Principes fondamentaux du machine learning

📋 Plan du Cours

1. Données d'apprentissage supervisé
2. Modèle mathématique ML
3. Entraînement et optimisation
4. Évaluation et généralisation
5. Régression linéaire ML
6. Biais et variance
7. Régularisation ML
8. Fonction de perte
9. Gradient descent
10. Modèles génératifs vs discriminatifs
11. Overfitting et techniques
12. Normalisation des couches

📖 1. Données d'apprentissage supervisé

🔑 Notions clés & Définitions

• Données étiquetées : Ensemble d'exemples où chaque entrée est associée à une sortie ou libellé (target). Exemple : image + catégorie.
• Ensemble d'entraînement : Sous-ensemble de données utilisé pour apprendre le modèle en ajustant ses paramètres.
• Fonction de perte (loss function) : Fonction qui mesure l'écart entre la prédiction du modèle et la valeur réelle ; objectif de l'apprentissage est de la minimiser.
• Généralisation : Capacité du modèle à bien performer sur des données non vues durant l'entraînement.
• Overfitting (sur-apprentissage) : Lorsque le modèle mémorise trop les données d'entraînement, perdant en capacité de généralisation.
• Inférence : Utilisation du modèle entraîné pour faire des prédictions sur de nouvelles données non étiquetées.

📝 Points essentiels