Glossaire du machine learning: Bases du ML

Cette page contient le glossaire des principes de base du ML. Pour voir tous les termes du glossaire, cliquez ici.

A

accuracy

#fundamentals

Nombre de prédictions de classification correctes, divisé par le nombre total de prédictions. Par exemple :

$$\text{Accuracy} = \frac{\text{correct predictions}} {\text{correct predictions + incorrect predictions }}$$

Par exemple, un modèle qui a effectué 40 prédictions correctes et 10 prédictions incorrectes aurait une précision de:

$$\text{Accuracy} = \frac{\text{40}} {\text{40 + 10}} = \text{80%}$$

La classification binaire fournit des noms spécifiques aux différentes catégories de prédictions correctes et de prédictions incorrectes. La formule de précision pour la classification binaire est donc la suivante:

$$\text{Accuracy} = \frac{\text{TP} + \text{TN}} {\text{TP} + \text{TN} + \text{FP} + \text{FN}}$$

où :

• "TP" correspond au nombre de vrais positifs (prédictions correctes).
• TN correspond au nombre de vrais négatifs (prédictions correctes).
• "FP" correspond au nombre de faux positifs (prédictions incorrectes).
• "FN" correspond au nombre de faux négatifs (prédictions incorrectes).

Comparez la précision avec la précision et le rappel.

Cliquez sur l'icône pour afficher des remarques supplémentaires.

Bien que cette métrique soit précieuse dans certaines situations, la précision peut prêter à confusion dans d'autres. En particulier, la justesse n'est généralement pas une bonne métrique pour évaluer les modèles de classification qui traitent les ensembles de données avec déséquilibre des classes.

Par exemple, supposons que la neige ne tombe que 25 jours par siècle dans une certaine ville subtropicale. Étant donné que le nombre de jours sans neige (classe négative) est largement supérieur au nombre de jours de neige (classe positive), l'ensemble de données sur les neiges de cette ville présente un déséquilibre des classes. Imaginez un modèle de classification binaire censé prédire l'absence de neige ou de neige chaque jour, mais qui prédit simplement "pas de neige" tous les jours. Ce modèle est très précis, mais n'a pas de performances prédictives. Le tableau suivant récapitule les résultats pour un siècle de prédictions:

Catégorie	Nombre
VP	0
VN	36500
FP	25
FN	0

La justesse de ce modèle est donc la suivante:

accuracy = (TP + TN) / (TP + TN + FP + FN)
accuracy = (0 + 36500) / (0 + 36500 + 25 + 0) = 0.9993 = 99.93%

Même si une justesse de 99,93% semble être un pourcentage impressionnant, le modèle n'a en réalité aucune puissance prédictive.

La précision et le rappel sont généralement des métriques plus utiles que la précision pour évaluer des modèles entraînés sur des ensembles de données avec déséquilibre des classes.

---

fonction d'activation

#fundamentals

Fonction qui permet aux réseaux de neurones d'apprendre des relations non linéaires (complexes) entre les caractéristiques et l'étiquette.

Les fonctions d'activation les plus courantes sont les suivantes:

• ReLU
• Sigmoïde

Les tracés des fonctions d'activation ne sont jamais des lignes droites simples. Par exemple, le tracé de la fonction d'activation ReLU est constitué de deux lignes droites:

Le tracé de la fonction d'activation sigmoïde se présente comme suit:

Cliquez sur l'icône pour voir un exemple.

Dans un réseau de neurones, les fonctions d'activation manipulent la somme pondérée de toutes les entrées d'un neurone. Pour calculer une somme pondérée, le neurone additionne les produits des valeurs et pondérations pertinentes. Par exemple, supposons que l'entrée pertinente pour un neurone se compose des éléments suivants:

valeur d'entrée	poids d'entrée
2	-1.3
-1	0.6
3	0.4

La somme pondérée est donc la suivante :

weighted sum = (2)(-1.3) + (-1)(0.6) + (3)(0.4) = -2.0

Supposons que le concepteur de ce réseau de neurones choisisse la fonction sigmoïde comme fonction d'activation. Dans ce cas, le neurone calcule la valeur sigmoïde de -2,0, soit approximativement 0,12. Par conséquent, le neurone transmet 0,12 (au lieu de -2,0) à la couche suivante du réseau de neurones. La figure suivante illustre la partie pertinente du processus:

---

l'intelligence artificielle

#fundamentals

Programme ou model non humain capable d'effectuer des tâches sophistiquées. Par exemple, un programme ou un modèle qui traduit du texte, ou un programme ou un modèle qui identifie des maladies à partir d'images radiologiques, exploitent tous deux l'intelligence artificielle.

Officiellement, le machine learning est un sous-domaine de l'intelligence artificielle. Cependant, ces dernières années, certaines organisations ont commencé à utiliser les termes intelligence artificielle et machine learning de manière interchangeable.

AUC (aire sous la courbe ROC)

#fundamentals

Nombre compris entre 0,0 et 1,0 représentant la capacité d'un modèle de classification binaire à séparer les classes positives des classes négatives. Plus l'AUC est proche de 1, plus le modèle est capable de séparer les classes les unes des autres.

Par exemple, l'illustration suivante montre un modèle de classificateur qui sépare parfaitement les classes positives (ovales vertes) des classes négatives (rectangles violets). Ce modèle irréaliste parfait a une AUC de 1,0:

À l'inverse, l'illustration suivante montre les résultats d'un modèle de classificateur ayant généré des résultats aléatoires. L'AUC de ce modèle est de 0,5:

Oui, l'AUC du modèle précédent est de 0,5, et non de 0,0.

La plupart des modèles se situent entre les deux extrêmes. Par exemple, le modèle suivant sépare quelque peu les positifs des négatifs et présente donc un AUC compris entre 0,5 et 1,0:

L'AUC ignore les valeurs que vous définissez pour le seuil de classification. L'AUC prend en compte tous les seuils de classification possibles.

Cliquez sur l'icône pour en savoir plus sur la relation entre les courbes AUC et ROC.

L'AUC représente l'aire sous une courbe ROC. Par exemple, la courbe ROC d'un modèle qui sépare parfaitement les positifs des négatifs se présente comme suit:

L'AUC correspond à l'aire de la zone grise illustrée dans l'illustration précédente. Dans ce cas inhabituel, l'aire correspond simplement à la longueur de la zone grise (1,0) multipliée par la largeur de la zone grise (1,0). Ainsi, le produit de 1,0 et 1,0 donne un AUC d'exactement 1,0, ce qui correspond au score AUC le plus élevé possible.

À l'inverse, la courbe ROC d'un classificateur qui ne peut pas du tout séparer les classes est la suivante. L'aire de cette zone grise est de 0,5.

Une courbe ROC plus typique ressemble approximativement à ce qui suit:

Il serait difficile de calculer manuellement l'aire sous cette courbe, c'est pourquoi un programme calcule généralement la plupart des valeurs AUC.

---

Cliquez sur l'icône pour obtenir une définition plus formelle de l'AUC.

L'AUC correspond à la probabilité qu'un classificateur soit plus confiant qu'un exemple positif choisi aléatoirement par rapport à un exemple négatif choisi aléatoirement.

---

B

rétropropagation

#fundamentals

Algorithme qui met en œuvre la descente de gradient dans les réseaux de neurones.

L'entraînement d'un réseau de neurones implique de nombreuses itérations du cycle en deux passages suivant:

1. Lors de la transmission, le système traite un lot d'exemples pour générer une ou plusieurs prédictions. Le système compare chaque prédiction à chaque valeur d'étiquette. La différence entre la prédiction et la valeur de l'étiquette est la perte pour cet exemple. Le système agrège les pertes pour tous les exemples afin de calculer la perte totale pour le lot en cours.
2. Lors du passage inverse (rétropropagation), le système réduit la perte en ajustant les pondérations de tous les neurones de toutes les couches cachées.

Les réseaux de neurones contiennent souvent de nombreux neurones dans plusieurs couches cachées. Chacun de ces neurones contribue à la perte globale de différentes manières. La rétropropagation détermine s'il faut augmenter ou diminuer les pondérations appliquées à des neurones spécifiques.

Le taux d'apprentissage est un multiplicateur qui contrôle le degré d'augmentation ou de diminution de chaque pondération. Un taux d'apprentissage élevé augmente ou diminue chaque pondération plus qu'un faible taux d'apprentissage.

En termes de calcul, la rétropropagation implémente la règle de chaîne du calcul. En d'autres termes, la rétropropagation calcule la dérivée partielle de l'erreur par rapport à chaque paramètre. Pour en savoir plus, consultez ce tutoriel du cours d'initiation au machine learning.

Il y a des années, les professionnels du ML devaient écrire du code pour implémenter la rétropropagation. Les API de ML modernes telles que TensorFlow implémentent désormais la rétropropagation à votre place. Ouf !

lot

#fundamentals

Ensemble d'exemples utilisés dans une itération d'entraînement. La taille de lot détermine le nombre d'exemples dans un lot.

Pour plus d'informations sur la relation entre un lot et une époque, consultez la section epoch.

taille de lot

#fundamentals

Nombre d'exemples d'un lot. Par exemple, si la taille de lot est de 100, le modèle traite 100 exemples par itération.

Voici quelques stratégies populaires de taille de lot:

• Descente de gradient stochastique (SGD), dans laquelle la taille de lot est de 1.
• lot complet, dans lequel la taille de lot correspond au nombre d'exemples de l'ensemble de l'ensemble d'entraînement. Par exemple, si l'ensemble d'entraînement contient un million d'exemples, la taille de lot est d'un million d'exemples. Le lot complet est généralement une stratégie inefficace.
• mini-lot dont la taille de lot est généralement comprise entre 10 et 1 000. Le mini-lot est généralement la stratégie la plus efficace.

biais (éthique/impartialité)

#fairness

#fundamentals

1. Stéréotypes, préjugés ou favoritisme envers certaines choses, certaines personnes ou certains groupes plutôt que d'autres. Ces biais peuvent affecter la collecte et l'interprétation des données, ainsi que la conception d'un système et la façon dont les utilisateurs interagissent avec celui-ci. Les formes de ce type de préjugé sont les suivantes:

• biais d'automatisation
• biais de confirmation
• biais de l'expérimentateur
• biais d'attribution de groupe
• biais implicite
• biais d'appartenance
• biais d'homogénéité de l'exogroupe

2. Erreur systématique introduite par une procédure d'échantillonnage ou de création de rapports. Les formes de ce type de préjugé sont les suivantes:

• biais de couverture
• biais de non-réponse
• biais de participation
• biais de fréquence
• biais d'échantillonnage
• biais de sélection

À ne pas confondre avec le biais des modèles de machine learning ou le biais de prédiction.

biais (mathématique) ou terme de biais

#fundamentals

Interception ou décalage par rapport à une origine. Dans les modèles de machine learning, le biais est un paramètre symbolisé par l'un des éléments suivants:

• b
• ₀

Par exemple, le b est le biais dans la formule suivante:

$$y' = b + w_1x_1 + w_2x_2 + … w_nx_n$$

Dans une simple ligne à deux dimensions, le biais signifie simplement « à l'origine ». Par exemple, dans l'illustration suivante, le biais de la ligne est de 2.

Il existe un biais, car tous les modèles ne commencent pas à partir de l'origine (0,0). Par exemple, supposons qu'un parc d'attractions coûte 2 EUR pour l'entrée et 0,5 EUR supplémentaire par heure de séjour. Par conséquent, un modèle mappant le coût total présente un biais de 2, car le coût le plus faible est de 2 euros.

Le biais ne doit pas être confondu avec le biais d'éthique et d'impartialité ni avec le biais de prédiction.

classification binaire

#fundamentals

Type de tâche de classification qui prédit l'une des deux classes mutuellement exclusives:

• la classe positive
• la classe négative

Par exemple, les deux modèles de machine learning suivants effectuent chacun une classification binaire:

• Modèle qui détermine si les e-mails sont du spam (la classe positive) ou non spam (la classe négative).
• Modèle qui évalue les symptômes médicaux pour déterminer si une personne est atteinte d'une maladie particulière (classe positive) ou n'en souffre pas (classe négative).

À comparer à la classification à classes multiples.

Voir aussi régression logistique et seuil de classification.

binning (bucketing)

#fundamentals

Conversion d'une seule fonctionnalité en plusieurs fonctionnalités binaires appelées buckets ou bins, généralement en fonction d'une plage de valeurs. L'élément géographique découpé est généralement un élément continu.

