Semaine 4

Important

Échéance : Le devoir 1 doit être soumis au plus tard le 29 septembre 2024 à 23 heures. Veuillez consulter l’énoncé du devoir disponible sur Brightspace.

Préparer

• Frontière de décision: Russell et Norvig (2020), pages 658, 682
• Régression logistique: Russell et Norvig (2020), pages 684-686
• Regarder Machine Learning and Logistic Regression, IBM Technology.
• Lones, M. A. (2024). Avoiding common machine learning pitfalls. Patterns, 101046. doi.org/10.1016/j.patter.2024.101046 (also available on arXiv)
• The 7 steps of machine learning by Google Cloud Tech on YouTube, 2017-08-31

Participer

• Cours 05
• Cours 06

Pratiquer

En classe, nous avons développé un modèle de régression logistique pour la reconnaissance des chiffres manuscrits à partir d’un jeu de données de l’UCI ML. Ce jeu de données comprend 1797 images de taille \(8 \times 8\). Le jeu de données MNIST (mnist_784) contient 70 000 images de taille \(28 \times 28\). L’exemple suivant tiré du site sklearn utilise ce jeu de données et présente graphiquement les coefficients (\(\theta\)) pour chacun des 10 modèles. Vous pouvez charger ce modèle de la manière suivante :

from sklearn.datasets import fetch_openml  

X, y = fetch_openml("mnist_784", version=1, return_X_y=True, as_frame=False)

Les références

Russell, Stuart, et Peter Norvig. 2020. Artificial Intelligence: A Modern Approach. 4ᵉ éd. Pearson. http://aima.cs.berkeley.edu/.