Classement binaire avec PyTorch (Python)
Classement ou classification supervisée binaire avec la librairie PyTorch (Python). Particularités de l’outil dans le cadre de la définition et de la mise en œuvre des perceptrons simples et multicouches (réseaux de neurones) : mettre les données sous la forme de tenseurs (tensor, des matrices et vecteurs optimisés pour les calculs de machine learning) ; définir l’architecture et le comportement du réseau sous la forme d’une classe ; écrire explicitement les différentes étapes de « fit » pour l’entraînement du modèle. PyTorch fait partie des librairies phares de deep learning à ce jour (cf. https://en.wikipedia.org/wiki/Compari....
Notebook et données : http://tutoriels-data-science.blogspo...
Site web de PyTorch : https://pytorch.org/
PyTorch - Classement multiclasse : • Classement multiclasse avec PyTorch (...
Page de cours : https://cours-machine-learning.blogsp...
00:00 La librairie PyTorch pour le deep learning
07:44 Version simplifiée de "Breast Cancer Dataset"
08:59 Démarrage du notebook - Vérification des versions
10:31 Importation et préparation des données d'apprentissage
14:36 Conversion des données en tenseurs (tensor) pour PyTorch
17:02 Elaboration de la structure - Classe pour perceptron simple
21:50 Définition de la fonction de perte (coût - MSE)
22:54 Instanciation du réseau
23:34 Choix de l'algorithme d'optimisation
24:35 Inspection du réseau - Les poids synaptiques (coefficients)
26:27 Prédiction (proba d'appartenance) avec les poids initiaux
28:52 Valeur initiale de la perte (MSE)
30:19 Définition détaillée de la fonction "fit"
35:29 Lancement de l'entraînement du modèle
36:20 Valeur finale de la perte
36:53 Courbe de décroissance de la perte au fil des epochs
37:18 Coefficients du réseau à l'issue de l'entraînement
38:12 Importation et préparation des données de test
38:58 Probabilités d'affectation sur l'échantillon test
40:12 Conversion des probabilités en affectation (seuil = 0.5)
40:23 Calcul de l'accuracy
40:50 Bilan -- Perceptron simple
42:38 Structure (classe) et traitements pour perceptron multicouche
48:48 Instanciation, fonction de perte, algorithme d'optimisation
49:40 Entraînement, courbe de décroissance de la perte, accuracy en test
52:24 Projection des individus dans l'espace défini par la couche cachée
56:12 Frontière de séparation dans l'espace "factoriel" du réseau