Par exemple, au lieu de représenter la température comme une seule caractéristique continue à virgule flottante, vous pouvez découper des plages de températures en buckets distincts, comme:

• Une température inférieure ou égale à 10 degrés Celsius correspond à la plage "froid".
• Une température comprise entre 11 et 24 degrés Celsius correspond à l'ensemble "tempéré".
• >= 25 degrés Celsius, correspond à un seau "chaud".

Le modèle traitera toutes les valeurs d'un même bucket de manière identique. Par exemple, les valeurs 13 et 22 se trouvent toutes deux dans le bucket tempéré. Le modèle traite donc les deux valeurs de manière identique.

Cliquez sur l'icône pour afficher des remarques supplémentaires.

Si vous représentez la température comme une caractéristique continue, le modèle la traite comme une seule caractéristique. Si vous représentez la température sous la forme de trois buckets, le modèle traite chaque bucket comme une caractéristique distincte. Autrement dit, un modèle peut apprendre des relations distinctes entre chaque bucket et l'étiquette. Par exemple, un modèle de régression linéaire peut apprendre des pondérations distinctes pour chaque bucket.

L'augmentation du nombre de buckets complique votre modèle en augmentant le nombre de relations qu'il doit apprendre. Par exemple, les buckets froid, tempéré et chaud représentent trois caractéristiques distinctes pour l'entraînement de votre modèle. Si vous décidez d'ajouter deux buckets supplémentaires (par exemple, le gel et le chaud), votre modèle devra désormais s'entraîner sur cinq caractéristiques distinctes.

Comment savoir combien de buckets créer ou quelles plages doivent être définies pour chaque bucket ? Les réponses nécessitent généralement un certain nombre d'expérimentations.

---

C

données catégorielles

#fundamentals

Caractéristiques ayant un ensemble spécifique de valeurs possibles Prenons l'exemple d'une caractéristique catégorielle nommée traffic-light-state, qui ne peut avoir que l'une des trois valeurs possibles suivantes:

• red
• yellow
• green

En représentant traffic-light-state comme une caractéristique catégorielle, un modèle peut apprendre les impacts différents de red, green et yellow sur le comportement du conducteur.

Les caractéristiques catégoriques sont parfois appelées caractéristiques discrètes.

À comparer aux données numériques.

classe

#fundamentals

Catégorie à laquelle un libellé peut appartenir. Exemple :

• Dans un modèle de classification binaire qui détecte le spam, les deux classes peuvent être spam et non spam.
• Dans un modèle de classification à classes multiples qui identifie les races de chiens, les classes peuvent être caniche, beagle, carlin, etc.

Un modèle de classification prédit une classe. En revanche, un modèle de régression prédit un nombre plutôt qu'une classe.

modèle de classification

#fundamentals

Un model dont la prédiction est une model. Par exemple, voici tous les modèles de classification:

• Modèle qui prédit la langue d'une phrase d'entrée (en français ? De l'espagnol ? italien).
• Un modèle qui prédit les espèces d'arbres (érable, Oak? Baobab?).
• Modèle qui prédit la classe positive ou négative d'un problème médical particulier.

En revanche, les modèles de régression prédisent des nombres plutôt que des classes.

Deux types courants de modèles de classification sont les suivants:

• classification binaire
• classification à classes multiples

seuil de classification

#fundamentals

Dans une classification binaire, nombre compris entre 0 et 1 qui convertit la sortie brute d'un modèle de régression logistique en prédiction de la classe positive ou de la classe négative. Notez que le seuil de classification est une valeur choisie par un humain, et non une valeur choisie par l'entraînement du modèle.

Un modèle de régression logistique génère une valeur brute comprise entre 0 et 1. Ensuite :

• Si cette valeur brute est supérieure au seuil de classification, la classe positive est prédite.
• Si cette valeur brute est inférieure au seuil de classification, la classe négative est prédite.

Par exemple, supposons que le seuil de classification soit de 0,8. Si la valeur brute est de 0,9, le modèle prédit la classe positive. Si la valeur brute est de 0,7, le modèle prédit la classe négative.

Le choix du seuil de classification influe fortement sur le nombre de faux positifs et de faux négatifs.

Cliquez sur l'icône pour afficher des remarques supplémentaires.

À mesure que les modèles ou les ensembles de données évoluent, il arrive que les ingénieurs modifient également le seuil de classification. Lorsque le seuil de classification change, les prédictions de classes positives peuvent devenir soudainement des classes négatives, et inversement.

Prenons l'exemple d'un modèle de prédiction de maladie de classification binaire. Supposons que lorsque le système s'exécute au cours de la première année:

• La valeur brute pour un patient particulier est 0,95.
• Le seuil de classification est de 0,94.

Le système diagnostique donc la classe positive. (Le patient halète : "Oh non ! Je suis malade !")

Un an plus tard, les valeurs se présentent peut-être maintenant comme suit:

• La valeur brute pour le même patient reste à 0,95.
• Le seuil de classification passe à 0,97.

Par conséquent, le système reclassifie ce patient dans la classe négative. ("Bonne journée ! je ne suis pas malade.") Même patient. Diagnostic différent.

---

ensemble de données avec déséquilibre des classes

#fundamentals

Ensemble de données pour un problème de classification dans lequel le nombre total d'étiquettes de chaque classe diffère considérablement. Prenons l'exemple d'un ensemble de données de classification binaire dont les deux étiquettes sont divisées comme suit:

• 1 000 000 étiquettes négatives
• 10 étiquettes positives

Le ratio entre les étiquettes négatives et positives est de 100 000 pour 1. Il s'agit donc d'un ensemble de données avec déséquilibre des classes.

En revanche, l'ensemble de données suivant n'est pas déséquilibré, car le ratio entre les étiquettes négatives et les étiquettes positives est relativement proche de 1:

• 517 libellés à exclure
• 483 étiquettes positives

Les ensembles de données à classes multiples peuvent également présenter un déséquilibre des classes. Par exemple, l'ensemble de données de classification à classes multiples suivant présente également un déséquilibre des classes, car une étiquette contient beaucoup plus d'exemples que les deux autres:

• 1 000 000 d'étiquettes avec la classe "green"
• 200 étiquettes avec la classe "violet"
• 350 libellés avec la classe "orange"

Voir aussi entropie, classe majoritaire et classe minoritaire.

bornement

#fundamentals

Technique de gestion des anomalies en effectuant l'une des opérations suivantes, ou les deux:

• Réduire les valeurs de caractéristique supérieures à un seuil maximal jusqu'à ce seuil maximal.
• Augmenter les valeurs de caractéristiques inférieures à un seuil minimal jusqu'à ce seuil minimal.

Par exemple, supposons que < 0,5% des valeurs d'une caractéristique particulière se situent en dehors de la plage 40-60. Dans ce cas, vous pouvez procéder comme suit:

• Borne toutes les valeurs supérieures à 60 (seuil maximal) pour qu'elles soient exactement égales à 60.
• Borne toutes les valeurs inférieures à 40 (seuil minimal) pour obtenir exactement 40.

Les anomalies peuvent endommager les modèles, en provoquant parfois un dépassement des pondérations pendant l'entraînement. Certaines anomalies peuvent également gâcher considérablement des métriques telles que la précision. Le rognage est une technique courante pour limiter les dommages.

L'écorçage du gradient force les valeurs du gradient dans une plage désignée pendant l'entraînement.

Matrice de confusion

#fundamentals

Une table NxN qui résume le nombre de prédictions correctes et incorrectes générées par un modèle de classification. Prenons l'exemple de la matrice de confusion suivante pour un modèle de classification binaire:

	Tumeur (prédiction)	Pas de tumeur (prédiction)
Tumeur (vérité terrain)	18 (VP)	1 (FN)
Pas de tumeur (vérité terrain)	6 (FP)	452 (VN)

La matrice de confusion précédente montre les éléments suivants:

• Sur les 19 prédictions pour lesquelles la vérité terrain correspondait à Tumor, le modèle en a correctement classé 18 et n'en a pas classé 1.
• Sur les 458 prédictions pour lesquelles la vérité terrain était "Non-Tumor", le modèle a classé correctement 452 et incorrectement 6.

La matrice de confusion d'un problème de classification à classes multiples peut vous aider à identifier les modèles d'erreurs. Prenons l'exemple de la matrice de confusion suivante pour un modèle de classification à trois classes qui classe trois types d'iris différents (Virginica, Versicolor et Setosa). Lorsque la vérité terrain était Virginica, la matrice de confusion montre que le modèle était beaucoup plus susceptible de prédire par erreur Versicolor que Setosa:

	Setosa (prédiction)	Versicolor (prédiction)	Virginica (prédiction)
Setosa (vérité terrain)	88	12	0
Versicolor (vérité terrain)	6	141	7
Virginica (vérité terrain)	2	27	109

Autre exemple, une matrice de confusion peut révéler qu'un modèle entraîné à reconnaître les chiffres manuscrits a tendance à prédire par erreur 9 au lieu de 4, ou prédit par erreur 1 au lieu de 7.

Les matrices de confusion contiennent suffisamment d'informations pour calculer diverses métriques de performances, y compris la précision et le rappel.

caractéristique continue

#fundamentals

Caractéristique à virgule flottante avec une plage infinie de valeurs possibles, telles que la température ou le poids.

À comparer à la caractéristique discrète.

convergence

#fundamentals

État atteint lorsque les valeurs de loss changent très peu, voire pas du tout, à chaque itération. Par exemple, la courbe de perte suivante suggère une convergence à environ 700 itérations:

Un modèle converge lorsqu'un entraînement supplémentaire ne permet pas de l'améliorer.

Dans le deep learning, les valeurs de perte restent parfois constantes ou presque pendant de nombreuses itérations avant de finir par diminuer. Au cours d'une longue période de valeurs de perte constante, vous pouvez temporairement obtenir un faux sentiment de convergence.

Voir aussi arrêt prématuré.

D

DataFrame

#fundamentals

Type de données Pandas populaire pour représenter les ensembles de données en mémoire.

Un DataFrame est semblable à un tableau ou à une feuille de calcul. Chaque colonne d'un DataFrame porte un nom (un en-tête) et chaque ligne est identifiée par un numéro unique.

Chaque colonne d'un DataFrame est structurée comme un tableau 2D, à la différence que chaque colonne peut se voir attribuer son propre type de données.

Consultez également la page de référence officielle de pandas.DataFrame.

ensemble de données

#fundamentals

Collection de données brutes, généralement (mais pas exclusivement) organisée dans l'un des formats suivants:

• une feuille de calcul
• Fichier au format CSV (valeurs séparées par une virgule)

modèle profond

#fundamentals

Un réseau de neurones contenant plusieurs couches cachées.

Un modèle profond est également appelé réseau de neurones profond.

À comparer au modèle large.

caractéristique dense

#fundamentals

Caractéristique dans laquelle la plupart ou la totalité des valeurs sont différentes de zéro, généralement un Tensor de valeurs à virgule flottante. Par exemple, le Tensor à 10 éléments suivant est dense, car neuf de ses valeurs sont différentes de zéro:

8

3

7

5

2

4

0

4

9

6

À comparer à la caractéristique creuse.

depth

#fundamentals

La somme des éléments suivants dans un réseau de neurones:

• le nombre de couches cachées ;
• Le nombre de couches de sortie, qui est généralement de 1
• le nombre de couches de représentation vectorielle continue (le cas échéant).

Par exemple, un réseau de neurones avec cinq couches cachées et une couche de sortie a une profondeur de 6.

Notez que la couche d'entrée n'a aucune incidence sur la profondeur.

caractéristique discrète

#fundamentals

Caractéristique avec un ensemble limité de valeurs possibles. Par exemple, une caractéristique dont les valeurs peuvent uniquement être animal, végétal ou minéral est une caractéristique discrète (ou catégorielle).

À comparer à la caractéristique continue.

dynamic

#fundamentals

quelque chose fait fréquemment ou en continu. Les termes dynamique et en ligne sont des synonymes en machine learning. Voici quelques exemples d'utilisations courantes des éléments dynamiques et en ligne en machine learning:

• Un modèle dynamique (ou modèle en ligne) est un modèle qui est réentraîné fréquemment ou en continu.
• L'entraînement dynamique (ou entraînement en ligne) est le processus d'entraînement fréquemment ou continu.
• L'inférence dynamique (ou inférence en ligne) consiste à générer des prédictions à la demande.

modèle dynamique

#fundamentals

model qui est fréquemment (peut-être même en continu) réentraîné. Un modèle dynamique est un "apprenant tout au long de la vie" qui s'adapte en permanence à l'évolution des données. Un modèle dynamique est également appelé modèle en ligne.

