Lorsqu’un chercheur publie un article d\u00e9crivant une nouvelle m\u00e9thode d’apprentissage automatique, il commence souvent par une structure non optimis\u00e9e et d\u00e9crit comment l’optimiser avec vos donn\u00e9es pour qu’elle effectue correctement sa t\u00e2che. Imaginons que vous souhaitiez cr\u00e9er un mod\u00e8le d’apprentissage automatique pour pr\u00e9dire le prix d’une maison en fonction de sa superficie. Vous pourriez commencer par une approche de type \u00ab line-of-best-fit \u00bb, et dire que le prix peut \u00eatre mod\u00e9lis\u00e9 avec la structure suivante :<\/p>\n
![\"Formula\"](\"https:\/\/kpidigital.com\/wp-content\/uploads\/2023\/01\/Formula.png\")
<\/center>Si nous disposons de donn\u00e9es, nous connaissons pour chaque maison le prix et la superficie en pieds carr\u00e9s, mais qu’en est-il de ces myst\u00e9rieuses quantit\u00e9s que sont A et B ? C’est ici que l’optimisation entre en jeu : l’auteur choisira une fonction de co\u00fbt (dans ce cas, l’erreur au carr\u00e9 de votre pr\u00e9diction) et minimisera ce co\u00fbt en ajustant ces param\u00e8tres. Cela conduit \u00e0 un mod\u00e8le optimis\u00e9\/entra\u00een\u00e9.<\/p>\n
Bon, nous savons que l’optimisation est utilis\u00e9e dans l’apprentissage automatique, mais en quoi l’apprentissage automatique est-il diff\u00e9rent de l’optimisation des d\u00e9cisions pure ?<\/strong><\/p>\n Dans l’optimisation d\u00e9cisionnelle, c’est \u00e0 vous de d\u00e9finir votre structure. Chaque fois que vous commencez une nouvelle optimisation, vous devez d\u00e9finir math\u00e9matiquement toutes les variables pr\u00e9sentes dans votre syst\u00e8me, les contraintes sur ces variables et la fonction objectif que vous essayez d’optimiser.<\/p>\n Par exemple : Dans les ann\u00e9es 30, l’arm\u00e9e am\u00e9ricaine a d\u00e9cid\u00e9 d’appliquer l’optimisation des d\u00e9cisions pour minimiser le co\u00fbt de l’alimentation de ses soldats. Ils ont construit la fonction qu’ils voulaient minimiser : la somme du co\u00fbt de tous les aliments qu’ils donnent \u00e0 un soldat. \u00c9videmment, avec un tel probl\u00e8me, le co\u00fbt minimum pour nourrir un soldat serait de 0$, puisque vous pourriez choisir de ne rien lui donner. Cela souligne la n\u00e9cessit\u00e9 de d\u00e9finir nos contraintes : chaque soldat a une quantit\u00e9 minimale de chaque type de nutriment qu’il doit consommer chaque jour, ainsi qu’un apport calorique recommand\u00e9. Avec ces variables et ces contraintes d\u00e9finies, ils ont pu optimiser ce r\u00e9gime en minimisant les co\u00fbts pour le gouvernement am\u00e9ricain, tout en maintenant des soldats en bonne sant\u00e9.<\/p>\n Liste de choses \u00e0 faire<\/strong><\/p>\n Vous avez peut-\u00eatre remarqu\u00e9 que le probl\u00e8me de l’optimisation des d\u00e9cisions est plus complexe que celui du mod\u00e8le d’apprentissage automatique. Cela s’explique par le fait que la personne qui applique l’optimisation a plus de latitude. Avec l’apprentissage automatique, il existe g\u00e9n\u00e9ralement un logiciel qui automatise la solution et la structure, mais dans l’optimisation, la structure d\u00e9pend enti\u00e8rement de vous. Les applications de l’optimisation des d\u00e9cisions sont donc plus susceptibles de tomber dans le pi\u00e8ge du \u00ab garbage in, garbage out \u00bb : la solution optimale d’une structure mal d\u00e9finie n’a aucun sens.<\/p>\n La troisi\u00e8me partie : Comment appliquer l’IA de pointe \u00e0 votre entreprise?<\/span><\/p>\n <\/p>\n Bienvenue dans la deuxi\u00e8me partie de ma s\u00e9rie de blogs en trois parties. Dans la premi\u00e8re partie, j’ai pass\u00e9 en revue la terminologie courante de l’IA \u00e0 un niveau sup\u00e9rieur. Dans ce blog, je vais explorer les diff\u00e9rences entre l’apprentissage automatique et l’optimisation des d\u00e9cisions. Si vous n’\u00eates pas titulaire d’un dipl\u00f4me d’\u00e9tudes sup\u00e9rieures dans […]<\/p>\n","protected":false},"author":14,"featured_media":1618,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"inline_featured_image":false,"footnotes":""},"categories":[66],"tags":[],"class_list":["post-7255","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-intelligence-artificielle"],"acf":[],"yoast_head":"\n![\"Oliver](\"https:\/\/kpidigital.com\/wp-content\/uploads\/2023\/01\/OliverBlogPost2-October2021-Checklist2-300x218.webp\")
<\/p>\n![\"Oliver](\"https:\/\/kpidigital.com\/wp-content\/uploads\/2023\/01\/Oliver-Heashot-300x300.png\")
<\/p>\n
\nOliver est un consultant senior en science des donn\u00e9es chez KPI Digital, qui aide les clients \u00e0 maximiser la valeur des donn\u00e9es d’entreprise. Apr\u00e8s avoir obtenu un baccalaur\u00e9at en g\u00e9nie m\u00e9canique de l’Universit\u00e9 McGill, il a poursuivi ses \u00e9tudes \u00e0 l\u2019Institut de technologie de G\u00e9orgie dans le cadre de leur programme de ma\u00eetrise en sciences analytiques. Depuis lors, il se concentre sur la fourniture de solutions de science des donn\u00e9es pr\u00eates \u00e0 \u00eatre mises en production dans des domaines tels que la fabrication, l’ing\u00e9nierie, la finance et la vente au d\u00e9tail.<\/div>\n","protected":false},"excerpt":{"rendered":"