Remerciez-le!

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

École Nationale Supérieure des Mines de Rabat Data Mining & Machine Learning De

École Nationale Supérieure des Mines de Rabat Data Mining & Machine Learning Devoir N°1 Réalisé par : -CHERKAOUI Jihane -EL YOUSSFI Marwa -IDRISSI Khalid -KETTANI Mohammed-Ayman 1 e nos jours, nous faisons face au quotidien à un flot considérable d’informations qu’on désigne en utilisant le terme « Big Data ». En effet, les « Big Data » (données massives) désignent des ensembles de données qui deviennent tellement volumineuses qu’ils en deviennent difficiles 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 profit, on optera donc pour le « Data Mining ». Ce dernier, étant au confluent de la statistique et de l’informatique décisionnelle, assure l’application des technologies d’analyse et d’intelligence artificielle 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 21ème 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 ». Introduction D 2 Exercice 1 : a- Pour répondre à cette question on commencera d’abord par importer les bibliothèques python nécessaires, puis définir le label y et les poids w, puis générer le fichier d’apprentissage de taille 100 et le fichier test de taille 10000 : 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 : 3 4 Et pour le label y : 5 Maintenant on met ɳ=100 : 6 Si on exécute le programme ci-dessus on obtient le graphe suivant : 7 b- En utilisant le même fichier de données, et le même algorithme que la question (a), on met pour ɳ=1, et on obtient le graphe suivant : 8 c- En utilisant le même fichier de données, et le même algorithme que la question (a), on met pour ɳ=0.01, et on obtient le graphe suivant : d- En utilisant le même fichier de données, et le même algorithme que la question (a), on met pour ɳ=0.0001, et on obtient le graphe suivant : 9 e- D’après la comparaison entre le graphe obtenu dans la question (a) et celui dans la question (d), on remarque qu’en passant de ɳ= 100 en ɳ=0.0001 (en diminuant le paramètre ɳ) la précision augmente et les données deviennent bien classées. Exercice 2 : a- On considère que : En(w)=max(0,1-ynwTxn)2 0 si (yn,xn) sont bien classées En(w)=max(0,1-ynwTxn)2= (1-ynwTxn)2 sinon 0 si (yn,xn) sont bien classées ∇ En(w)= -2* ynxn*(1-ynwTxn) sinon uploads/Management/ devoir-libre 10 .pdf