À comparer au modèle statique.

E

arrêt prématuré

#fundamentals

Méthode de régularisation qui implique l'arrêt de l'entraînement avant que la perte d'entraînement ne diminue. Lors de l'arrêt prématuré, vous arrêtez intentionnellement l'entraînement du modèle lorsque la perte sur un ensemble de données de validation commence à augmenter, c'est-à-dire lorsque les performances de généralisation s'aggravent.

Cliquez sur l'icône pour afficher des remarques supplémentaires.

Un arrêt prématuré peut sembler contre-intuitif. Après tout, demander à un modèle d'arrêter l'entraînement alors que la perte diminue peut sembler demander à un chef d'arrêter la cuisson avant que le dessert n'ait fini de cuire. Toutefois, entraîner un modèle trop longtemps peut entraîner un surapprentissage. Autrement dit, si vous entraînez un modèle trop longtemps, il risque de s'adapter si étroitement aux données d'entraînement qu'il risque de ne pas pouvoir fournir de prédictions correctes sur de nouveaux exemples.

---

couche de représentation vectorielle continue

#language

#fundamentals

Une couche cachée spéciale qui s'entraîne sur une caractéristique catégorique de grande dimension pour apprendre progressivement un vecteur de représentation vectorielle continue de dimension inférieure. Une couche d'intégration permet à un réseau de neurones de s'entraîner beaucoup plus efficacement que sur la caractéristique catégorielle à grande dimension.

Par exemple, la Terre abrite actuellement environ 73 000 espèces d'arbres. Supposons que l'espèce d'arbre soit une caractéristique de votre modèle. La couche d'entrée de votre modèle inclut donc un vecteur one-hot d'une longueur de 73 000 éléments. Par exemple, peut-être baobab serait représenté comme ceci:

Un tableau de 73 000 éléments est très long. Si vous n'ajoutez pas de couche de représentations vectorielles continues au modèle, l'entraînement prendra beaucoup de temps en raison du multiplication de 72 999 zéros. Peut-être que la couche de représentations vectorielles continues doit être composée de 12 dimensions. Par conséquent, la couche de représentations vectorielles continues apprend progressivement un nouveau vecteur pour chaque espèce d'arbre.

Dans certains cas, le hachage est une alternative raisonnable à une couche de représentations vectorielles continues.

epoch

#fundamentals

Passage d'entraînement complet sur l'intégralité de l'ensemble d'entraînement de sorte que chaque exemple soit traité une fois.

Une époque représente les itérations d'entraînement N/taille de lot, où N correspond au nombre total d'exemples.

Par exemple, supposons que:

• L'ensemble de données comprend 1 000 exemples.
• La taille de lot est de 50 exemples.

Par conséquent, une seule époque nécessite 20 itérations:

1 epoch = (N/batch size) = (1,000 / 50) = 20 iterations

exemple

#fundamentals

Les valeurs d'une ligne de features et éventuellement d'un libellé. Les exemples d'apprentissage supervisé appartiennent à deux catégories générales:

• Un exemple étiqueté se compose d'une ou de plusieurs caractéristiques et d'une étiquette. Les exemples étiquetés sont utilisés pendant l'entraînement.
• Un exemple sans étiquette est constitué d'une ou de plusieurs caractéristiques, mais pas d'étiquette. Les exemples sans étiquette sont utilisés lors de l'inférence.

Par exemple, supposons que vous entraîniez un modèle pour déterminer l'influence des conditions météorologiques sur les résultats aux tests des élèves. Voici trois exemples étiquetés:

Fonctionnalités			Libellé
Température	Humidité	Pression	Résultat au test
15	47	998	Bonne
19	34	1020	Excellent
18	92	1012	Médiocre

Voici trois exemples sans étiquette:

Température	Humidité	Pression
12	62	1014
21	47	1017
19	41	1021

La ligne d'un ensemble de données est généralement la source brute fournie à titre d'exemple. Autrement dit, un exemple est généralement constitué d'un sous-ensemble des colonnes de l'ensemble de données. De plus, les caractéristiques d'un exemple peuvent également inclure des caractéristiques synthétiques, telles que les croisements de caractéristiques.

F.

faux négatif (FN)

#fundamentals

Exemple dans lequel le modèle prédit à tort la classe négative. Par exemple, le modèle prédit qu'un e-mail particulier n'est pas du spam (classe négative), mais que cet e-mail est en fait du spam.

faux positif (FP)

#fundamentals

Exemple dans lequel le modèle prédit à tort la classe positive. Par exemple, le modèle prédit qu'un e-mail particulier est du spam (classe positive), alors que cet e-mail n'est en fait pas un spam.

taux de faux positifs (TFP)

#fundamentals

Proportion d'exemples négatifs réels pour lesquels le modèle a prédit à tort la classe positive. La formule suivante calcule le taux de faux positifs:

$$\text{false positive rate} = \frac{\text{false positives}}{\text{false positives} + \text{true negatives}}$$

Le taux de faux positifs correspond à l'axe des abscisses d'une courbe ROC.

fonctionnalité

#fundamentals

Variable d'entrée d'un modèle de machine learning. Un exemple est constitué d'une ou de plusieurs caractéristiques. Par exemple, supposons que vous entraîniez un modèle pour déterminer l'influence des conditions météorologiques sur les résultats aux tests des élèves. Le tableau suivant présente trois exemples, chacun contenant trois caractéristiques et une étiquette:

Fonctionnalités			Libellé
Température	Humidité	Pression	Résultat au test
15	47	998	92
19	34	1020	84
18	92	1012	87

À comparer à l'étiquette.

croisement de caractéristiques

#fundamentals

Caractéristique synthétique formée par le "croisement" de caractéristiques catégorielles ou réparties en bins.

Prenons l'exemple d'un modèle de "prévision de l'humeur" qui représente la température dans l'un des quatre buckets suivants:

• freezing
• chilly
• temperate
• warm

Et représente la vitesse du vent dans l'un des trois segments suivants:

• still
• light
• windy

Sans croisements de caractéristiques, le modèle linéaire s'entraîne indépendamment sur chacun des sept buckets précédents. Ainsi, le modèle s'entraîne avec, par exemple, freezing indépendamment de l'entraînement sur, par exemple, windy.

Vous pouvez également créer un croisement de caractéristiques entre la température et la vitesse du vent. Cette caractéristique synthétique aurait les 12 valeurs possibles suivantes:

• freezing-still
• freezing-light
• freezing-windy
• chilly-still
• chilly-light
• chilly-windy
• temperate-still
• temperate-light
• temperate-windy
• warm-still
• warm-light
• warm-windy

Grâce aux croisements de caractéristiques, le modèle peut apprendre les différences d'humeur entre un jour freezing-windy et un jour freezing-still.

Si vous créez une caractéristique synthétique à partir de deux caractéristiques comportant chacune de nombreux buckets différents, le croisement de caractéristiques résultant aura un grand nombre de combinaisons possibles. Par exemple, si une caractéristique comporte 1 000 buckets et que l'autre comporte 2 000 buckets, le croisement de caractéristiques résultant comporte 2 000 000 de buckets.

Officiellement, un croisement est un produit cartésien.

Les croisements de caractéristiques sont principalement utilisés avec des modèles linéaires et sont rarement utilisés avec des réseaux de neurones.

Extraction de caractéristiques

#fundamentals

#TensorFlow

Un processus qui comprend les étapes suivantes:

1. Déterminer les caractéristiques qui pourraient être utiles pour entraîner un modèle
2. Conversion des données brutes de l'ensemble de données en versions efficaces de ces caractéristiques

Par exemple, vous pouvez déterminer que temperature peut être une fonctionnalité utile. Vous pouvez ensuite tester le binning pour optimiser ce que le modèle peut apprendre à partir de différentes plages temperature.

L'extraction de caractéristiques est parfois appelée extraction de caractéristiques.

Cliquez sur l'icône pour consulter des remarques supplémentaires sur TensorFlow.

Dans TensorFlow, l'extraction de caractéristiques consiste souvent à convertir les entrées des fichiers journaux bruts en tampons de protocole tf.Example. Consultez également tf.Transform.

---

ensemble de caractéristiques

#fundamentals

Groupe des caractéristiques utilisées pour l'entraînement de votre modèle de machine learning. Par exemple, le code postal, la taille et l'état du bien peuvent inclure un ensemble de caractéristiques simple pour un modèle qui prédit le prix des logements.

vecteur de caractéristiques

#fundamentals

Tableau de valeurs de feature comprenant un exemple. Le vecteur de caractéristiques est saisi pendant l'entraînement et l'inférence. Par exemple, le vecteur de caractéristiques d'un modèle comportant deux caractéristiques distinctes peut être:

[0.92, 0.56]

Chaque exemple fournit différentes valeurs pour le vecteur de caractéristiques. Le vecteur de caractéristiques du prochain exemple pourrait donc se présenter comme suit:

[0.73, 0.49]

L'extraction de caractéristiques détermine comment représenter les caractéristiques dans le vecteur de caractéristiques. Par exemple, une caractéristique catégorielle binaire avec cinq valeurs possibles peut être représentée avec l'encodage one-hot. Dans ce cas, la partie du vecteur de caractéristiques d'un exemple particulier serait composée de quatre zéros et d'un seul 1,0 en troisième position, comme suit:

[0.0, 0.0, 1.0, 0.0, 0.0]

Supposons maintenant que votre modèle comporte trois caractéristiques:

• Une caractéristique catégorielle binaire avec cinq valeurs possibles représentées par encodage one-hot ; par exemple: [0.0, 1.0, 0.0, 0.0, 0.0]
• Une autre caractéristique catégorielle binaire avec trois valeurs possibles représentées avec l'encodage one-hot ; par exemple: [0.0, 0.0, 1.0]
• une caractéristique à virgule flottante, par exemple: 8.3.

Dans ce cas, le vecteur de caractéristiques de chaque exemple serait représenté par neuf valeurs. Compte tenu des exemples de valeurs de la liste précédente, le vecteur de caractéristiques serait:

0.0
1.0
0.0
0.0
0.0
0.0
0.0
1.0
8.3

boucle de rétroaction

#fundamentals

En machine learning, situation dans laquelle les prédictions d'un modèle influencent les données d'entraînement du même modèle ou d'un autre. Par exemple, un modèle qui recommande des films aura un impact sur ceux que les utilisateurs verront, ce qui aura une incidence sur les modèles de recommandation de films suivants.

G

généralisation

#fundamentals

Capacité d'un modèle à effectuer des prédictions correctes sur de nouvelles données qui n'ont pas encore été vues. Un modèle pouvant généraliser est l'opposé d'un modèle en surapprentissage.

Cliquez sur l'icône pour afficher des remarques supplémentaires.

Vous entraînez un modèle à partir des exemples de l'ensemble d'entraînement. Par conséquent, il apprend les particularités des données de l'ensemble d'entraînement. La généralisation consiste essentiellement à demander si votre modèle peut effectuer des prédictions de qualité sur des exemples qui ne figurent pas dans l'ensemble d'entraînement.

Pour encourager la généralisation, la régularisation aide un modèle à s'entraîner avec moins de précisions sur les particularités des données de l'ensemble d'entraînement.

---

courbe de généralisation

#fundamentals

Tracé de la perte d'entraînement et de la perte de validation en tant que fonction du nombre d'itérations.

Une courbe de généralisation peut vous aider à détecter un éventuel surapprentissage. Par exemple, la courbe de généralisation suivante suggère un surapprentissage, car la perte de validation devient, à terme, beaucoup plus élevée que la perte d'entraînement.

descente de gradient

#fundamentals

Technique mathématique permettant de minimiser la perte. La descente de gradient ajuste de manière itérative les pondérations et les biais, trouvant progressivement la meilleure combinaison pour minimiser la perte.

La descente de gradient est plus ancienne (beaucoup plus ancienne) que le machine learning.

vérité terrain

#fundamentals

La réalité.

La chose qui s'est réellement produite.

Prenons l'exemple d'un modèle de classification binaire, qui prédit si un étudiant en première année d'université obtiendra son diplôme dans les six ans. La vérité terrain pour ce modèle est de savoir si cet étudiant a réellement obtenu son diplôme dans les six ans.

Cliquez sur l'icône pour afficher des remarques supplémentaires.

