Master IFI
TP 1 & 2 : Apprentissage Supervisé

Familiarisation avec les algorithmes vus en cours

Rappel sur la regression

1) Pour revenir sur la regression. Essayer cette Applet. ou celle là. Et celle-ci sur la regression et Algo Genétique.
Pour revenir sur la regression logistique voir là. Sous R. Essayer la commande

> x <- c(1,2,3,4,5,6) # Create ordered collection
> y <- x^2 # Square the elements of x
> plot(y~x) # Plot the curve
> summary(lm(y ~ x)) # Fit a linear regression model
> lm(formula = y ~ x)
> par(mfrow=c(2, 2)) # Request 2x2 plot layout
> plot(lm(y ~ x)) # Diagnostic plot of regression model

explorer le modèle linéaire généralisé (glm)

2) Pour voir la corrélation de Pearson. Une autre appler pour la corrélation. Un rappel sur l'annova ? Les t-test .

3) Pour revenir sur la PCA ou ACP.

Les arbres de décision (on commence là le 6 Décembre 2011)

4) Explorer ce site sur les arbres de décisions et les applets.

5) Coder la base de données vue en cours (Golf attributs et données ) et tester l'applet suivante Applet Arbre de décision

• Essayer avec le gain d'information, puis le critere gini (2P(1-P)) et avec le ratio d'information.
• Pourquoi l'arbre obtenu en utilisant le gain d'information est il si bizarre ?
• Dans la vue Create faite passer des exemples en test (par exemple 3 exemples)
• Puis recréez l'arbre en faisant "reset graph" puis "autocreate".
• Puis cliquer sur Show Plot pour voir l'évolution du taux d'erreur. Que remarquez-vous ?

5) Avec la même applet :

• Essayer les bases existantes (dans le menue File). charger les puis cliquer sur Solve.
• Essayer de construire différents abres en utilisant différents critères "Stopping functions" et Splitting functions.
• Cliquer sur "show plot" puis sur "Step" pour voir l'evolution de l'apprentissage.
• Cliquer sur "View Map exemple" pour voir les exemples mappes à un noeud donne.
• Cliquer sur "Reset" puis split node pour forcer le split sur un attribut donén
• Cliquer sur "Test new exemple" pour tester un nouvel example.
• Utiliser maintenant la base de données du titanic chargeable là
• Avec R utiliser le package rpart

• A FAIRE:  Charger la base titanic dans WEKA et calculer à la main le meilleur attribut.

Les classeurs numériques

6) Coder la base donnée en cours et tester l'applet suivante Applet Réseau de neurones

• Essayer les bases existantes. charger les puis cliquer sur Solve.
• Essayer de construire différents abres en utilisant différents critères "Stopping functions" et Splitting functions.
• Cliquer sur "show plot" pour voir l'evolution de l'apprentissage.
• Comparer les courbes pour les deux bases de mail. Expliquer les différences.
• Cliquer sur "Calculate Output" pour tester un nouvel example.

7) Essayer l'applet des SVM

8) Une autre applet de SVM

9) Un ensemble d'Applet d'algorithme d'apprentissage et un cours.

10) Une applet sur le boosting