Article précédent
Voiture connectée| Réf : H5010 v1
Auteur(s) : Fabien MOUTARDE
Date de publication : 10 févr. 2019
Cet article fait partie de l’offre Innovations technologiques
L'accès à une base complète d'articles actualisée et mise à jour en permanence
Des services
et outils pratiques
100 % web consultable
sur tous les supports numériques
Quitter la lecture facile
Il existe un grand nombre de modèles et algorithmes d’apprentissage statistique supervisé, et cet article s’est limité à présenter les principaux. Comme il a été indiqué, chacun d’eux possède des avantages et des inconvénients. Le choix, pour une application donnée, d’une technique plutôt qu’une autre est donc toujours délicat. L’idéal serait normalement d’essayer et comparer au moins les principales, mais cela peut représenter un travail important. D’autant qu’il faut s’assurer de trouver pour chacune les valeurs optimales des hyper-paramètres parfois nombreux, en utilisant une base de validation (ou la validation croisée).
Toutefois, les caractéristiques de données à traiter peuvent guider dans le choix de modèle (figure 32) :
si les entrées sont des images, les réseaux convolutionnels sont a priori la méthode susceptible de donner les meilleurs résultats ; mais il faut soit disposer d’un très grand nombre d’exemples étiquetés, soit faire de l’apprentissage par transfert en réutilisant comme base un convNet pré-appris sur ImageNet ;
inversement, on ne peut a priori PAS utiliser un Réseau Convolutionnel sur des entrées qui ne sont pas organisées en grille (ni image, ni série temporelle, ni voxels3D) ;
si les entrées sont structurées (graphes, etc.), la capacité des SVM à gérer cela via un noyau adapté peut être un avantage ;
si une proportion importante des entrées est symbolique (valeurs discrètes), alors utiliser un Arbre de Décision ou une Forêt Aléatoire peut éviter de devoir définir un encodage numérique de ces entrées symboliques ;
s’il s’agit de classification avec un grand nombre de classes, alors le principe intrinsèquement « bi-classe » des SVM et du boosting peuvent compliquer l’apprentissage (nécessité par exemple d’apprendre N classifieurs binaires « un contre tous » s’il y a N classes) ;
si les entrées sont de très grande dimension, et qu’il y a un grand nombre d’exemples, l’apprentissage des SVM peut devenir problématiquement long ; inversement, la sélection aléatoire d’un sous-ensemble restreint de dimensions pour chaque arbre d’une Forêt Aléatoire peut être avantageuse ;
si...
Vous êtes abonné à cette offre ?
Connectez-vous !
Vous souhaitez découvrir cette offre ?
Cet article est inclus dans l'offre :
INNOVATIONS TECHNOLOGIQUES
(1) - RUMELHART (D.E.), HINTON (G.E.), WILLIAMS (R.J.) - Learning representations by back-propagating errors. - Nature, 323 (6088) : 533-536 (1986).
(2) - CYBENKO (G.) - Approximation by superpositions of a sigmoidal function. - Mathematics of Control, Signals, and Systems, 2(4), 303-314 (1989).
(3) - QUINLAN (J.R.) - Induction of Decision Trees. - Machine Learning 1: 81-106 (1986).
(4) - BREIMAN (L.), FRIEDMAN (J.H.), OLSHEN (R.A.), STONE (C.J.) - Classification and regression trees. - Monterey, CA : Wadsworth & Brooks/Cole Advanced Books & Software (1984).
(5) - BREIMAN (L.) - Random Forests. - Machine Learning 45 (1) : 5-32 (2001).
(6) - FREUND (Y.), SCHAPIRE (R.) - A decision-theoretic generalization...
Pour les algorithmes « classiques » d’apprentissage statistique, l’outil logiciel le plus riche (contenant des implémentations de la pluparts des modèles et algorithmes) et très couramment utilisé est :
Sci-Kit Learn (librairie Python), http://scikit-learn.org
Pour l’apprentissage profond de réseaux convolutionnels, les principales librairies utilisées (qui intègrent toutes une utilisation transparente des GPUs sur les ordinateurs qui en ont) sont :
Lasagne, http://lasagne.readthedocs.io
TensorFlow, https://www.tensorflow.org
KERAS, https://keras.io
PyTorch, https://pytorch.org/
NB : tous ces outils logiciels sont gratuits
HAUT DE PAGELes avantages et services compris dans votre offre
accès
Accès illimité aux
articles en HTML
Enrichis et mis à jour pendant
toute la durée de la souscription
Téléchargement des articles
au format PDF
Pour un usage en toute liberté
Consultation sur tous
les supports numériques
Des contenus optimisés pour
ordinateurs, tablettes et mobiles
services et outils pratiques
Archives
Technologies anciennes et versions
antérieures des articles
détails de l'offre
| Licence annuelle monoposte | Licence pluriannuelle et/ou multiposte | |
|---|---|---|
| Droit d'accès | ||
| Accès HTML aux articles | Illimité | Illimité |
| Téléchargement des versions pdf | 5 / jour | > 5 / jour (2) |
| Consultation sur tous les supports | Oui | Oui |
| Les services | ||
| Questions aux experts (1) | 4 / an | > 4 / an (2) |
| Articles découverte | 5 / an | > 5 / an (2) |
| Dictionnaire technique multilingue | Oui | Oui |
| Archives | Oui | Oui |
| Impression à la demande | 45 € / exemplaire | 45 € / exemplaire |
| Infos mise à jour | Oui | Oui |
| AJOUTER AU PANIER | DEMANDER UN DEVIS |
(1) Non disponible pour les lycées, les établissements d’enseignement supérieur et autres organismes de formation. (2) Sur devis