Nous évaluons la qualité du modèle en fonction de la vérité terrain. Cependant, la vérité terrain n'est pas toujours complètement, eh bien, véridique. Prenons les exemples suivants d'imperfections potentielles dans la vérité terrain:

• Dans l'exemple de remise de diplôme, sommes-nous certain que les dossiers de remise de diplôme de chaque élève sont toujours corrects ? La tenue de dossiers de l'université est-elle irréprochable ?
• Supposons que l'étiquette soit une valeur à virgule flottante mesurée par des instruments (par exemple, des baromètres). Comment s'assurer que chaque instrument est étalonné de manière identique ou que chaque relevé a été effectué dans les mêmes circonstances ?
• Si l'étiquette est une question d'opinion humaine, comment pouvons-nous être sûrs que chaque évaluateur humain évalue les événements de la même manière ? Pour améliorer la cohérence, des évaluateurs manuels experts interviennent parfois.

---

H

couche cachée

#fundamentals

Une couche d'un réseau de neurones entre la couche d'entrée (les caractéristiques) et la couche de sortie (la prédiction). Chaque couche cachée est composée d'un ou de plusieurs neurones. Par exemple, le réseau de neurones suivant contient deux couches cachées, la première avec trois neurones et la seconde avec deux neurones:

Un réseau de neurones profond contient plusieurs couches cachées. Par exemple, l'illustration précédente représente un réseau de neurones profond, car le modèle contient deux couches cachées.

hyperparamètre

#fundamentals

Les variables que vous ou un service de réglage des hyperparamètresajustez lors d'exécutions successives de l'entraînement d'un modèle. Le taux d'apprentissage, par exemple, est un hyperparamètre. Vous pouvez définir le taux d'apprentissage sur 0,01 avant une session d'entraînement. Si vous estimez que 0,01 est trop élevé, vous pouvez peut-être définir le taux d'apprentissage sur 0,003 pour la prochaine session d'entraînement.

En revanche, les paramètres correspondent aux différentes pondérations et biais que le modèle apprend pendant l'entraînement.

I

distribués de façon indépendante et identique (i.i.d)

#fundamentals

Données tirées d'une distribution qui ne change pas et où chaque valeur tirée ne dépend pas des valeurs déjà dessinées. Une IA est le gaz idéal du machine learning : c'est une construction mathématique utile qui ne se trouve presque jamais à l'identique dans le monde réel. Par exemple, la répartition des visiteurs d'une page Web peut être basée sur des variables iid sur une courte période. En d'autres termes, la répartition ne change pas pendant cette période et la visite d'une personne est généralement indépendante de celle d'une autre. Toutefois, si vous allongez cette période, des différences saisonnières au niveau des visiteurs de la page Web peuvent apparaître.

Voir aussi nonstationarité.

inférence

#fundamentals

En machine learning, processus de prédiction en appliquant un modèle entraîné à des exemples sans étiquette.

L'inférence a une signification quelque peu différente en termes de statistiques. Pour en savoir plus, consultez l' article Wikipédia sur l'inférence statistique.

couche d'entrée

#fundamentals

Couche d'un réseau de neurones contenant le vecteur de caractéristiques. Autrement dit, la couche d'entrée fournit des exemples d'entraînement ou d'inférence. Par exemple, la couche d'entrée du réseau de neurones suivant comprend deux caractéristiques:

interprétabilité

#fundamentals

Capacité à expliquer à un humain le raisonnement d'un modèle de ML ou à le présenter en termes compréhensibles.

La plupart des modèles de régression linéaire, par exemple, sont hautement interprétables. (Il vous suffit d'examiner les pondérations entraînées pour chaque caractéristique.) Les forêts de décision sont également très interprétables. Cependant, certains modèles nécessitent une visualisation sophistiquée pour devenir interprétables.

Vous pouvez utiliser l'outil d'interprétation de l'apprentissage (LIT) pour interpréter des modèles de ML.

itération

#fundamentals

Mise à jour unique des paramètres d'un modèle (pondérations et biais du modèle) pendant l'entraînement. La taille de lot détermine le nombre d'exemples que le modèle traite en une seule itération. Par exemple, si la taille de lot est de 20, le modèle traite 20 exemples avant d'ajuster les paramètres.

Lors de l'entraînement d'un réseau de neurones, une seule itération implique les deux passes suivantes:

1. Passe avant pour évaluer la perte sur un seul lot.
2. Rétropropagation (rétropropagation) pour ajuster les paramètres du modèle en fonction de la perte et du taux d'apprentissage.

L

Régularisation L₀

#fundamentals

Type de régularisation qui pénalise le nombre total de pondérations non nulles dans un modèle. Par exemple, un modèle ayant 11 pondérations non nulles serait plus pénalisé qu'un modèle similaire ayant 10 pondérations non nulles.

La régularisation L₀ est parfois appelée régularisation de la norme L0.

Cliquez sur l'icône pour afficher des remarques supplémentaires.

La régularisation L₀ n'est généralement pas pratique dans les grands modèles, car la régularisation L₀ transforme l'entraînement en un problème d'optimisation convexe.

---

perte L₁

#fundamentals

Une fonction de perte qui calcule la valeur absolue de la différence entre les valeurs réelles d'étiquette et les valeurs prédites par un modèle. Voici par exemple le calcul de la perte L₁ pour un lot de cinq exemples:

Valeur réelle de l'exemple	Valeur prédite du modèle	Valeur absolue du delta
7	6	1
5	4	1
8	11	3
4	6	2
9	8	1
		8 = perte L1

La perte L₁ est moins sensible aux anomalies que la perte L₂.

L'erreur absolue moyenne correspond à la perte L₁ moyenne par exemple.

Cliquez sur l'icône pour afficher le calcul formel.

$$ L_1 loss = \sum_{i=0}^n | y_i - \hat{y}_i |$$

où :

• $n$ est le nombre d'exemples.
• $y$ est la valeur réelle de l'étiquette.
• $\hat{y}$ est la valeur que le modèle prédit pour $y$.

---

Régularisation L₁

#fundamentals

Type de régularisation qui pénalise les pondérations proportionnellement à la somme de la valeur absolue des pondérations. Grâce à la régularisation L₁, les pondérations des caractéristiques non pertinentes ou peu pertinentes sont exactement nulles. Une caractéristique ayant une pondération de 0 est effectivement supprimée du modèle.

À comparer à la régularisation L₂.

perte L₂

#fundamentals

Une fonction de perte qui calcule le carré de la différence entre les valeurs réelles d'étiquette et les valeurs prédites par un modèle. Voici par exemple le calcul de la perte L₂ pour un lot de cinq exemples:

Valeur réelle de l'exemple	Valeur prédite du modèle	Carré du delta
7	6	1
5	4	1
8	11	9
4	6	4
9	8	1
		16 = perte L2

En raison de la mise au carré, la perte L₂ amplifie l'influence des anomalies. En d'autres termes, la perte L₂ réagit plus fortement aux mauvaises prédictions que la perte L₁. Par exemple, la perte L₁ du lot précédent est de 8 au lieu de 16. Notez qu'une seule valeur aberrante représente 9 des 16.

Les modèles de régression utilisent généralement la perte L₂ comme fonction de perte.

L'erreur quadratique moyenne correspond à la perte L₂ moyenne par exemple. La perte carrée est l'autre nom donné à la perte L₂.

Cliquez sur l'icône pour afficher le calcul formel.

$$ L_2 loss = \sum_{i=0}^n {(y_i - \hat{y}_i)}^2$$

où :

• $n$ est le nombre d'exemples.
• $y$ est la valeur réelle de l'étiquette.
• $\hat{y}$ est la valeur que le modèle prédit pour $y$.

---

Régularisation L₂

#fundamentals

Type de régularisation qui pénalise les pondérations proportionnellement à la somme des carrés des pondérations. La régularisation L₂ permet de rapprocher de 0 les pondérations des anomalies (celles qui ont des valeurs positives ou négatives élevées), mais pas tout à fait de 0. Les caractéristiques dont les valeurs sont très proches de 0 restent dans le modèle, mais n'influencent pas beaucoup la prédiction du modèle.

La régularisation L₂ améliore toujours la généralisation dans les modèles linéaires.

À comparer à la régularisation L₁.

étiquette

#fundamentals

En machine learning supervisé, il s'agit de la partie "réponse" ou "résultat" d'un exemple.

Chaque exemple étiqueté se compose d'une ou de plusieurs caractéristiques et d'une étiquette. Par exemple, dans un ensemble de données de détection du spam, l'étiquette serait probablement "spam" ou "non spam". Dans un ensemble de données sur les précipitations, l'étiquette peut correspondre à la quantité de pluies tombées pendant une certaine période.

exemple étiqueté

#fundamentals

Exemple contenant une ou plusieurs caractéristiques et un libellé. Par exemple, le tableau suivant présente trois exemples étiquetés d'un modèle d'évaluation d'une maison, chacun avec trois caractéristiques et une étiquette:

Nombre de chambres	Nombre de salles de bain	Âge au foyer	Prix maison (étiquette)
3	2	15	345 000 $
2	1	72	179 000 $
4	2	34	392 000 $

Dans le machine learning supervisé, les modèles sont entraînés sur des exemples étiquetés et effectuent des prédictions sur des exemples sans étiquette.

Comparer l'exemple étiqueté et les exemples sans étiquette.

lambda

#fundamentals

Synonyme de taux de régularisation.

Lambda est un terme complexe. Ici, nous nous concentrons sur sa définition dans le cadre de la régularisation.

cachée)

#fundamentals

Ensemble de neurones dans un réseau de neurones. Voici trois types de couches courants:

• La couche d'entrée, qui fournit des valeurs pour toutes les caractéristiques.
• Une ou plusieurs couches cachées, qui détectent les relations non linéaires entre les caractéristiques et l'étiquette.
• La couche de sortie, qui fournit la prédiction.

Par exemple, l'illustration suivante montre un réseau de neurones avec une couche d'entrée, deux couches cachées et une couche de sortie:

Dans TensorFlow, les couches sont également des fonctions Python qui prennent des Tensors et des options de configuration en entrée, puis génèrent d'autres Tensors en sortie.

taux d'apprentissage

#fundamentals

Nombre à virgule flottante qui indique à l'algorithme de descente de gradient le degré d'ajustement des pondérations et des biais à chaque itération. Par exemple, un taux d'apprentissage de 0,3 ajusterait les pondérations et les biais trois fois plus efficacement qu'un taux d'apprentissage de 0,1.

Le taux d'apprentissage est un hyperparamètre clé. Si vous définissez un taux d'apprentissage trop bas, l'entraînement prendra trop de temps. Si vous définissez un taux d'apprentissage trop élevé, la descente de gradient a souvent du mal à atteindre la convergence.

Cliquez sur l'icône pour obtenir une explication mathématique.

À chaque itération, l'algorithme de descente de gradient multiplie le taux d'apprentissage par le gradient. Le produit résultant est appelé pas de gradient.

---

linear

#fundamentals

Relation entre deux variables ou plus qui peut être représentée uniquement par l'addition et la multiplication.

Le tracé d'une relation linéaire est une ligne.

À comparer à l'activité non linéaire.

modèle linéaire

#fundamentals

model qui attribue une model par model pour effectuer des model. (Les modèles linéaires intègrent également un biais.) En revanche, la relation entre les caractéristiques et les prédictions dans les modèles profonds est généralement non linéaire.

Les modèles linéaires sont généralement plus faciles à entraîner et plus interprétables que les modèles profonds. Toutefois, les modèles profonds peuvent apprendre des relations complexes entre les caractéristiques.

La régression linéaire et la régression logistique sont deux types de modèles linéaires.

Cliquez sur l'icône pour afficher le calcul.

Un modèle linéaire suit la formule suivante:

$$y' = b + w_1x_1 + w_2x_2 + … w_nx_n$$

où :

• y' est la prédiction brute. (Dans certains types de modèles linéaires, cette prédiction brute sera davantage modifiée. Par exemple, consultez la section sur la régression logistique.)
• La valeur b est le biais.
• w est une pondération, donc w₁ est la pondération de la première caractéristique, w₂ est la pondération de la deuxième caractéristique, et ainsi de suite.
• x est une caractéristique, donc x₁ est la valeur de la première caractéristique, x₂ est la valeur de la deuxième caractéristique, et ainsi de suite.

