Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

Devoir libre 10 École Nationale Supérieure des Mines de Rabat Data Mining Machine Learning Devoir N Réalisé par -CHERKAOUI Jihane -EL YOUSSFI Marwa -IDRISSI Khalid -KETTANI Mohammed-Ayman CIntroduction De nos jours nous faisons face au quotidien à un ot c

École Nationale Supérieure des Mines de Rabat Data Mining Machine Learning Devoir N Réalisé par -CHERKAOUI Jihane -EL YOUSSFI Marwa -IDRISSI Khalid -KETTANI Mohammed-Ayman CIntroduction De nos jours nous faisons face au quotidien à un ot considérable d ? informations qu ? on désigne en utilisant le terme Big Data ? En e ?et les Big Data ? données massives désignent des ensembles de données qui deviennent tellement volumineuses qu ? ils en deviennent di ?ciles à travailler avec des outils classiques de gestion de base de données ou de gestion de l ? information On divise donc ces données sur plusieurs serveurs et on travaille en parallèle Pour assurer une bonne gestion de ces données et leur lise à pro ?t on optera donc pour le Data Mining ? Ce dernier étant au con uent de la statistique et de l ? informatique décisionnelle assure l ? application des technologies d ? analyse et d ? intelligence arti ?cielle à l ? exploration et à l ? analyse des grandes bases de données en vue d ? en extraire des informations pertinentes pour l ? entreprise en question et de les utiliser en particulier dans les systèmes d ? aide à la décision Le Data Mining ? constitue l ? une des dix technologies émergentes qui changeront le monde au ème siècle et comporte de familles de méthodes les méthodes d ? apprentissage dite supervisés et les méthodes d ? apprentissage non supervisés Dans le cas échéant nous nous intéresserons en particulier aux méthodes d ? apprentissage supervisé plus précisément au modèle du perceptron ? CExercice a- Pour répondre à cette question on commencera d ? abord par importer les bibliothèques python nécessaires puis dé ?nir le label y et les poids w puis générer le ?chier d ? apprentissage de taille et le ?chier test de taille On passe maintenant à générer la matrice des données normalisées de l'apprentissage puis créer de la droite séparante aléatoire pour séparer les éléments En exécutant le programme ci-dessus on obtient les résultats suivants C CEt pour le label y CMaintenant on met ? CSi on exécute le programme ci-dessus on obtient le graphe suivant Cb- En utilisant le même ?chier de données et le même algorithme que la question a on met pour ? et on obtient le graphe suivant Cc- En utilisant le même ?chier de données et le même algorithme que la question a on met pour ? et on obtient le graphe suivant d- En utilisant le même ?chier de données et le même algorithme que la question a on met pour ? et on obtient le graphe suivant Ce- D ? après la comparaison entre le graphe obtenu dans la question a et celui dans la question d on remarque qu ? en passant de ? en ? en diminuant le paramètre ? la précision augmente et les données deviennent bien classées Exercice a- On considère que En w max -ynwTxn si yn xn sont bien classées