Fermer

août 30, 2022

L’apprentissage automatique et ses cas d’utilisation


Qu’est-ce que l’apprentissage automatique ?

L’apprentissage automatique consiste à prédire les résultats à l’aide d’une intelligence artificielle basée sur des modèles de données antérieurs. Il s’agit d’un programme informatique capable d’apprendre de nouvelles données et d’adapter de nouvelles données sans intervention humaine.

L’apprentissage automatique est un sous-ensemble de l’intelligence artificielle (IA) et c’est l’étude des algorithmes qui donne aux ordinateurs la capacité d’apprendre et de prendre des décisions basées sur des données et non sur des instructions explicites.

Si nous parlons d’un système d’exploitation, nous devons connaître le programme et le processus car le programme et le code peuvent changer ce que le processus fera. Si votre programme a besoin de données spécifiques, le processus que vous exécutez ira sur votre disque dur pour obtenir les données dont il a besoin.

Un exemple populaire consiste à apprendre à prédire si un e-mail est un spam ou non en lisant de nombreux e-mails différents de ces deux types.

Nous distinguons généralement trois types d’apprentissage automatique :
1) Apprentissage supervisé.
2) Apprentissage non supervisé.
3) Apprentissage par renforcement.

 

Enseignement supervisé.

Image 1

Source par – google

 

Fig 1. Le fonctionnement de l’apprentissage supervisé

L’apprentissage supervisé utilise un ensemble de données de formation pour apprendre aux modèles à produire la sortie souhaitée. L’apprentissage supervisé résout deux problèmes importants, la régression et la classification.

Apprentissage non supervisé :

Photo2

Source par – google

 

Fig 2. Le fonctionnement de l’apprentissage non supervisé

L’apprentissage non supervisé vise à identifier les clusters sans connaissance préalable des étiquettes de classe pour les données d’entrée pendant la formation. UL propose des clusters basés sur les modèles les plus fréquents à la fin de chaque étape de formation. Les données d’entrée sont affectées à un cluster particulier par le modèle pendant la phase de test. UL est principalement utilisé dans le regroupement et la réduction de la dimensionnalité.

Apprentissage par renforcement:

Photo3

Source par – google

 

Fig 3. Le fonctionnement de l’apprentissage par renforcement

L’apprentissage par renforcement implique des interactions avec l’environnement. Cette technique définit le modèle qui modifie le comportement dans son environnement en fonction des actions. L’approche gratifiante signifie le choix d’une action optimale. L’environnement d’apprentissage continue de récompenser chaque action entreprise par un score. La transition optimale est basée sur ces récompenses attribuées.

 

Utilise des cas d’apprentissage automatique

 

L’apprentissage automatique peut être utilisé dans divers secteurs comme la santé, les services financiers, les ventes et le marketing, la sécurité, etc.

  1. Suivi financier

Les algorithmes d’apprentissage automatique peuvent être utilisés pour améliorer considérablement la sécurité du réseau. Les scientifiques des données travaillent en permanence sur des programmes de formation pour détecter des signaux tels que les stratégies de blanchiment d’argent, qui peuvent être prévenus par la vigilance financière. L’avenir recèle un fort potentiel pour la technologie d’apprentissage automatique qui renforce les réseaux de cybersécurité les plus avancés.

  1. Identification des spams

Sans l’apprentissage automatique, nos boîtes de réception seraient remplies de spams ou d’e-mails non sollicités. Considérez ce que serait l’entreprise de supprimer ces grandes quantités d’e-mails indésirables. Personne n’a le temps de faire ça. Sans parler des risques de sécurité trouvés dans ces e-mails. Par conséquent, les fournisseurs de messagerie utilisent l’apprentissage automatique pour filtrer automatiquement les spams. Les réseaux de neurones peuvent sélectionner avec succès les spams en fonction des caractéristiques communes identifiées dans le contenu et le titre de l’expéditeur.

  1. Faire des recommandations de produits

Un programme de recommandation est une application d’apprentissage commercial général pour une entreprise. Utilisé pour les applications mobiles et Web, les plates-formes de divertissement (telles que Netflix et Google Play), les sites Web de commerce électronique (tels qu’Amazon et eBay) et les moteurs de recherche.