Par exemple, supposons qu'un modèle linéaire pour trois caractéristiques apprenne les biais et pondérations suivants :

• b = 7
• w₁ = -2,5
• w₂ = -1,2
• w₃ = 1,4

Par conséquent, sur la base de trois caractéristiques (x₁, x₂ et x₃), le modèle linéaire utilise l'équation suivante pour générer chaque prédiction :

y' = 7 + (-2.5)(x1) + (-1.2)(x2) + (1.4)(x3)

Supposons qu'un exemple particulier contienne les valeurs suivantes:

• x₁ = 4
• x₂ = -10
• x₃ = 5

L'intégration de ces valeurs dans la formule permet d'obtenir une prédiction pour cet exemple :

y' = 7 + (-2.5)(4) + (-1.2)(-10) + (1.4)(5)
y' = 16

Les modèles linéaires incluent non seulement les modèles qui utilisent uniquement une équation linéaire pour effectuer des prédictions, mais aussi un ensemble plus large de modèles qui utilisent une équation linéaire comme un composant de la formule qui effectue des prédictions. Par exemple, la régression logistique effectue un post-traitement de la prédiction brute (y') pour produire une valeur de prédiction finale comprise entre 0 et 1 exclusivement.

---

régression linéaire

#fundamentals

Type de modèle de machine learning dans lequel les deux conditions suivantes sont remplies:

• Le modèle est un modèle linéaire.
• La prédiction est une valeur à virgule flottante. (Il s'agit de la partie régression de la régression linéaire.)

Comparez la régression linéaire avec la régression logistique. Il existe également une régression des contrastes avec la classification.

régression logistique

#fundamentals

Type de modèle de régression qui prédit une probabilité. Les modèles de régression logistique présentent les caractéristiques suivantes:

• Le libellé est catégorielle. Le terme régression logistique fait généralement référence à la régression logistique binaire, c'est-à-dire à un modèle qui calcule les probabilités pour des étiquettes à deux valeurs possibles. Une variante moins courante, la régression logistique multinomiale, calcule les probabilités pour les étiquettes comportant plus de deux valeurs possibles.
• La fonction de perte pendant l'entraînement est la perte logistique. (Plusieurs unités de perte logistique peuvent être placées en parallèle pour les étiquettes comportant plus de deux valeurs possibles.)
• Le modèle utilise une architecture linéaire et non un réseau de neurones profond. Cependant, le reste de cette définition s'applique également aux modèles profonds qui prédisent les probabilités pour les étiquettes catégorielles.

Prenons l'exemple d'un modèle de régression logistique qui calcule la probabilité qu'un e-mail d'entrée soit indésirable ou non. Pendant l'inférence, supposons que le modèle prédit 0,72. Par conséquent, le modèle effectue une estimation:

• 72% de chances que l'e-mail soit un spam.
• 28% de chances que l'e-mail ne soit pas un spam.

Un modèle de régression logistique utilise l'architecture en deux étapes suivante:

1. Le modèle génère une prédiction brute (y') en appliquant une fonction linéaire des caractéristiques d'entrée.
2. Le modèle utilise cette prédiction brute comme entrée d'une fonction sigmoïde, qui convertit la prédiction brute en une valeur comprise entre 0 et 1 exclusif.

Comme tout modèle de régression, un modèle de régression logistique prédit un nombre. Cependant, ce nombre fait généralement partie d'un modèle de classification binaire comme suit:

• Si le nombre prédit est supérieur au seuil de classification, le modèle de classification binaire prédit la classe positive.
• Si le nombre prédit est inférieur au seuil de classification, le modèle de classification binaire prédit la classe négative.

Perte logistique

#fundamentals

La fonction de perte utilisée dans la régression logistique binaire.

Cliquez sur l'icône pour afficher le calcul.

La formule suivante calcule la perte logistique:

$$\text{Log Loss} = \sum_{(x,y)\in D} -y\log(y') - (1 - y)\log(1 - y')$$

où :

• \((x,y)\in D\) est l'ensemble de données contenant de nombreux exemples étiquetés, qui sont des \((x,y)\) paires.
• \(y\) est l'étiquette d'un exemple étiqueté. Comme il s'agit d'une régression logistique, chaque valeur de \(y\) doit être 0 ou 1.
• \(y'\) est la valeur prédite (comprise entre 0 et 1, exclusif) compte tenu de l'ensemble des caractéristiques dans \(x\).

---

logarithme de cote

#fundamentals

Logarithme des cotes d'un événement.

Cliquez sur l'icône pour afficher le calcul.

Si l'événement est une probabilité binaire, la cote fait référence au rapport entre la probabilité de réussite (p) et la probabilité d'échec (1-p). Par exemple, supposons qu'un événement donné ait une probabilité de réussite de 90 % et une probabilité d'échec de 10 %. Dans ce cas, la cote est calculée comme suit:

$$ {\text{odds}} = \frac{\text{p}} {\text{(1-p)}} = \frac{.9} {.1} = {\text{9}} $$

Le logarithme des cotes est simplement le logarithme des cotes. Par convention, le terme "logarithme" fait référence au logarithme naturel, mais il peut s'agir de n'importe quelle base supérieure à 1. S'en tenir à la convention, le logarithme des cotes de notre exemple est donc:

$$ {\text{log-odds}} = ln(9) ~= 2.2 $$

La fonction logarithmique des cotes est l'inverse de la fonction sigmoïde.

---

perte

#fundamentals

Pendant l'entraînement d'un modèle supervisé, mesure de la distance entre la prédiction et son étiquette.

Une fonction de perte calcule la perte.

courbe de fonction de perte

#fundamentals

Graphique de la perte en fonction du nombre d'itérations d'entraînement. Le graphique suivant montre une courbe de perte typique:

Les courbes de fonction de perte peuvent vous aider à déterminer quand votre modèle est convergent ou en surapprentissage.

Les courbes de fonction de perte peuvent représenter tous les types de perte suivants:

• perte d'entraînement
• perte de validation
• perte de test

Voir aussi la courbe de généralisation.

fonction de perte

#fundamentals

Fonction mathématique qui calcule la perte sur un lot d'exemples pendant l'entraînement ou les tests. Une fonction de perte renvoie une perte plus faible pour les modèles qui donnent de bonnes prédictions que pour les modèles qui donnent de mauvaises prédictions.

L'objectif de l'entraînement est généralement de minimiser la perte renvoyée par une fonction de perte.

Il existe de nombreux types de fonctions de perte. Choisissez la fonction de perte appropriée pour le type de modèle que vous créez. Exemple :

• La perte L₂ (ou erreur quadratique moyenne) est la fonction de perte pour la régression linéaire.
• La perte logistique est la fonction de perte pour la régression logistique.

M

machine learning

#fundamentals

Programme ou système qui entraîne un modèle à partir de données d'entrée. Le modèle entraîné peut effectuer des prédictions utiles à partir de nouvelles données (jamais vues auparavant) issues de la même distribution que celle utilisée pour entraîner le modèle.

Le machine learning désigne également le domaine d'études concerné par ces programmes ou systèmes.

classe majoritaire

#fundamentals

Étiquette la plus courante dans un ensemble de données avec déséquilibre des classes. Par exemple, pour un ensemble de données contenant 99% d'étiquettes négatives et 1% d'étiquettes positives, les étiquettes négatives constituent la classe majoritaire.

À comparer à la classe minoritaire.

mini-lot

#fundamentals

Petit sous-ensemble d'un lot sélectionné de manière aléatoire, traité en une itération. La taille de lot d'un mini-lot est généralement comprise entre 10 et 1 000 exemples.

Par exemple, supposons que l'ensemble d'entraînement (le lot complet) contienne 1 000 exemples. Supposons également que vous définissiez la taille de lot de chaque mini-lot sur 20. Par conséquent, chaque itération détermine la perte sur 20 exemples aléatoires sur 1 000,puis ajuste les pondérations et les biais en conséquence.

Il est beaucoup plus efficace de calculer la perte sur un mini-lot que sur tous les exemples du lot complet.

classe minoritaire

#fundamentals

Étiquette la moins commune dans un ensemble de données avec déséquilibre des classes. Par exemple, pour un ensemble de données contenant 99% d'étiquettes négatives et 1% d'étiquettes positives, les étiquettes positives constituent la classe minoritaire.

À comparer à la classe majoritaire.

Cliquez sur l'icône pour afficher des remarques supplémentaires.

Un ensemble d'entraînement avec un million d'exemples semble impressionnant. Toutefois, si la classe minoritaire est mal représentée, même un très grand ensemble d'entraînement peut s'avérer insuffisant. Concentrez-vous moins sur le nombre total d'exemples dans l'ensemble de données et davantage sur le nombre d'exemples appartenant à la classe minoritaire.

Si votre ensemble de données ne contient pas suffisamment d'exemples de classes minoritaires, envisagez d'utiliser le sous-échantillonnage (définition du deuxième point) pour compléter la classe minoritaire.

---

model

#fundamentals

En général, toute construction mathématique qui traite les données d'entrée et renvoie une sortie. Un modèle, formé différemment, est l'ensemble des paramètres et de la structure nécessaires à un système pour effectuer des prédictions. Dans le machine learning supervisé, un modèle prend un exemple en entrée et déduit une prédiction en sortie. En machine learning supervisé, les modèles diffèrent quelque peu. Exemple :

• Un modèle de régression linéaire est constitué d'un ensemble de pondérations et d'un biais.
• Un modèle de réseau de neurones comprend les éléments suivants :
  • Un ensemble de couches cachées, chacune contenant un ou plusieurs neurones.
  • Pondérations et biais associés à chaque neurone.
• Un modèle d'arbre de décision comprend les éléments suivants :
  • Forme de l'arbre, c'est-à-dire le modèle dans lequel les conditions et les feuilles sont liées.
  • Les conditions et les départs.

Vous pouvez enregistrer, restaurer ou créer des copies d'un modèle.

Le machine learning non supervisé génère également des modèles, généralement une fonction capable de mapper un exemple d'entrée au cluster le plus approprié.

Cliquez sur l'icône pour comparer les fonctions algébriques et de programmation aux modèles de ML.

Une fonction algébrique telle que la suivante est un modèle:

  f(x, y) = 3x -5xy + y2 + 17

La fonction précédente mappe les valeurs d'entrée (x et y) à la sortie.

De même, une fonction de programmation semblable à la suivante est également un modèle:

def half_of_greater(x, y):
  if (x > y):
    return(x / 2)
  else
    return(y / 2)

Un appelant transmet des arguments à la fonction Python précédente, qui génère un résultat (via l'instruction return).

Bien qu'un réseau de neurones profond ait une structure mathématique très différente d'une fonction algébrique ou de programmation, un réseau de neurones profond reçoit toujours des entrées (un exemple) et renvoie des résultats (une prédiction).

Un programmeur humain code une fonction de programmation manuellement. En revanche, un modèle de machine learning apprend progressivement les paramètres optimaux lors de l'entraînement automatisé.

---

classification à classes multiples

#fundamentals

Dans l'apprentissage supervisé, il s'agit d'un problème de classification dans lequel l'ensemble de données contient plus de deux classes d'étiquettes. Par exemple, les étiquettes de l'ensemble de données Iris doivent appartenir à l'une des trois classes suivantes:

• Iris setosa
• Iris virginica
• Iris versicolor

Un modèle entraîné sur l'ensemble de données Iris qui prédit le type d'Iris sur de nouveaux exemples effectue une classification à classes multiples.

En revanche, les problèmes de classification qui distinguent exactement deux classes sont des modèles de classification binaire. Par exemple, un modèle d'e-mail qui prédit spam ou non-spam est un modèle de classification binaire.

Dans les problèmes de clustering, la classification à classes multiples fait référence à plus de deux clusters.

N

classe négative

#fundamentals

Dans la classification binaire, une classe est dite positive et l'autre négative. La classe positive est l'objet ou l'événement testé par le modèle, et la classe négative est l'autre possibilité. Exemple :

• La classe négative d'un test médical pourrait être "pas une tumeur".
• La classe négative d'un classificateur d'e-mail pourrait être "non-spam".

À comparer à la classe positive.

neurones feedforward

#fundamentals

Un model contenant au moins une model. Un réseau de neurones profond est un type de réseau de neurones contenant plusieurs couches cachées. Par exemple, le schéma suivant montre un réseau de neurones profond contenant deux couches cachées.

Chaque neurone d'un réseau de neurones se connecte à tous les nœuds de la couche suivante. Par exemple, dans le schéma précédent, notez que chacun des trois neurones de la première couche cachée se connecte séparément aux deux neurones de la deuxième couche cachée.

