Le machine learning et python pour les débutants

 Sur Internet, il y a actuellement de nombreuses discussions sur le Machine Learning et sur la façon dont cette science peut transformer des entreprises et même la vie des gens au sein de la société. En fait, le machine learning est souvent décrit comme étant la solution ultime à la performance des organisations. Pour appréhender cette technologie de la nouvelle ère, et soit confuse soit liée au big data, le langage python est un indispensable. Toutefois, nous avons remarqué que ce langage est un classique encore mal connu chez beaucoup de gens qui veulent explorer le machine learning.

Dans cet article, nous vous parlons de la programmation orientée objet avec python, le machine learning, et encore le big data.

Le langage python : un langage pour la programmation orientée aux objets

Tout d’abord, commençons par une introduction de base à la POO ou à la programmation orientée objet POO en anglais. Il s’agit d’un paradigme de programmation introduit dans les années 1970, mais qui n’est devenu populaire que des années plus tard.

Ce mode ou paradigme de programmation nous permet d’organiser le code d’une manière assez similaire à ce que nous pensons dans la vraie vie, en utilisant les fameuses classes. Celles-ci nous permettent de regrouper un ensemble de variables et de fonctions que nous verrons plus bas.

Les choses les plus quotidiennes comme un chien ou une voiture peuvent être représentées avec des classes. Ces classes ont des caractéristiques différentes qui, dans le cas du chien, peuvent être l’âge, le nom ou la race. Nous appellerons ces caractéristiques des attributs qui peuvent également être utilisés pour créer une liste :

D’autre part, les classes ont un ensemble de fonctionnalités ou de choses qu’elles peuvent faire. Dans le cas du chien, il peut s’agir de marcher ou d’aboyer. Nous appellerons ces fonctionnalités des méthodes.

Enfin, il peut y avoir différents types de chien. Nous pouvons en avoir un qui s’appelle Toby ou celui du voisin qui s’appelle Laika. Nous appellerons ces différents types de chiens des objets. Autrement dit, le concept abstrait de chien est la classe, mais Toby ou tout autre chien particulier sera l’objet.

La programmation orientée objet repose sur des principes de base ou piliers : 

Patrimoine / Cohésion / Abstraction/ couplage..

L’un des premiers mécanismes à être créé était les fonctions, qui vous permettent de regrouper des blocs de code qui effectuent une tâche spécifique sous un nom. Quelque chose de très utile, car cela vous permet également de réutiliser ces modules ou fonctions sans avoir à copier tout le code, juste l’appel.

Les fonctions étaient très utiles, mais elles n’étaient pas en mesure de satisfaire tous les besoins des programmeurs. L’un des problèmes avec les fonctions est qu’elles n’effectuent que quelques opérations sur certaines données d’entrée pour fournir une sortie, mais elles ne se soucient pas trop de conserver ces données ou de maintenir une sorte d’état. À moins qu’une valeur ne soit renvoyée dans l’appel de fonction ou que des variables globales ne soient utilisées, tout ce qui se passe à l’intérieur de la fonction est oublié, et c’est souvent un problème.

Imaginons que nous ayons un jeu avec des vaisseaux spatiaux se déplaçant sur l’écran. Chaque navire aura une position (x,y) et d’autres paramètres tels que le type de navire, sa couleur ou sa taille. Sans faire appel aux classes et à la POO, nous devrons avoir une variable pour chaque donnée que nous voulons stocker : coordonnées, couleur, taille, type. Le problème survient si nous avons 10 navires, car nous pourrions nous réunir avec un nombre très élevé de variables. Tout un désastre.

Dans le monde de la programmation, il existe des tâches très similaires à l’exemple avec les navires, et en réponse à cela, la programmation orientée objet est apparue. Un outil parfait qui permet de résoudre certains types de problèmes de manière beaucoup plus simple, avec moins de code et plus organisé. Il regroupe sous une classe un ensemble de variables et de fonctions, qui peuvent être utilisées avec des caractéristiques particulières pour créer des objets.

Le machine learning et la data science

 Le machine learning (L’apprentissage automatique en Français) décrit la manière d’analyser ces données. L’apprentissage automatique est un sous-ensemble de l’intelligence artificielle (IA) qui utilise des techniques statistiques pour donner aux machines et aux ordinateurs la capacité d’apprendre par eux-mêmes, sans être programmés. L’apprentissage automatique désigne la capacité des machines à apprendre par elles-mêmes. En réalité, depuis le début de l’informatique, les humains ont commencé à programmer les ordinateurs pour apprendre sans leur dire quoi faire. Techniquement, les machines apprennent en observant les données.

Au contraire de ce que pensent beaucoup de gens, le machine learning n’est pas daté d’hier, son histoire remonte aux années 70.  L’idée de base du machine learning est d’apprendre en utilisant des données existantes, puis de trouver des valeurs prédictives de nouvelles données, basées sur des caractéristiques qui ont été trouvées grâce à l’apprentissage. L’apprentissage automatique fait référence à des algorithmes qui apprennent eux-mêmes, sur la base de mathématiques (probabilités et de données), pour déduire des résultats. On peut dire que c’est un processus par lequel les applications logicielles apprennent à augmenter leur précision afin de prédire les résultats.

Machine Learning VS Big Data

Le Big Data est un terme utilisé pour décrire les volumes massifs d’ensembles de données provenant de nouvelles sources de données qui sont trop volumineuses et complexes pour être traitées avec des techniques de traitement de données traditionnelles.

 Les mégadonnées font référence aux données qui sont générées chaque jour à un rythme effréné et qui doivent être traitées, stockées et analysées pour de futures informations. L’apprentissage automatique, quant à lui, est la capacité des machines à apprendre par elles-mêmes à partir de données existantes, sans être explicitement programmées.

In fine, le Big Data est lié au calcul haute performance 

 l’apprentissage automatique (le machine learning) est la capacité des machines ou des ordinateurs à apprendre à partir de données existantes et à trouver des modèles dans ces données que les humains n’ont pas réussi à trouver.