Traitement de données LIDAR acquises en sous bois, extraction par méthodes tomographiques de données individuelles d'arbre, localisation, diamètre, volumétrie.

Inspiration  WIKIPEDIA => L'apprentissage machine, c'est l'étude d'algorithmes capables de s'enrichir à partir de l'expérience. Un jeu de données d'entraînement d'un sur-ensemble permet de préparer un modèle de prédiction ou de décision. L'apprentissage machine est très lié aux études statistiques et à l'optimisation qui ont un connu un grand essor dès les années 1970 et qui trouvent pleinement aujourd'hui leur terrain d'application, vu les puissances de calcul pouvant être mobilisées à ce jour, y compris sur un simple ordinateur doté d'un CPU multicoeur et de grandes capacité mémoire voire de GPU dédié au calcul.

1 – Introduction à l’apprentissage machine

 

2 – Python dédié à l'apprentissage machine

 

3 – Apprentissage supervisé et non supervisé

 

4 – Introduction aux techniques de régression

 

5 –Exemple d'une simple régression linéaire

 

6 –Evaluation des modèles de régression linéaire

This sequence defines metrics to evaluate the accuracy of your regression  model. Training accuracy is the percentage of correct prediction, but a high training accuracy is not necessarly a good thing. The result can be overfitted. Overfit the model is overlying the trained model  to the dataset, which may capture noise and produce a non-generalized model. out of sample accuracy is a percentage of correct prediction on records not present in the data test model. Two strategies :

  1. training set and testing set mutually exclusive, high out of sample accuracy,
  2. training data part of the test data => low out of sample accuracy.

 

7 –Evaluation des métriques des  modèles de régression linéaire

Evaluation metrics help to evaluate the performance of the régression méthod. We must compare actuel value to predicted value to calculate the accuracy of the prediction model. Metrics provide insight in the data. For evaluation of metrics we use MAE, MSE, RMSE, RAE (Relative Absolute Error), RSE, R.

 

8 –Multiple linear régression

Several variables are used to predict the dependant variable.

$$y= \theta_0 + \theta_1 x_1 + \theta_2 x_2 + ...$$

 

 9 –Régression non linéaire

Polynomial function are used to predict the dependant variable.

 

 

 10 –Introduction à la classification

Different classification methods survey and algorithm presentation : Decision Tree, Naïve Bayes, Linear discriminant analysis, K-N Neighbour, Logistic Regression, , Neural NetWork, SVM

 

 11 –Algorithm KNN

A first an simple KNN approach

 

 11 –Evaluation metrics in classification

jaccardindex

                                                                                         

Howto evaluate the accuracy of your classification

 


  12 –Decision Tree

What is a decision tree ?


  13 – Intro to logistic regression


 

 

 


  14 –Logistic versus linear regression

 

 


  15 –Logistic regression training

 


  15 –Support Vecteur Machine

 

 

 16 –Intro to clustering

 

 

 17 –K-means cluster

 

 

 18–More on K-means cluster

 

 

 

 19–Hierarchal cluster

 

 19–More on Hierarchal cluster

 

 

 19–Density based clustering cluster

 

 

 

20–Intro to recommander system

 

21–Content based recommander system

 

 

21–Collaborative filtering recommander system

 


 


 

 

 


 

 


 


 


 


 


 

 

 

 

 

Nous utilisons des cookies. Ils sont activés sur ce sites/, êtes vous d'accord ? Des infos sur les Cookies => ICI informations privées.

  J'accepte les cookies de ce site.
EU Cookie Directive plugin by www.channeldigital.co.uk