Les réseaux de neurones mis en œuvre sur des ordinateurs sont parfois appelés réseaux de neurones artificiels, pour les différencier des réseaux de neurones présents dans le cerveau et d'autres systèmes nerveux.

Certains réseaux de neurones peuvent imiter des relations non linéaires extrêmement complexes entre différentes caractéristiques et l'étiquette.

Voir aussi réseau de neurones convolutif et réseau de neurones récurrent.

neurone

#fundamentals

En machine learning, unité distincte dans une couche cachée d'un réseau de neurones. Chaque neurone effectue l'action en deux étapes suivante:

1. Calcule la somme pondérée des valeurs d'entrée multipliée par les pondérations correspondantes.
2. Transmet la somme pondérée en tant qu'entrée à une fonction d'activation.

Un neurone de la première couche cachée accepte les entrées des valeurs de caractéristiques dans la couche d'entrée. Un neurone de n'importe quelle couche cachée au-delà de la première accepte les entrées des neurones de la couche cachée précédente. Par exemple, un neurone de la deuxième couche cachée accepte les entrées des neurones de la première couche cachée.

L'illustration suivante met en évidence deux neurones et leurs entrées.

Un neurone d'un réseau de neurones imite le comportement des neurones du cerveau et d'autres parties du système nerveux.

nœud (réseau de neurones)

#fundamentals

Un neurone dans une couche cachée.

non linéaire

#fundamentals

Relation entre deux variables ou plus qui ne peut pas être représentée uniquement par l'addition et la multiplication. Une relation linéaire peut être représentée par une ligne. Une relation non linéaire ne peut pas être représentée par une ligne. Prenons l'exemple de deux modèles qui associent chacun une caractéristique unique à une seule étiquette. Le modèle de gauche est linéaire et celui de droite non linéaire:

nonstationarité

#fundamentals

Caractéristique dont les valeurs changent selon une ou plusieurs dimensions, généralement le temps. Prenons les exemples suivants de nonstationnarité:

• Le nombre de maillots de bain vendus dans un magasin particulier varie selon la saison.
• La quantité d'un fruit donné récolté dans une région donnée est nulle pendant une grande partie de l'année, mais importante pendant une courte période.
• En raison du changement climatique, les températures moyennes annuelles évoluent.

À comparer à la stationarité.

normalisation

#fundamentals

De manière générale, processus de conversion de la plage de valeurs réelle d'une variable en une plage de valeurs standard, par exemple:

• -1 à +1
• Entre 0 et 1
• la distribution normale

Par exemple, supposons que la plage de valeurs réelle d'une certaine caractéristique soit comprise entre 800 et 2 400. Dans le cadre de l'extraction de caractéristiques, vous pouvez normaliser les valeurs réelles jusqu'à une plage standard, par exemple de -1 à +1.

La normalisation est une tâche courante dans l'extraction de caractéristiques. Les modèles s'entraînent généralement plus rapidement (et produisent de meilleures prédictions) lorsque chaque caractéristique numérique du vecteur de caractéristiques présente à peu près la même plage.

données numériques

#fundamentals

Caractéristiques représentées sous forme d'entiers ou de nombres réels. Par exemple, un modèle d'évaluation d'un logement représenterait probablement la superficie d'un logement (en pieds carrés ou en mètres carrés) sous forme de données numériques. La représentation d'une caractéristique sous forme de données numériques indique que les valeurs de la caractéristique ont une relation mathématique avec l'étiquette. En d'autres termes, le nombre de mètres carrés dans une maison est probablement lié à la valeur de cette maison mathématiquement.

Les données entières ne doivent pas toutes être représentées sous forme de données numériques. Par exemple, dans certaines parties du monde, les codes postaux sont des entiers. Toutefois, ils ne doivent pas être représentés sous forme de données numériques dans les modèles. En effet, le code postal 20000 n'est pas deux (ou la moitié) plus puissant que le code postal 10 000. De plus, bien que les différents codes postaux soient corrélés à des valeurs immobilières différentes, nous ne pouvons pas supposer que les valeurs des biens immobiliers au code postal 20000 sont deux fois plus intéressantes que celles des logements dont le code postal est 10000. Les codes postaux doivent être représentés par des données catégorielles.

Les caractéristiques numériques sont parfois appelées caractéristiques continues.

O

offline

#fundamentals

Synonyme de statique.

inférence hors ligne

#fundamentals

Processus de génération par un modèle d'un lot de prédictions, puis de mise en cache (enregistrement) de ces prédictions. Les applications peuvent ensuite accéder à la prédiction souhaitée à partir du cache au lieu d'exécuter à nouveau le modèle.

Prenons l'exemple d'un modèle qui génère des prévisions météorologiques locales (prédictions) une fois toutes les quatre heures. Après l'exécution de chaque modèle, le système met en cache toutes les prévisions météorologiques locales. Les applications météo récupèrent les prévisions du cache.

L'inférence hors ligne est également appelée inférence statique.

À comparer à l'inférence en ligne.

Encodage one-hot

#fundamentals

Représenter des données catégorielles sous la forme d'un vecteur dans lequel:

• Un élément est défini sur 1.
• Tous les autres éléments ont la valeur 0.

L'encodage one-hot est couramment utilisé pour représenter des chaînes ou des identifiants ayant un ensemble limité de valeurs possibles. Par exemple, supposons qu'une certaine caractéristique catégorielle nommée Scandinavia ait cinq valeurs possibles:

• "Danemark"
• "Suède"
• "Norvège"
• "Finlande"
• "Islande"

L'encodage one-hot peut représenter chacune des cinq valeurs comme suit:

country	Vecteur
"Danemark"	1	0	0	0	0
"Suède"	0	1	0	0	0
"Norvège"	0	0	1	0	0
"Finlande"	0	0	0	1	0
"Islande"	0	0	0	0	1

Grâce à l'encodage one-hot, un modèle peut apprendre différentes connexions en fonction de chacun des cinq pays.

Représenter une caractéristique par des données numériques est une alternative à l'encodage one-hot. Malheureusement, représenter les pays scandinaves sous forme numérique n'est pas un bon choix. Prenons l'exemple de la représentation numérique suivante:

• "Danemark" est 0
• "Suède" est 1
• "Norvège" est 2
• "Finlande" a 3
• "Islande" a 4

Avec l'encodage numérique, un modèle interprète les nombres bruts de façon mathématique et tente de s'entraîner avec ces nombres. Cependant, l'Islande n'étant pas deux fois plus (ou la moitié moins importante) que la Norvège, le modèle est parvenu à des conclusions étranges.

un contre tous

#fundamentals

Face à un problème de classification avec N classes, une solution composée de N classificateurs binaires distincts : un classificateur binaire pour chaque résultat possible. Par exemple, dans le cadre d'un modèle qui classe des exemples en tant qu'animaux, légumes ou minéraux, une solution un contre tous fournirait les trois classificateurs binaires distincts suivants:

• "animal" et "pas animal"
• Légume contre non-légume
• minéral/non minéral

online

#fundamentals

Synonyme de dynamique.

inférence en ligne

#fundamentals

Création de prédictions à la demande. Par exemple, supposons qu'une application transmette des entrées à un modèle et envoie une requête de prédiction. Un système qui utilise l'inférence en ligne répond à la requête en exécutant le modèle (et en renvoyant la prédiction à l'application).

À comparer à l'inférence hors ligne.

couche de sortie

#fundamentals

La couche "finale" d'un réseau de neurones. La couche de sortie contient la prédiction.

L'illustration suivante montre un petit réseau de neurones profond avec une couche d'entrée, deux couches cachées et une couche de sortie:

surapprentissage

#fundamentals

Créer un model qui correspond si étroitement aux model qu'il ne parvient pas à effectuer des prédictions correctes sur les nouvelles données.

La régularisation peut réduire le surapprentissage. L'entraînement sur un ensemble d'entraînement large et varié peut également réduire le surapprentissage.

Cliquez sur l'icône pour afficher des remarques supplémentaires.

Le surapprentissage revient à suivre scrupuleusement les conseils de votre professeur préféré. Vous réussirez probablement dans le cours de cet enseignant, mais vous risquez de "surapprentissage" par rapport aux idées de cet enseignant et d'échouer dans d'autres cours. En suivant les conseils de plusieurs enseignants, vous pourrez mieux vous adapter à de nouvelles situations.

---

P

pandas

#fundamentals

API d'analyse de données orientée colonnes, basée sur numpy. De nombreux frameworks de machine learning, y compris TensorFlow, acceptent les structures de données pandas en tant qu'entrées. Pour en savoir plus, consultez la documentation de pandas.

paramètre

#fundamentals

Pondérations et biais qu'un modèle apprend pendant l'entraînement. Par exemple, dans un modèle de régression linéaire, les paramètres sont constitués du biais (b) et de toutes les pondérations (w₁, w₂, etc.) dans la formule suivante:

$$y' = b + w_1x_1 + w_2x_2 + … w_nx_n$$

En revanche, les hyperparamètres sont les valeurs que vous (ou un service de rotation des hyperparamètres) fournissez au modèle. Par exemple, le taux d'apprentissage est un hyperparamètre.

classe positive

#fundamentals

Classe que vous testez.

Par exemple, la classe positive d'un modèle de cancer pourrait être "tumeur". La classe positive d'un classificateur d'e-mails pourrait être "spam".

À comparer à la classe négative.

Cliquez sur l'icône pour afficher des remarques supplémentaires.

Le terme classe positive peut prêter à confusion, car le résultat "positif" de nombreux tests est souvent un résultat indésirable. Par exemple, la classe positive de nombreux tests médicaux correspond à des tumeurs ou à des maladies. En général, vous voulez qu'un médecin vous dise « Félicitations ! Les résultats de votre test sont négatifs." Quoi qu'il en soit, la classe positive est l'événement que le test cherche à identifier.

Il est vrai que vous testez simultanément les classes positives et négatives.

---

post-traitement

#fairness

#fundamentals

Ajuster la sortie d'un modèle après son exécution Le post-traitement peut être utilisé pour appliquer des contraintes d'équité sans modifier les modèles eux-mêmes.

Par exemple, vous pouvez appliquer un post-traitement à un classificateur binaire en définissant un seuil de classification de sorte que l'égalité des chances soit maintenue pour un attribut donné, en vérifiant que le taux de vrais positifs est le même pour toutes les valeurs de cet attribut.

prédiction

#fundamentals

Sortie d'un modèle. Exemple :

• La prédiction d'un modèle de classification binaire correspond soit à la classe positive, soit à la classe négative.
• La prédiction d'un modèle de classification à classes multiples est une classe.
• La prédiction d'un modèle de régression linéaire est un nombre.

étiquettes de proxy

#fundamentals

Données utilisées pour estimer les étiquettes qui ne sont pas directement disponibles dans un ensemble de données.

Par exemple, supposons que vous deviez entraîner un modèle pour prédire le niveau de stress des employés. Votre ensemble de données contient de nombreuses caractéristiques prédictives, mais ne comporte pas d'étiquette nommée stress level. Sans peur, vous choisissez "accidents sur le lieu de travail" comme étiquette de substitution du niveau de stress. Après tout, les employés soumis à un stress élevé courent plus d'accidents que les employés calmes. Ou est-ce le cas ? Peut-être que les accidents du travail augmentent et diminuent réellement pour plusieurs raisons.

Prenons le deuxième exemple : supposons que vous souhaitiez utiliser is it raining? comme étiquette booléenne pour votre ensemble de données, mais que celui-ci ne contient pas de données sur la pluie. Si des photographies sont disponibles, vous pouvez créer des images de personnes portant des parapluies comme étiquette de substitution pour la phrase is it raining? Est-ce une bonne étiquette de proxy ? C'est possible, mais dans certaines cultures, les individus sont plus susceptibles de porter des parapluies pour se protéger du soleil que de la pluie.

Les libellés de proxy sont souvent imparfaits. Si possible, préférez des étiquettes réelles plutôt que des étiquettes proxy. Cela dit, lorsqu'une étiquette réelle est absente, choisissez l'étiquette de proxy très soigneusement, en choisissant la moins horrible étiquette de proxy candidate.

R

évaluateur

#fundamentals

Un humain qui fournit des libellés pour des exemples. « Annotator » est l'autre nom de l'évaluateur.

Unité de correction linéaire (ReLU)

#fundamentals

Une fonction d'activation avec le comportement suivant:

• Si l'entrée est négative ou nulle, la sortie est 0.
• Si l'entrée est positive, la sortie est égale à l'entrée.

