Savoir & Culture

Salut, si y'en a qui sy connaissent, en machine learning on est plus amenés à faire des maths ou bien de l'algorithmique ? En fait je voudrais savoir si c'était possible d'aimer ce qu'on fait en ML en aimant vraiment pas l'info mais juste les maths ?

t'es où ayfrino aujd?

Le Machine Learning c'est d'abord avant tout une branche de l'informatique. Ca désigne une approche particulière pour résoudre des problèmes, qui est une approche par apprentissage à partir de données. Le pari c'est : au lieu de laisser le programmeur coder à la main un algorithme permettant de résoudre un problème, tu codes un algorithme qui permet d'apprendre de lui même à résoudre le problème à partir d'expériences passées.

Par exemple, si on veut résoudre un problème de classification image de chat vs image de chien, on pourrait avoir un programmeur qui fasse un algorithme qui prend en entrée les différents pixels de l'image et ressort après une certaine "procédure automatique" (détecter les formes de l'oreille...) si c'est une image de chien ou de chat, mais le problème c'est que cette "procédure automatique" est extrêmement compliqué à concevoir. Alors ce qu'on fait à la place c'est coder un algo qui prend en entrée des exemples d'images de chien et chat (avec l'étiquette associée "chat/chien") et est capable par lui même de réaliser cette "procédure automatique" de telle sorte à ce que cette "procédure automatique" fasse le moins d'erreur sur les données d'exemples.

Voila donc le machine learning c'est d'abord de l'info. Mais dans la conception des algorithmes il y a des maths, plutôt niveau licence. Notamment des fonctions de plusieurs variables, de l'optimisation. (optimiser les paramètres pour que la machine se trompe le moins sur les exemples) La méthode des moindres carrés c'est le truc le plus simple en machine learning. Pour les moindres carrés classiques, on considère des fonctions linéaires, mais on peut aussi s'intéresser à considérer des classes de fonctions + complexes (on se doute qu'une fonction qui à une image renvoit chat/chien n'est pas linéaire) et donc le mot clé à chercher c'est théorie de l'approximation (les réseaux de neuronne sont des composés de fonctions linéaires avec des fonctions non linéaires, c'est une bonne question (résolue) de savoir si cette classe de fonction approche bien n'importe quelle fonction sur un segment, exactement comme lorsqu'on se demande si les polynomes sont denses sur un segment)

Ensuite dans l'analyse des algorithmes il y a des probas/stats, car on y rajoute un modèle probabiliste pour savoir quelles chances l'algorithme a de se tromper. Là on parle plutôt d'apprentissage statistique. (statistical learning)

Oui c'est possible de n'en n'avoir rien à faire de l'info et faire du machine learning qu'avec des maths. Si tu as un gout pour les stats alors c'est facile de s'y plaire. Mais il y a aussi des gens qui font de la géométrie différentielle, ou qui font du transport optimal, et qui peuvent appliquer leurs connaissances sur du machine learning. (ou bien s'inventer des problèmes de ML liés à leurs domaines de recherche).

Le 20 novembre 2024 à 20:48:53 :
t'es où ayfrino aujd?

dans une grande mines qui n'est pas forcément celle que je voulais mais bon, j'ai pas forcément eu des masses de chance aux oraux

Le 20 novembre 2024 à 20:57:10 :
Le Machine Learning c'est d'abord avant tout une branche de l'informatique. Ca désigne une approche particulière pour résoudre des problèmes, qui est une approche par apprentissage à partir de données. Le pari c'est : au lieu de laisser le programmeur coder à la main un algorithme permettant de résoudre un problème, tu codes un algorithme qui permet d'apprendre de lui même à résoudre le problème à partir d'expériences passées.

Par exemple, si on veut résoudre un problème de classification image de chat vs image de chien, on pourrait avoir un programmeur qui fasse un algorithme qui prend en entrée les différents pixels de l'image et ressort après une certaine "procédure automatique" (détecter les formes de l'oreille...) si c'est une image de chien ou de chat, mais le problème c'est que cette "procédure automatique" est extrêmement compliqué à concevoir. Alors ce qu'on fait à la place c'est coder un algo qui prend en entrée des exemples d'images de chien et chat (avec l'étiquette associée "chat/chien") et est capable par lui même de réaliser cette "procédure automatique" de telle sorte à ce que cette "procédure automatique" fasse le moins d'erreur sur les données d'exemples.

Voila donc le machine learning c'est d'abord de l'info. Mais dans la conception des algorithmes il y a des maths, plutôt niveau licence. Notamment des fonctions de plusieurs variables, de l'optimisation. (optimiser les paramètres pour que la machine se trompe le moins sur les exemples) La méthode des moindres carrés c'est le truc le plus simple en machine learning. Pour les moindres carrés classiques, on considère des fonctions linéaires, mais on peut aussi s'intéresser à considérer des classes de fonctions + complexes (on se doute qu'une fonction qui à une image renvoit chat/chien n'est pas linéaire) et donc le mot clé à chercher c'est théorie de l'approximation (les réseaux de neuronne sont des composés de fonctions linéaires avec des fonctions non linéaires, c'est une bonne question (résolue) de savoir si cette classe de fonction approche bien n'importe quelle fonction sur un segment, exactement comme lorsqu'on se demande si les polynomes sont denses sur un segment)

Ensuite dans l'analyse des algorithmes il y a des probas/stats, car on y rajoute un modèle probabiliste pour savoir quelles chances l'algorithme a de se tromper. Là on parle plutôt d'apprentissage statistique. (statistical learning)

Oui c'est possible de n'en n'avoir rien à faire de l'info et faire du machine learning qu'avec des maths. Si tu as un gout pour les stats alors c'est facile de s'y plaire. Mais il y a aussi des gens qui font de la géométrie différentielle, ou qui font du transport optimal, et qui peuvent appliquer leurs connaissances sur du machine learning. (ou bien s'inventer des problèmes de ML liés à leurs domaines de recherche).

Ok super merci

Je fais un doctorat en ML et en terme d'info j'implémente seulement mes algos sur des exemples simples. 90% de ce que je fais c'est des probas/stats. Donc oui tu peux éviter de faire de l'info en ML, mais c'est quand même mieux d'avoir des bases de python (après j'ai aussi des collègues qui codent même pas)

Très bien merci vdd