Les algorithmes d’apprentissage automatique enregistrent divers paramètres et données comportementales, y compris l’historique de navigation, les données de contexte (appareil, langue et emplacement), les détails des articles (catégorie, prix), l’achat, les pages vues, les vues des articles, les clics, etc., pour faire des recommandations.

Ceci, à son tour, permet aux entreprises d’augmenter leurs bénéfices, d’augmenter l’interaction des utilisateurs, d’augmenter le trafic et de réduire les niveaux de désabonnement.

  1. Collecte de données

L’une des responsabilités les plus importantes d’un médecin est d’enregistrer correctement les antécédents médicaux d’un patient. Cela peut souvent être un défi, car le patient n’est pas médecin et ne sait pas toujours quelles informations méritent d’être divulguées.

À l’aide d’une machine d’étude en gestion des soins de santé, les professionnels de la santé peuvent déterminer les questions les plus appropriées à poser à un patient en fonction d’une variété d’indications. Cela aidera à recueillir des données pertinentes et, en même temps, à obtenir les prévisions les plus précises.

  1. Recherche en santé

La recherche et les essais médicaux sont des procédures coûteuses et longues. Il y a une bonne raison à cela : les nouveaux médicaments et procédures médicales doivent être garantis avant qu’ils ne soient largement utilisés. Cependant, il existe des cas où la solution doit être libérée très rapidement – comme avec le vaccin COVID-19.

Heureusement, il existe un moyen de raccourcir le processus à l’aide d’algorithmes d’apprentissage automatique. Il peut être utilisé pour déterminer le meilleur échantillon, collecter des points de données supplémentaires, analyser les données continues des participants à l’étude et minimiser les erreurs basées sur les données.

Maintenant, comment pouvons-nous utiliser l’apprentissage automatique dans notre vie ou faire des prédictions basées sur des données précédentes.

Prenons un exemple d’un ensemble de données sur les salaires basé sur des années d’expérience. La formule pour calculer le salaire d’une personne en 4,5 ans sera : y = c + wx

Photo4

Ici, nous formerons notre modèle d’apprentissage automatique en important des données passées et après une formation réussie de notre modèle, nous testerons s’il nous fournit un salaire précis pour 3,5 ans d’expérience professionnelle. Nous importons la bibliothèque Pandas pour notre prédiction.

Photo5

Ici dès est notre variable dans laquelle nous stockons notre jeu de données et « .info() » est notre fonction qui donne des informations sur la variable

Photo6

Ici, dans notre ensemble de données, la colonne « YearExperience » décidera du salaire, nous mettons donc cette colonne dans une variable, c’est-à-dire x. et nous mettons la colonne « Salaire » dans une variable, c’est-à-dire y et nous avons remodelé les valeurs car nous devons convertir notre modèle en tableau 2d, nous sommes donc la fonction « .values » qui transformera notre variable x en numpyarray.

Photo7

Maintenant, nous avons importé le module sklearn pour utiliser la fonction « LinearRegression » et nous avons stocké cette fonction dans une variable « model ».

Photo8

Par cette fonction « model.coef_ », nous pouvons confirmer que notre modèle est formé avec succès.

Image9

Maintenant, nous allons faire un exemple de test que notre modèle prédit le salaire

Photo10

Le salaire réel pour 3,5 ans est de 64 445 $, mais notre modèle prévoyait qu’il serait de 56 454 $. Étant donné que la prédiction/précision de notre modèle dépend de la quantité de données historiques que nous fournissons au modèle, T ne sera jamais précis à 100 %.

Maintenant, si nous voulons calculer la précision donnée par notre modèle, nous pouvons simplement diviser le résultat prédit par le résultat réel et le multiplier par 100.

Photo11

Donc, ici, notre modèle s’est entraîné avec une précision de 87 %. À l’avenir, si nous fournissons plus de données historiques, la précision de notre modèle augmentera.

 

 




Source link