Accéder au contenu principal

Sélection

Les algorithmes d'apprentissage supervisé en Machine Learning

 Quels sont les algorithmes d'apprentissage supervisé les plus répandus en ML ?  C'est un réel plaisir de vous retrouver la team #TheDayInfo 😎pour un nouvel article.  Nous allons découvrir aujourd'hui les algorithmes d'apprentissage supervisé en ML(Machine Learning).  Pour tout savoir sur la méthode d'apprentissage supervisé, je vous invite à lire mon article là dessus. Exemple d'un algorithme Le SVM (Support Vector Machine) En apprentissage supervisé, lorsqu'on veut résoudre des problèmes de régression, de classification ou détecter des valeurs abbérantes avec moins de puissance de calcul, SVM est l'algorithme de choix.  Le principe ici avec le SVM est de trouver un hyperplan dans un espace à N-dimensions (avec N = au nombre de caractéristiques) qui classe distinctivement les points de données. Arbre de décision(Decision tree) Comme son nom l'indique, c'est un arbre qui aide à la prise de décision.  Pour faire simple, vous avez des données sur

Hello World avec TensorFlow 2.0

TENSORFLOW 2.0

Salut la team, j'espère que vous allez bien 😉, moi je suis heureux de vous retrouver en ce début de cette semaine avec un sujet très particulier en Machine Learning: TensorFlow. 

Logo officiel TensorFlow

Qu'est ce que TensorFlow? 

TensorFlow est un framework de Google dont le code source a été rendu public en Novembre 2015 et qui permet de déployer des modèles de Machine Learning et Deep Learning sur des systèmes embarqués. 

Installation de TensorFlow

Avant d'installer TensorFlow, assurez-vous d'avoir Python 3 ou version supérieure installé sur votre machine. 
Dans le cas contraire, vous pouvez aussi télécharger Anaconda qui viendra avec tout l'environnement nécessaire y compris Jupyter NoteBook que vous pouvez utiliser pour la suite. 

Pour installer TensorFlow, entrez cette commande:

$ pip install tensorflow                                                                                                                             

Si vous voulez l'installer sur votre machine, il serait intéressant de créer un environnement virtuel spécialement TensorFlow. 

On installe le package:
$ pip install virtualenv                                                                                                                               

On crée un dossier envs
$ cd ~                                                                                                                                                         
$ mkdir envs                                                                                                                                              

On crée un environnement virtuel que j'appel "tensorflow"
$ virtualenv ~/envs/tensorflow                                                                                                                  

On active l'environnment:
$ source ~/envs/tensorflow/bin/activate

Vous devriez voir ceci:
(tensorflow)$                                                                                                                                             

Si vous voulez désactiver l'environnement virtuel, il suffit juste de taper cette commande: 

$deactivate                                                                                                                                                 

Après avoir activé l'environnement, vous pouvez taper la commande d'installation de TensorFlow:
$ pip install tensorflow                                                                                                                             


"Hello World" avec TensorFlow

Dans cette section, nous allons mettre en place notre premier programme avec TensorFlow. 
Nous allons utiliser Python comme langage principal.

Créons un fichier hello_world.py sous linux: 
$ nano hello_world.py                                                                                                                         

À l'intérieur du fichier, veuillez mettre ce code ci-dessous: 
import tensorflow as tf //Importation du package tensorflow
a = tf. constant("Hello") //Définition de la constante "Hello"
b = tf.constant("World") //Définition de la constante "World"
ab = a+b    //Ajout de la somme à un graphe de calcul
print (ab)   //Affichage du résultat

Exécution: 
$ python hello_world.py

Dans un code purement python, nous aurions eu le résultat suivant: Hello World. Mais avec TensorFlow, nous avons un résultat différent: tf.tensor(b'Hello Word', shape=(), dtype=string)

Attend, c'est quoi tout ça? tu n'en avais pas parlé au tout début😕

Oui, c'est vrai 😎 et ceci nous permet d'introduire la 4ème partie de notre article sur le contenu même de TensorFlow. 

Les graphes de calcul

TensorFlow signifie en français "Flux de tenseur". 
Un tenseur est un objet (en algèbre multilinéaire et géométrie différentielle) dont la valeur s'exprime dans un espace vectoriel. 
Dans un espace à 3 dimensions, lorsque le tenseur est d'ordre 2, on parle de matrice.  

Ainsi donc, à l'intérieur de cette matrice, nous retrouvons un graphe de calcul représenté sous forme de graphique qui fait référence à un ensemble d'entités interconnectées et appelées nœuds ou sommets.

Par ailleurs, dans TensorFlow, chacun des noeuds du graphique représente une opération(Addition, soustraction, division, etc...) qui est appliquée à une entrée et peut générer une sortie qui est transmise à d'autres nœuds et ainsi de suite.

Graphe de calcul TensorFlow
Graphe de calcul: Addition

En équation simple, cela donne: f(3,4)=3+4=7. 


Voilà à quoi ressemble un graphe de calcul dans Tensorflow et maintenant, imaginez des opération plus complexes avec d'énormes quantités de données🙆 .

Revenons à notre résultat dans la 3e partie concernant le tf.tensor: le "shape" represente la forme de notre tenseur et dtype, le type de données😎

Nous allons créer maintenant notre premier graphique Tensorflow 

Graphique TensorFlow

Créons un fichier graphe_tf.py sous linux: 
$ nano graphe_tf.py                                                                                                                         

À l'intérieur du fichier, veuillez mettre ce code ci-dessous: 
import tensorflow as tf //Importation du package tensorflow
a = tf. constant(7, name="input_a") 
b = tf. constant(4, name="input_b") 
c = tf. multiply(a,b, name="mul_c") 
d = tf. add(a,b, name="input_d") 
e = tf.add("c,d, name="input_e") 

print (e)   //Affichage du résultat

Exécution: 
$ python graphe_tf.py

Pour finir, je mettrai très bientôt, l'ensemble des calculs que j'ai eu à faire sur mon Github: https://github.com/armelyara, donc n'oubliez de follow pour d'autres infos😉.

Excellente semaine à vous👋




 





 





Commentaires

Articles les plus consultés

Follow @ArmelYara