Saupin Guillaume

Lorsqu’il s’agit de résoudre des problèmes de Machine Learning sur données tabulées, c’est-à-dire issues de base de données relationnelles ou de fichiers de type CSV, les grandes gagnantes sont les méthodes de Gradient Boosting. Pour preuve, XGBoost, LightGBM, ou encore CatBoost se retrouvent généralement en tête des meilleurs algorithmes dans les concours de type Kaggle. Dans cet article, nous allons entrer dans le détail de leur fonctionnement, à l’aide de code, pour en cerner toutes les subtilités.

Réussir un projet d’IA nécessite de maîtriser bien des aspects de la datascience, de la collecte des données au déploiement d’un modèle, en passant par la visualisation, le preprocessing, l’exploration, l’expérimentation... Disposer d’un bon framework n’est pas indispensable, mais ça aide bien.

Il existe en ligne quelques réseaux de neurones profonds, préentraînés, qui ouvrent la voie de l’utilisation de ces réseaux complexes, sans avoir recours à d’énormes fermes de calcul ni à de gigantesques bases de données qualifiées. Comment y accéder, les utiliser, et surtout les plier à nos besoins ? Nous verrons deux approches : le paradigme réseau de neurones et XGBoost.

La programmation différentiable est une nouvelle façon de penser la programmation. Le principe consiste à considérer tout un programme comme une fonction qu’on puisse différentier, et donc optimiser. Nous allons construire dans cet article les outils de base pour ce faire, et présenter la librairie JAX, qui facilite la tâche.

L’exponentielle est au cœur de nombreuses méthodes dans le domaine de la data science, et nous avons connu ces derniers mois ses effets très directement à travers la propagation du SARS-Cov-2.

La librairie Keras rend possible en quelques lignes la création de réseaux convolutifs, dont les possibilités en matière de reconnaissance d’objets sont spectaculaires.

Nous utilisons actuellement majoritairement des langages du XXe siècle. Quels seront les langages de demain ? Et s'ils étaient déjà en train d'émerger ?

Tout le monde en parle. Tout le mode en veut. Tout le monde en a peur. Mais qu’est réellement le Machine Learning ? Viendra-t-on bientôt sonner chez vous pour demander Sarah Connor ?

Pour créer des programmes capables de résoudre des problèmes sans leur avoir donné de méthode précise, il faut nécessairement faire appel au machine learning. Quand il s'agit d'apprendre en explorant un environnement, on passe au reinforcement learning, sujet de cet article.