\/p>\n\n\n\n Accuracy<\/strong> : pour des t\u00e2ches de classification Si la performance n’est pas satisfaisante, vous pouvez :<\/p>\n\n\n\n Sauvegarder voter mod\u00e8le <\/p>\n\n\n\n Apr\u00e8s avoir mis au point votre mod\u00e8le, il faut le sauvegarder : architecture et poids. <\/p>\n\n\n\n D\u00e9ployer et utiliser le mod\u00e8le sur une autre machine<\/p>\n\n\n\n ML pour ajuster le mod\u00e8le on a : Le cycle de pr\u00e9diction :<\/p>\n\n\n\n Outillages et formats compl\u00e9mentaires : <\/p>\n\n\n\n Format ONNX<\/a> : Open Neural Network Exchange utilis\u00e9 dans le contexte aizynthfinder<\/a>.<\/p>\n\n\n\n Format standard pour repr\u00e9senter un mod\u00e8le de machine learning. . ONNX d\u00e9finit un ensemble d’op\u00e9rateurs<\/a> et de format de fichiers pour permettre aux d\u00e9veloppeurs d’IA d’utiliser ces mod\u00e8les dans diff\u00e9rents frameworks, outils et compilateurs.<\/p>\n\n\n\n
Book : How Machine Learning is innovating Today’s World : A Concise Technical Guide : WILEY
Book : The Data Science Workshop — Second edition : Pack Publising <\/p>\n\n\n\n\n
\n
\n
import pandas as pd\n# Chargement de votre dataset\ndata=pd.read_csv('housing_data.csv')\n# nettoyer et traiter les donn\u00e9es\ndata=data.dropna()\ndata['age']=2024-data['year_built']\n#s\u00e9parer ce que l'on cherche de ce que l'on a \nX=data[['square_feet','bedrooms','bathrooms','age']]\ny=data['price']\n<\/code><\/pre>\n\n\n\n
Le type de probl\u00e8me (classification, r\u00e9gression) et les ressources de calculs disponibles. <\/p>\n\n\n\n\n
\n
from sklearn.model_selection import train_test_split\nfrom sklearn.ensemble import RandomForestRegression\n# split les donn\u00e9es\nX_train, X_test, y_train, x_test = train_test_split(X,y, test_size=0.2)\n# choisir un mod\u00e8le \nmodel=RandomForestregression(n_estimators=100, random_state=42)\n#train le mod\u00e8le\nmodel.fit(X_train, y_train)<\/code><\/pre>\n\n\n\n
Mean Squared Erro<\/strong>r (MSE) : <\/p>\n\n\n\n\n
from sklearn.metrics impor mean_squared_error\npredictions=model.predict(X_test)\nmse=mean_squared_error(y_test,predictions)\nprint(\"mean__Squared_error\", mse)<\/code><\/pre>\n\n\n\n\n
import joblib\n#sauvegarder\njoblib.dump(model, \"trained_model.joblib\")<\/code><\/pre>\n\n\n\nimport joblib\n# Chargement du mod\u00e8le\nloaded_model=joblib.load(\"trained_model.joblib\")\n# Pr\u00e9pare le nouvelle entr\u00e9e \u00e0 pr\u00e9dire\nnew_data=[[2000,3,2,20]]\n# Faire la pr\u00e9diction\nprediction=loaded_model.predict(new_data)\nprint(\"Predcited price :\" , prediction)<\/code><\/pre>\n\n\n\n
Weights<\/strong> : valeur num\u00e9rique qui d\u00e9termine la force et la direction de la connexion entre un feature et le mod\u00e8le de neurones.
Biases<\/strong> : param\u00e8tres additionnels qui autorise le mod\u00e8le \u00e0 ajuster les sorties ind\u00e9pendamment des entr\u00e9es<\/p>\n\n\n\n