Exemple :

• Si l'entrée est -3, la sortie est 0.
• Si l'entrée est +3, la sortie est 3,0.

Voici un graphique de ReLU:

La fonction d'activation ReLU est très répandue. Malgré son comportement simple, la fonction ReLU permet toujours à un réseau de neurones d'apprendre des relations non linéaires entre les caractéristiques et l'étiquette.

de régression

#fundamentals

De façon informelle, un modèle qui génère une prédiction numérique. En revanche, un modèle de classification génère une prédiction de classe. Par exemple, voici tous les modèles de régression:

• Modèle qui prédit la valeur d'une maison en particulier, par exemple 423 000 euros.
• Modèle qui prédit l'espérance de vie d'un arbre spécifique (par exemple, 23,2 ans).
• Un modèle qui prédit la quantité de pluie qui tombera dans une ville donnée au cours des six prochaines heures (par exemple, 0,48 pouce).

Deux types courants de modèles de régression sont les suivants:

• Régression linéaire, qui permet de trouver la ligne qui correspond le mieux aux valeurs d'étiquettes aux caractéristiques.
• Régression logistique, qui génère une probabilité comprise entre 0,0 et 1,0 qu'un système met généralement en correspondance avec une prédiction de classe.

Les modèles qui génèrent des prédictions numériques ne sont pas tous des modèles de régression. Dans certains cas, une prédiction numérique n'est en fait qu'un modèle de classification doté de noms de classes numériques. Par exemple, un modèle qui prédit un code postal numérique est un modèle de classification, et non un modèle de régression.

régularisation

#fundamentals

Tout mécanisme limitant le surapprentissage. Les types de régularisation les plus courants sont les suivants:

• Régularisation L₁
• Régularisation L₂
• régularisation par abandon
• Arrêt prématuré (il ne s'agit pas d'une méthode de régularisation, mais il peut limiter efficacement le surapprentissage)

La régularisation peut également être définie comme la pénalité liée à la complexité d'un modèle.

Cliquez sur l'icône pour afficher des remarques supplémentaires.

La régularisation est paradoxale. En général, l'augmentation de la régularisation augmente la perte d'entraînement, ce qui est déroutant, car le but n'est pas de minimiser la perte d'entraînement ?

En fait, non. Le but n'est pas de minimiser la perte d'entraînement. L'objectif est de faire d'excellentes prédictions sur des exemples concrets. Il est à noter que même si l'augmentation de la régularisation augmente la perte d'entraînement, cela aide généralement les modèles à effectuer de meilleures prédictions sur des exemples réels.

---

taux de régularisation

#fundamentals

Nombre spécifiant l'importance relative de la régularisation pendant l'entraînement. L'augmentation du taux de régularisation réduit le surapprentissage, mais peut également réduire les performances prédictives du modèle. À l'inverse, la réduction ou l'omission du taux de régularisation augmente le surapprentissage.

Cliquez sur l'icône pour afficher le calcul.

Le taux de régularisation est généralement représenté par la lettre lambda grecque. L'équation de perte simplifiée suivante montre l'influence du lambda:

$$\text{minimize(loss function + }\lambda\text{(regularization))}$$

où la régularisation est un mécanisme de régularisation, y compris :

• Régularisation L₁
• Régularisation L₂

---

ReLU

#fundamentals

Abréviation d'unité linéaire rectifiée.

génération augmentée par récupération

#fundamentals

Architecture logicielle couramment utilisée dans les applications de grand modèle de langage (LLM). Voici quelques raisons courantes d'utiliser la génération enrichie par récupération:

• Augmenter la précision factuelle des réponses générées par le modèle
• Donner au modèle l'accès à des connaissances sur lesquelles il n'a pas été entraîné
• Modifier les connaissances utilisées par le modèle
• Autoriser le modèle à citer des sources

Par exemple, supposons qu'une application de chimie utilise l'API PaLM pour générer des résumés liés aux requêtes des utilisateurs. Lorsque le backend de l'application reçoit une requête, il recherche d'abord ("récupère" les données pertinentes pour la requête de l'utilisateur, ajoute les données chimiques pertinentes à la requête de l'utilisateur, puis demande au LLM de créer un résumé basé sur ces données ajoutées).

Courbe ROC (Receiver Operating Characteristic ou fonction d'exploitation du récepteur)

#fundamentals

Graphique du taux de vrais positifs par rapport au taux de faux positifs pour différents seuils de classification dans la classification binaire.

La forme d'une courbe ROC suggère la capacité d'un modèle de classification binaire à séparer les classes positives des classes négatives. Supposons, par exemple, qu'un modèle de classification binaire sépare parfaitement toutes les classes négatives des classes positives:

La courbe ROC du modèle précédent se présente comme suit:

À l'inverse, l'illustration suivante représente les valeurs de régression logistique brutes d'un terrible modèle qui ne peut pas du tout séparer des classes négatives des classes positives:

La courbe ROC de ce modèle se présente comme suit:

Dans le monde réel, la plupart des modèles de classification binaires séparent dans une certaine mesure les classes positives des classes négatives, mais ce n'est généralement pas parfaitement. Une courbe ROC typique se situe donc quelque part entre les deux extrêmes:

Le point sur une courbe ROC la plus proche de (0,0, 1,0) identifie théoriquement le seuil de classification idéal. Cependant, plusieurs autres problèmes concrets ont une incidence sur le choix du seuil de classification idéal. Par exemple, il est possible que les faux négatifs causent beaucoup plus de douleur que les faux positifs.

Une métrique numérique appelée AUC résume la courbe ROC en une seule valeur à virgule flottante.

la racine carrée de l'erreur quadratique moyenne (RMSE, Root Mean Squared Error)

#fundamentals

Racine carrée de l'erreur quadratique moyenne.

S

fonction sigmoïde

#fundamentals

Fonction mathématique qui "raccourci" une valeur d'entrée dans une plage limitée, généralement comprise entre 0 et 1 ou -1 et +1. Autrement dit, vous pouvez transmettre n'importe quel nombre (deux, un million, un milliard négatif, etc.) à une sigmoïde. La sortie se situe alors dans la plage limitée. Le tracé de la fonction d'activation sigmoïde se présente comme suit:

La fonction sigmoïde a plusieurs utilisations en machine learning, y compris:

• Conversion de la sortie brute d'un modèle de régression logistique ou de régression multinomiale en probabilité.
• Fonctionnement comme une fonction d'activation dans certains réseaux de neurones.

Cliquez sur l'icône pour afficher le calcul.

La fonction sigmoïde d'un nombre x d'entrée a la formule suivante:

$$ sigmoid(x) = \frac{1}{1 + e^{-\text{x}}} $$

En machine learning, x est généralement une somme pondérée.

---

softmax

#fundamentals

Fonction qui détermine les probabilités pour chaque classe possible dans un modèle de classification à classes multiples. La somme des probabilités est exactement égale à 1,0. Par exemple, le tableau suivant montre comment softmax répartit différentes probabilités:

L'image est...	Probabilité
chien	.85
cat	.13
cheval	,02

Softmax est également appelé softmax complet.

À comparer à l'échantillonnage de candidats.

Cliquez sur l'icône pour afficher le calcul.

L'équation softmax est la suivante:

$$\sigma_i = \frac{e^{\text{z}_i}} {\sum_{j=1}^{j=K} {e^{\text{z}_j}}} $$

où :

• $\sigma_i$ est le vecteur de sortie. Chaque élément du vecteur de sortie spécifie la probabilité de cet élément. La somme de tous les éléments dans le vecteur de sortie est de 1,0. Le vecteur de sortie contient le même nombre d'éléments que le vecteur d'entrée, $z$.
• $z$ est le vecteur d'entrée. Chaque élément du vecteur d'entrée contient une valeur à virgule flottante.
• $K$ est le nombre d'éléments dans le vecteur d'entrée (et le vecteur de sortie).

Par exemple, supposons que le vecteur d'entrée soit:

[1.2, 2.5, 1.8]

Par conséquent, softmax calcule le dénominateur comme suit:

$$\text{denominator} = e^{1.2} + e^{2.5} + e^{1.8} = 21.552$$

La probabilité softmax de chaque élément est donc:

$$\sigma_1 = \frac{e^{1.2}}{21.552} = 0.154 $$ $$\sigma_2 = \frac{e^{2.5}}{21.552} = 0.565 $$ $$\sigma_1 = \frac{e^{1.8}}{21.552} = 0.281 $$

Le vecteur de sortie est donc le suivant:

$$\sigma = [0.154, 0.565, 0.281]$$

La somme des trois éléments dans $\sigma$ est de 1,0. Ouf !

---

caractéristique creuse

#language

#fundamentals

Caractéristique dont les valeurs sont pour la plupart nulles ou vides. Par exemple, une caractéristique contenant une seule valeur 1 et un million de valeurs 0 est faible. En revanche, une caractéristique dense comporte des valeurs qui ne sont généralement pas nulles ou vides.

En machine learning, un nombre surprenant de caractéristiques creuses. Les caractéristiques catégorielles sont généralement des caractéristiques creuses. Par exemple, sur les 300 espèces d'arbres possibles d'une forêt, un seul exemple peut n'identifier qu'un érable. Ou, parmi les millions de vidéos possibles d'une bibliothèque, un seul exemple peut désigner "Casablanca".

Dans un modèle, vous représentez généralement des caractéristiques creuses avec l'encodage one-hot. Si l'encodage one-hot est volumineux, vous pouvez superposer une couche de représentations vectorielles continues pour plus d'efficacité.

représentation creuse

#language

#fundamentals

Ne stocker que la position des éléments non nuls dans une caractéristique creuse.

Par exemple, supposons qu'une caractéristique catégorielle nommée species identifie les 36 espèces d'arbres d'une forêt particulière. Supposons également que chaque exemple n'identifie qu'une seule espèce.

Vous pouvez utiliser un vecteur one-hot pour représenter les espèces d'arbres dans chaque exemple. Un vecteur one-hot contiendrait une seule valeur 1 (pour représenter une espèce d'arbre spécifique dans cet exemple) et 35 0s (pour représenter les 35 espèces d'arbres qui n'existent pas dans cet exemple). Ainsi, la représentation one-hot de maple peut se présenter comme suit:

Sinon, la représentation creuse permet simplement d'identifier la position de l'espèce concernée. Si maple est à la position 24, la représentation creuse de maple est simplement:

24

Notez que la représentation creuse est beaucoup plus compacte que la représentation one-hot.

Remarque :Vous ne devez pas transmettre de représentation creuse en tant qu'entrée de caractéristique directe à un modèle. À la place, vous devez convertir la représentation creuse en représentation one-hot avant de l'entraîner.

Cliquez sur l'icône pour consulter un exemple un peu plus complexe.

Supposons que chaque exemple de votre modèle doive représenter les mots d'une phrase anglaise, mais pas leur ordre. L'anglais compte environ 170 000 mots. Il s'agit donc d'une caractéristique catégorielle comprenant environ 170 000 éléments. La plupart des phrases en anglais n'utilisent qu'une toute petite fraction de ces 170 000 mots. Il est donc probable que l'ensemble de mots d'un seul exemple ne soit associé à aucune donnée.

Considérez la phrase suivante:

My dog is a great dog

Vous pouvez utiliser une variante de vecteur one-hot pour représenter les mots de cette phrase. Dans cette variante, plusieurs cellules du vecteur peuvent contenir une valeur non nulle. De plus, dans cette variante, une cellule peut contenir un entier autre qu'un. Bien que les mots "my", "is", "a" et "great" n'apparaissent qu'une seule fois dans la phrase, le mot "dog" apparaît deux fois. L'utilisation de cette variante de vecteurs one-hot pour représenter les mots de cette phrase donne le vecteur suivant à 170 000 éléments:

Une représentation creuse d'une même phrase serait simplement:

0: 1
26100: 2
45770: 1
58906: 1
91520: 1

---

Cliquez sur l'icône en cas de doute.

Le terme "représentation creuse" peut semer la confusion chez de nombreuses personnes, car la représentation creuse n'est en soi pas un vecteur creux. La représentation creuse est en réalité une représentation dense d'un vecteur creux. La représentation d'index de synonyme est un peu plus claire que la "représentation creuse".

