Dans le cours précédent nous avons vu que les méthodes de machine learning sont des problèmes inverses, qui utilisent des modèles mathématiques génériques. Dans cette vidéo, on posera quelques bases formelles du machine learning.

Ce cours montre une résolution d’un problème inverse linéaire typique dans différentes situations pour rechercher une solution optimale. Il montre un exemple de problème mal-posé, avec une apparition d’artefacts. Le cours introduit également la notion de fonction de perte (loss function) ou de fonction de coût (cost function), ainsi que les méthodes supervisées (classification, régression) et non supervisées (clustering, réduction de dimension).

A la fin du cours, nous vous proposons des travaux pratiques pour découvrir plusieurs méthodes de classification, en utilisant la librairie scikit-learn de Python. Nous allons travailler avec des données d’expression de gènes dans le cancer du côlon. L’objectif sera de créer un modèle de prédiction, capable de faire le diagnostic entre le cancer et l’échantillon normal. La correction des exercices sera enregistrée et disponible sur cette chaîne Youtube.

Vous avez accès aux TPs sur le dépôt Github d’EpiMed, à l’adresse suivante : https://github.com/epimed/eoc-ai-sess...

Intervenant : Ekaterina Flin, ingénieur en informatique, groupe EpiMed, Institut pour l’Avancée des Biosciences (IAB), Université Grenoble Alpes (UGA)

#machine_learning #fonction_perte #optimisation

Table des matières
00:00 Modèle inverse linéaire
00:49 Problème mal-posé et artefacts
04:00 Dimensions du problème et solutions
05:26 Solution optimale formelle
06:31 Fonction de perte
07:14 Exemple de la régression linéaire
08:39 Classes de problèmes en machine learning
09:47 Annonce des travaux pratiques

Liens
Machine learning et problèmes inverses : https://bit.ly/3bbEALB