Intro au Big Data & Machine Learning
1 j'aime1,222 vues
Le document présente une introduction au big data et au machine learning, en abordant leurs définitions, leurs applications et les différentes approches d'apprentissage. Il discute également des infrastructures nécessaires pour traiter d'énormes volumes de données et des méthodes comme le filtrage collaboratif pour les recommandations. En conclusion, le domaine est en pleine expansion avec de nombreuses applications à impact direct sur les utilisateurs.
Intro au Big Data & Machine Learning
- 2. Introduction • Qui suis-je ? • MEA depuis Septembre 2016 • Ingénieur Généraliste ECAM Lyon Promo 2015 • Mastère Spécialisé « Systèmes Informatiques Ouverts », Centrale Paris Promo 2016 • Que fais-je ? • Stage de fin d’études chez ManoMano • Ingénierie Informatique • Machine Learning • Moteurs de recommandations Big Data & Machine Learning 2
- 3. Plan 1. Qu’est-ce que le Big Data ? 2. Qu’est-ce que le Machine Learning ? 3. Exemples d’applications Big Data & Machine Learning 3
- 5. Définition « La notion de big data est un concept s'étant popularisé en 2012 pour traduire le fait que les entreprises sont confrontées à des volumes de données à traiter de plus en plus considérables et présentant un fort enjeu commercial et marketing. » Big Data & Machine Learning 5
- 7. Les acteurs • Transformation venue à la base des « .com » • Mais maintenant touche beaucoup plus de secteurs Big Data & Machine Learning 7
- 8. Petit sondage Le Big Data implique de traiter beaucoup de données rapidement, les entreprises ont donc besoin d’infrastructures très puissantes. Pour faire de tels calculs, choisiriez vous : a) Un ordinateur très très puissant b) Beaucoup d’ordinateurs normaux Big Data & Machine Learning 8
- 9. Petit sondage Le Big Data implique de traiter beaucoup de données rapidement, les entreprises ont donc besoin d’infrastructures très puissantes. Pour faire de tels calculs, choisiriez vous : a) Quelques ordinateurs très très puissants b) Beaucoup d’ordinateurs normaux à Algorithme « Map Reduce » Big Data & Machine Learning 9
- 13. Définition « Machine learning is the science of getting computers to act without being explicitly programmed. In the past decade, machine learning has given us self-driving cars, practical speech recognition, effective web search, and a vastly improved understanding of the human genome » Big Data & Machine Learning 13
- 15. Différents problèmes • Apprentissage Supervisé • Apprentissage Non Supervisé • Apprentissage par Renforcement • Apprentissage Profond Big Data & Machine Learning 15
- 16. Apprentissage Supervisé A partir d’un set de données d’entrainement, l’algorithme va apprendre un modèle qui lui permettra de faire des prédictions ultérieurement. Exemple : Filtrage Spam Big Data & Machine Learning 16
- 17. Apprentissage non Supervisé Aucun set de données d’entrainement n’est fourni. L’algorithme doit trouver le meilleur modèle lui même. Exemple : Trouver des groupes d’acheteurs similaires sur un site d’e-commerce Big Data & Machine Learning 17
- 19. Apprentissage par Renforcement « Apprendre, à partir d'expériences, ce qu'il convient de faire en différentes situations. Agent autonome au sein d'un environnement, qui doit prendre des décisions en fonction de son état courant. En retour, l'environnement procure à l'agent une récompense, qui peut être positive ou négative » Exemple : Un robot qui apprend à jouer aux échecs contre un être humain Big Data & Machine Learning 19
- 20. Apprentissage Profond (Deep Learning) Apprentissage supervisé avec un réseau de neurones. une machine virtuelle composée d'unités qui effectuent chacune de petits calculs simples. Les résultats de la première couche de neurones vont servir d'entrée au calcul des autres. Exemple : Reconnaissance d’image Big Data & Machine Learning 20
- 27. Deux approches • Content Based Filtering • Se base sur le contenu des produits appréciés par l’utilisateur • Exemple : Bob aime le Rock, lui proposer des chansons de Rock • Collaborative Filtering • Rapproche des utilisateurs et propose le contenu que l’un a aimé et pas l’autre • Exemple : Bob et Joe sont similaires. Bob a adoré le dernier album des Arctic Monkeys. Recommander cet album à Joe qui ne l’a pas encore écouté. Big Data & Machine Learning 27
- 29. Conclusion • Domaine pas nouveau, mais en plein essor grâce à l’explosion des données et de la puissance de calcul • Beaucoup d’applications en lien direct avec les utilisateurs • Domaine en vogue, qui ne connaît pas la crise • Le meilleur reste encore à venir ! Big Data & Machine Learning 29
- 30. Merci de votre attention ! Big Data & Machine Learning Eric Daoud Attoyan Séminaire MEA – Jeudi 19 Mai 2016
- 31. Références • https://fr.coursera.org/learn/machine-learning • http://fr.slideshare.net/xamat/recommender-systems-machine- learning-summer-school-2014-cmu • https://deepmind.com • https://www.google.com/selfdrivingcar/ • http://www.lemonde.fr/sciences/article/2016/02/04/la-lecon-d-un- maitre-de-l-intelligence-artificielle_4859368_1650684.html • https://hbr.org/2012/10/big-data-the-management-revolution/ar • http://static.googleusercontent.com/media/research.google.com/en //archive/mapreduce-osdi04.pdf • https://fr.wikipedia.org/wiki/Apprentissage_automatique Big Data & Machine Learning 31