[MUSIQUE] Voyons maintenant ce que
le cours va couvrir. Dans le cours de base, nous avons vu comment l'apprentissage automatique
permet de dégager de l'intelligence de données. Et dans ce cours, la méthode d'apprentissage automatique qui va
nous occuper est celle de la régression. En particulier, la régression se fonde
sur des caractéristiques injectées dans notre modèle de régression,
et qui sont extraites de nos données de base. Le but recherché sera de prédire
une valeur de sortie, ou réponse, en fonction des variables prédictives. La mnière de parvenir à cette prédiction est l'apprentissage
de la relation entre nos variavles prédictives x et la variable réponse y. Par exemple, peut-être voudriez-vous savoir
comment cette spécialisation an apprentissage automatique va vous bénéficier. Vous êtes assis en ce moment,
à travailler durement, et vous vous demandez
où cet effort vous mènera. L'une des questions que vous vous posez peut-être
est quel sera votre salaire après avoir suivi la spécialisation. Et donc, nous pouvons envisager
de prédire votre salaire en nous basant sur des variables
telles que vos résultats aux différents cours, la qualité de votre projet de fin de spécialisation, votre degré de participation aux forums
de discussion, entre autres caractéristiques. Ces caractéristiques constituent
les valeurs d'entrée du modèle de régression et la prédiction, la réponse que
nous essayons de prédire, serait le niveau de salaire attendu
à l'issue de cette spécialisation. Un autre exemple est la prédiction
du cours de valeurs en bourse. On peut raisonnablement s'attendre
à ce que cette prédiction se base sur l'historique de cette valeur boursière,
sur des actualités récentes, ainsi que sur la tendance
de valeurs associées. Ou peut-être avez-vous publié un tweet, et vous voudriez savoir combien de gens
vont répercuter votre tweet. Ce nombre peut dépendre du
nombre de vos suiveurs, du nombre de suiveurs de vos suiveurs, de la structure de votre réseau de suiveurs,
des hash tags que vous avez utilisés, du nombre de retweets que vous avez eus par le passé,
et d'autres caractéristiques similaires. Un autre exemple assez impressionnant
que nous aborderons dans ce cours est celui qui consiste
à lire dans vos pensées. Dans cet exemple, on obtient une scintigraphie
du cerveau, que ce soit par IRMF ou MEG. Pour simplifier, nous dirons qu'il s'agit
d'obtenir une image de votre cerveau, bien qu'en réalité, ce qui est obtenu
est beacoup plus complexe. Mais nous pouvons conceptualiser
les différent niveaux d'intensité des pixels comme variables d'entrée d'un modèle
de régression dont le but est de prédire si vous étiez heureux ou triste
en réponse à ce que l'on vous montrait au moment de la scintigraphie. C'est en quelque sorte lire dans vos pensées,
puisque nous essayons de deviner vos sentiments à partir d'une image de votre cerveau Mais dans ce cours, nous nous concentrerons sur une étude de
cas des prix de l'immobilier. La question à laquelle nous essairons de répondre
est "quelle est la valeur d'un bien immobilier donné". Peut-être voulez-vous vendre votre maison et vous voudriez savoir à quel prix
mettre en vente. Nous allons déduire cette valeur
en analysant certaines données. Ces données sont les ventes
d'autres biens immobiliers. Nous allons analyser les prix de vente
de toute une série d'autres maisons, ainsi que les caractéristiques de
ces autres maisons, et nous allons apprendre
la relation qui existe entre ces caractéristiques et la valeur de sortie,
c'est-à-dire le prix de vente, et et nous allons utiliser le modèle résultant pour
prédire la valeur de votre maison. Et l'objet de ce cours est comment apprendre cette relation entre variables prédictives
et variable réponse. [MUSIQUE]