Jeu de slides... - Vincent Lemaire

(Nom du fichier) - D1 - 06-07-2006
The present document contains information that remains the property of France Telecom. The recipient’s
acceptance of this document implies his or her acknowledgement of the confidential nature of its contents
and his or her obligation not to reproduce, transmit to a third party, disclose or use for commercial purposes
any of its contents whatsoever without France Telecom’s prior written agreement.
Frank Meyer
France Telecom R&D /TECH/SUSI/TSI
L'Apprentissage Semi-
Supervisé
Quelques éléments

Distribution of this document is subject to France Telecom’s authorization
Tech/Susi/Tsi - 2006
France Télécom R&D
Sommaire
0. Quelques rappels & terminologie usuelle
1. Classification semi-supervisée
1.1 Problématique
1.2 Panorama général des méthodes
2. Clustering semi-supervisé
3. Le cas de l'apprentissage de métrique

Distribution of this document is subject to France Telecom’s authorization
Tech/Susi/Tsi - 2006
France Télécom R&D
0. Quelques rappels & terminologie 1/4
➨ Terminologie traditionnelle en data mining / apprentissage automatique
 Exemples = instances = points = records = objets = lignes des données
 Variables = attributs = coordonnées = features = propriétés = colonnes de
données
 Classe = label = variable cible = variable à prédire (domaine supervisé)
 Classification = classification supervisée = apprentissage supervisé
Exemples de méthodes : arbre de décision C5 ou CART, réseaux
de neurones type perceptron, régression linéaire, régression logistique,
K-plus-proches-voisins, Support Vector Machine...
 Clustering = classification non supervisée (= malheureusement parfois
classification en français)
 exemples de méthodes : K-Means, Classification Hiérarchique
Ascendante, carte de Kohonen

Distribution of this document is subject to France Telecom’s authorization
Tech/Susi/Tsi - 2006
France Télécom R&D
0. Quelques rappels & terminologie 2/4
oApprentissage supervisé (en anglais,
classification) :
o On a des points de n classes différentes
(par exemple n=2), l'ensemble
d'apprentissage
o On voudra par la suite classer des
nouveaux points : C'est l'ensemble des
points pour lesquels on voudra appliquer
un modèle
(...)(...)(...)
?38
rouge47
vert52
ClasseYX
X
Y
Espace descriptif (ici à 2 dimensions)
Nouvel
élément :
Ensemble
d'apprentissage
*

Distribution of this document is subject to France Telecom’s authorization
Tech/Susi/Tsi - 2006
France Télécom R&D
0. Quelques rappels & terminologie 3/4
oClassification, suite :
oOn cherche donc un modèle qui va
définir des frontières dans l'espace de
description (c'est l'apprentissage)
oOn en déduit, pour de nouveaux points
pas encore classés, leur classe
d'appartenance
(...)(...)(...)
Prédit : rouge38
rouge47
vert52
ClasseYX
X
Y
Espace descriptif (ici à 2 dimensions)
Nouvel
élément :
Ensemble
d'apprentissage
*