---

vecteur creux

#fundamentals

Vecteur dont les valeurs sont principalement des zéros. Voir aussi caractéristique creuse et parcimonie.

perte quadratique

#fundamentals

Synonyme de perte L₂.

static

#fundamentals

Une action ponctuelle plutôt qu'en continu. Les termes statique et hors connexion sont des synonymes. Voici des exemples d'utilisations courantes des modes statique et hors connexion dans le machine learning:

• Le modèle statique (ou modèle hors connexion) est un modèle entraîné une seule fois, puis utilisé pendant un certain temps.
• L'entraînement statique (ou entraînement hors connexion) est le processus d'entraînement d'un modèle statique.
• L'inférence statique (ou inférence hors ligne) est un processus par lequel un modèle génère un lot de prédictions à la fois.

À comparer aux éléments dynamiques.

inférence statique

#fundamentals

Synonyme d'inférence hors ligne.

stationnarité

#fundamentals

Caractéristique dont les valeurs ne changent pas selon une ou plusieurs dimensions, généralement du temps. Par exemple, une caractéristique dont les valeurs sont à peu près identiques en 2021 et en 2023 présente la stationnarité.

Dans le monde réel, très peu d'éléments géographiques sont stationnaires. Même les caractéristiques semblables à la stabilité (comme le niveau de la mer) changent au fil du temps.

À comparer à la nonstationarité.

descente de gradient stochastique (SGD)

#fundamentals

Algorithme de descente de gradient dans lequel la taille de lot est égale à un. En d'autres termes, la SGD s'entraîne sur un seul exemple choisi de manière uniforme et aléatoire dans un ensemble d'entraînement.

machine learning supervisé

#fundamentals

Entraînement d'un model à partir de model et des model correspondantes. Le machine learning supervisé est semblable à l'apprentissage d'un sujet en étudiant une série de questions et les réponses correspondantes. Après avoir maîtrisé le mappage entre les questions et les réponses, un élève peut répondre à de nouvelles questions (jamais vues auparavant) sur le même sujet.

À comparer au machine learning non supervisé.

caractéristique synthétique

#fundamentals

Caractéristique absente des caractéristiques d'entrée, mais assemblée à partir d'une ou de plusieurs d'entre elles. Les méthodes de création de caractéristiques synthétiques incluent les suivantes:

• Binning d'une caractéristique continue dans des bins de plage
• Créer un croisement de caractéristiques
• Multiplication (ou division) d'une caractéristique par d'autres caractéristiques ou par elle-même Par exemple, si a et b sont des caractéristiques d'entrée, voici des exemples de caractéristiques synthétiques :
  • ab
  • a²
• Application d'une fonction transcendantale à une valeur de caractéristique Par exemple, si c est une caractéristique d'entrée, voici des exemples de caractéristiques synthétiques :
  • sin(c)
  • ln(c)

Les caractéristiques créées par la normalisation ou le scaling seules ne sont pas considérées comme des caractéristiques synthétiques.

T

perte d'évaluation

#fundamentals

Métrique représentant la perte d'un modèle par rapport à l'ensemble de test. Lorsque vous créez un model, vous essayez généralement de minimiser la perte de test. En effet, une perte d'évaluation faible est un signal de qualité supérieure qu'une faible perte d'entraînement ou une faible perte de validation.

Un écart important entre la perte d'évaluation et la perte d'entraînement ou la perte de validation suggère parfois qu'il faut augmenter le taux de régularisation.

de modèle

#fundamentals

Processus consistant à déterminer les paramètres idéaux (pondérations et biais) constituant un modèle. Pendant l'entraînement, un système lit des exemples et ajuste progressivement les paramètres. L'entraînement utilise chaque exemple de quelques fois à des milliards de fois.

perte d'entraînement

#fundamentals

Métrique représentant la perte d'un modèle lors d'une itération d'entraînement particulière. Par exemple, supposons que la fonction de perte soit l'erreur quadratique moyenne. La perte d'entraînement (erreur carrée moyenne) pour la 10e itération est peut-être de 2,2 et la perte d'entraînement pour la 100e itération est de 1,9.

Une courbe de perte représente la perte d'entraînement en fonction du nombre d'itérations. Une courbe de fonction de perte fournit les conseils suivants pour l'entraînement:

• Une pente descendante indique une amélioration du modèle.
• Une pente ascendante indique que le modèle s'aggrave.
• Une pente plate signifie que le modèle a atteint la convergence.

La courbe de perte ci-dessous, qui est quelque peu idéalisée, illustre ce qui suit, par exemple:

• Une forte pente descendante lors des itérations initiales, ce qui implique une amélioration rapide du modèle.
• Un aplatissement progressif (mais toujours vers le bas) d'une pente jusqu'à la fin de l'entraînement, ce qui implique une amélioration continue du modèle à un rythme légèrement plus lent que lors des itérations initiales.
• Une pente stable vers la fin de l'entraînement, ce qui suggère une convergence.

Bien que la perte d'entraînement soit importante, consultez également l'article sur la généralisation.

décalage entraînement/inférence

#fundamentals

Différence entre les performances d'un modèle pendant l'entraînement et les performances de ce même modèle pendant l'inférence.

Ensemble d'entraînement

#fundamentals

Sous-ensemble de l'ensemble de données utilisé pour entraîner un modèle.

Traditionnellement, les exemples de l'ensemble de données sont divisés en trois sous-ensembles distincts:

• un ensemble d'entraînement
• un ensemble de validation
• un ensemble de test

Idéalement, chaque exemple de l'ensemble de données ne doit appartenir qu'à l'un des sous-ensembles précédents. Par exemple, un même exemple ne doit pas appartenir à la fois à l'ensemble d'entraînement et à l'ensemble de validation.

vrai négatif (TN)

#fundamentals

Exemple dans lequel le modèle prédit correctement la classe négative. Par exemple, le modèle déduit qu'un e-mail particulier n'est pas du spam, et que ce n'est vraiment pas un spam.

vrai positif (TP)

#fundamentals

Exemple dans lequel le modèle prédit correctement la classe positive. Par exemple, le modèle déduit qu'un e-mail particulier est vraiment un spam.

taux de vrais positifs (TVP)

#fundamentals

Synonyme de rappel. Par exemple :

$$\text{true positive rate} = \frac{\text{true positives}} {\text{true positives} + \text{false negatives}}$$

Le taux de vrais positifs est l'axe des y d'une courbe ROC.

U

sous-apprentissage

#fundamentals

Produire un model ayant une faible capacité de prédiction, car le modèle n'a pas totalement compris la complexité des données d'entraînement. De nombreux problèmes peuvent entraîner un sous-apprentissage, y compris les suivants:

• Entraînement sur le mauvais ensemble de fonctionnalités.
• Entraînement sur un nombre d'époques trop faible ou avec un taux d'apprentissage trop faible.
• Entraînement avec un taux de régularisation trop élevé.
• Fournir trop peu de couches cachées dans un réseau de neurones profond

exemple sans étiquette

#fundamentals

Exemple contenant des caractéristiques, mais pas de libellé. Par exemple, le tableau suivant présente trois exemples sans étiquette d'un modèle d'évaluation d'une maison, chacun avec trois caractéristiques, mais aucune valeur immobilière:

Nombre de chambres	Nombre de salles de bain	Âge au foyer
3	2	15
2	1	72
4	2	34

Dans le machine learning supervisé, les modèles sont entraînés sur des exemples étiquetés et effectuent des prédictions sur des exemples sans étiquette.

Dans l'apprentissage semi-supervisé et non supervisé, des exemples sans étiquette sont utilisés pendant l'entraînement.

Comparez l'exemple sans étiquette avec l'exemple étiqueté.

machine learning non supervisé

#clustering

#fundamentals

Entraînement d'un model pour détecter des schémas dans un ensemble de données, généralement sans étiquette.

L'utilisation la plus courante du machine learning non supervisé consiste à grouper les données en groupes d'exemples similaires. Par exemple, un algorithme de machine learning non supervisé peut regrouper des titres en fonction de diverses propriétés de ceux-ci. Les clusters obtenus peuvent devenir une entrée pour d'autres algorithmes de machine learning (par exemple, un service de recommandation musicale). Le clustering peut être utile lorsque les étiquettes utiles sont rares ou absentes. Par exemple, dans des domaines tels que la lutte contre les utilisations abusives et la fraude, les clusters peuvent aider les humains à mieux comprendre les données.

À comparer au machine learning supervisé.

Cliquez sur l'icône pour afficher des remarques supplémentaires.

Un autre exemple de machine learning non supervisé est l'analyse en composantes principales (PCA). Par exemple, l'application de la PCA sur un ensemble de données contenant le contenu de millions de paniers d'achat peut révéler que ceux contenant des citrons contiennent souvent également des antiacides.

---

V

en automatisant la validation des règles ;

#fundamentals

Évaluation initiale de la qualité d'un modèle. La validation vérifie la qualité des prédictions d'un modèle par rapport à l'ensemble de validation.

Étant donné que l'ensemble de validation diffère de l'ensemble d'entraînement, la validation permet d'éviter le surapprentissage.

Vous pouvez considérer l'évaluation du modèle par rapport à l'ensemble de validation comme la première série de tests et l'évaluation par rapport à l'ensemble de test comme la deuxième série de tests.

perte de validation

#fundamentals

Métrique représentant la perte d'un modèle sur l'ensemble de validation au cours d'une itération particulière d'entraînement.

Voir aussi la courbe de généralisation.

Ensemble de validation

#fundamentals

Sous-ensemble de l'ensemble de données qui effectue l'évaluation initiale par rapport à un modèle entraîné. En règle générale, vous évaluez le modèle entraîné par rapport à l'ensemble de validation plusieurs fois avant d'évaluer le modèle avec l'ensemble de test.

Traditionnellement, les exemples de l'ensemble de données sont divisés en trois sous-ensembles distincts:

• Un ensemble d'entraînement
• un ensemble de validation
• un ensemble de test

Idéalement, chaque exemple de l'ensemble de données ne doit appartenir qu'à l'un des sous-ensembles précédents. Par exemple, un même exemple ne doit pas appartenir à la fois à l'ensemble d'entraînement et à l'ensemble de validation.

 W

weight

#fundamentals

Valeur qu'un modèle multiplie par une autre valeur. L'entraînement consiste à déterminer les pondérations idéales d'un modèle. L'inférence consiste à utiliser les pondérations apprises pour effectuer des prédictions.

Cliquez sur l'icône pour voir un exemple de pondérations dans un modèle linéaire.

Imaginez un modèle linéaire comportant deux caractéristiques. Supposons que l'entraînement détermine les pondérations (et les biais) suivantes :

• Le biais, b, a une valeur de 2,2
• La pondération w₁ associée à une caractéristique est de 1, 5.
• La pondération, w₂, associée à l'autre caractéristique est de 0,4.

Imaginons maintenant un exemple avec les valeurs de caractéristiques suivantes:

• La valeur d'une caractéristique, x₁, est 6.
• La valeur de l'autre caractéristique, x₂, est 10.

Ce modèle linéaire utilise la formule suivante pour générer une prédiction, y':

$$y' = b + w_1x_1 + w_2x_2$$

Par conséquent, la prédiction est la suivante:

$$y' = 2.2 + (1.5)(6) + (0.4)(10) = 15.2$$

Si une pondération est égale à 0, la caractéristique correspondante ne contribue pas au modèle. Par exemple, si w₁ est égal à 0, la valeur de x₁ n'est pas pertinente.

---

somme pondérée

#fundamentals

Somme de toutes les valeurs d'entrée pertinentes multipliée par les pondérations correspondantes. Par exemple, supposons que les entrées pertinentes se composent des éléments suivants:

valeur d'entrée	poids d'entrée
2	-1.3
-1	0.6
3	0.4

La somme pondérée est donc la suivante:

weighted sum = (2)(-1.3) + (-1)(0.6) + (3)(0.4) = -2.0

Une somme pondérée est l'argument d'entrée d'une fonction d'activation.

Z

Normalisation du score Z

#fundamentals

Technique de mise à l'échelle qui remplace une valeur brute de caractéristique par une valeur à virgule flottante représentant le nombre d'écarts types par rapport à la moyenne de cette caractéristique. Prenons l'exemple d'une caractéristique dont la moyenne est 800 et dont l'écart-type est de 100. Le tableau suivant montre comment la normalisation du score Z mappe la valeur brute à son score Z:

Valeur brute	Score Z
800	0
950	+1,5
575	-2.25

Le modèle de machine learning utilise ensuite les scores Z de cette caractéristique plutôt que les valeurs brutes.