Skip to main content

Introduction

Cette première séance pose les bases indispensables à votre compréhension du Machine Learning et des frameworks que nous allons utiliser. Nous allons commencer par un tour d'horizon des concepts fondamentaux, avant de plonger dans le vif du sujet avec l'étude d'un modèle simple mais fondateur : le Perceptron. Enfin, nous installerons et découvrirons TensorFlow, l'un des frameworks de Machine Learning les plus populaires.

Objectifs de la séance
  • Comprendre ce qu'est le Machine Learning et ses différents types.
  • Découvrir le Perceptron, son fonctionnement et ses limitations.
  • Implémenter un Perceptron en Python "from scratch".
  • Se familiariser avec la notion de descente de gradient.
  • Installer et configurer l'environnement de développement (Python, TensorFlow, Keras, Jupyter).

Plan de la Séance​

Cette séance est divisée en trois parties :

  1. Introduction et Concepts Fondamentaux (1h) : Nous définirons le Machine Learning, explorerons ses différents types (supervisé, non supervisé, etc.) et discuterons de ses applications concrètes. Nous introduirons également brièvement l'écosystème Python pour le Machine Learning (NumPy, pandas, matplotlib).

  2. Le Perceptron : Un Neurone Artificiel (1h30) : Nous étudierons en détail le Perceptron, un modèle simple de neurone artificiel. Nous verrons comment il fonctionne, comment l'implémenter en Python, et quelles sont ses limitations.

  3. Descente de Gradient et Installation (1h30) : Nous aborderons le concept crucial de la descente de gradient, l'algorithme d'optimisation au cœur de nombreux modèles de Machine Learning. Nous installerons ensuite l'environnement de développement nécessaire pour la suite du cours.

tip

N'hésitez pas à poser des questions tout au long de la séance, que ce soit sur la théorie, les exercices ou l'installation.