Lect13 ML 2021 02 15 at 22 34 GMT 8 1

Lect13 ML 2021 02 15 at 22 34 GMT 8 1

Lect13 ML 2021 02 15 à 22 34 GMT 8 1

par Artificial Neural Networks and Machine Learning · Voir la chaîne sur PSI

Sciences formelles & physiques IA — Modèles & Recherche UYQIntelligence artificielle (IA)UYQMApprentissage par la machine
🎙 Artificial Neural Networks and Machine Learning 👥 144 📅 17 novembre 2024 ⏱ 16 min 👁 2K 📄 tutoriel 🧭 2026-10-09
Disponible en : Français (actuel) English

Mots-clés

théorie de la décision bayésiennerisque bayésienclassifieur par fonction discriminanterapport de vraisemblanceloi normale

Résumé

Ce cours porte sur la décision bayésienne en présence de coûts asymétriques. Un robot doit distinguer route et boue à partir d’une caractéristique de texture X, avec des probabilités a priori de 0,4 (route) et 0,6 (boue), et des distributions normales de moyennes 10 (route, variance 1) et 12 (boue, variance 3). La matrice de pertes est fortement asymétrique : classer la boue comme route coûte 1000 roupies, classer la route comme boue coûte 10 roupies, les décisions correctes étant sans coût. L’enseignant rappelle la définition des Lambda ij puis applique la règle de décision bayésienne : choisir la classe Omega1 lorsque le rapport p(x|Omega1)/p(x|Omega2) dépasse un seuil Theta intégrant priors et coûts. Pour x = 11, le calcul donne un rapport de vraisemblance de 1,92, très inférieur au seuil de 150, ce qui conduit à décider « boue ». L’exercice est ensuite prolongé par une question laissée au auditeurs (x = 9,5). La seconde partie introduit les classifieurs par fonctions discriminantes : un vecteur d’entrée X alimente C fonctions g1(x)…gC(x), et un sélecteur de maximum attribue la classe correspondant à la plus grande valeur. L’enseignant annonce que la détermination de ces fonctions g sera faite à partir de la théorie bayésienne lors du cours suivant, avant d’interrompre la séance pour un examen.

213 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur informative de cette séquence réside dans l’articulation complète d’un raisonnement de décision statistique : passage des probabilités a priori et des vraisemblances à une règle de décision intégrant explicitement une fonction de coût. L’enseignant ne se contente pas d’énoncer la formule du risque bayésien, il la reconstruit pas à pas en explicitant la signification des Lambda ij (coût de décider Omega_i quand l’état vrai est Omega_j), ce qui rend la démarche reproductible. L’argumentation est de type déductif : les hypothèses sont posées, la règle générale est rappelée, puis les valeurs numériques sont substituées jusqu’à l’obtention du rapport 1,92 face au seuil 150. Le choix de l’exemple est pédagogiquement efficace car il illustre un cas où la classe a priori majoritaire (boue, 0,6) coïncide avec la décision finale, mais pour une raison différente : c’est le coût asymétrique, et non la seule probabilité, qui rend la décision robuste. L’enseignant souligne d’ailleurs explicitement que la règle bayésienne « prend en compte probabilité et pertes » là où l’approche naïve ne minimise que la probabilité d’erreur. La transition vers les fonctions discriminantes est également argumentée : le principe du sélecteur de maximum est présenté comme une généralisation à C classes, avec la question ouverte de la forme des fonctions g, renvoyée au cours suivant. La principale faiblesse argumentative est l’absence de discussion des limites : sensibilité du résultat aux valeurs de variance, cas où le seuil serait franchi, ou interprétation géométrique de la frontière de décision ne sont pas abordés.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est ici celle d’un cours magistral : les notations sont cohérentes (Omega1/Omega2, Lambda ij, priors, vraisemblances), la formule de la loi normale est rappelée et correctement substituée, et le calcul du rapport de vraisemblance est mené jusqu’au résultat numérique. On peut noter que le seuil Theta = 150 est obtenu par (1000-0)/(10-0) × (0,6/0,4), ce qui est cohérent avec la règle du risque bayésien. Aucune source bibliographique n’est citée : il s’agit d’un cours s’appuyant sur des « slides » antérieurs non référencés, ce qui est habituel en contexte pédagogique mais empêche toute traçabilité vers un manuel ou un article fondateur (Duda & Hart, Bishop, etc.). L’adéquation titre/contenu est faible : le titre « Lect13 ML 2021 02 15 at 22 34 GMT 8 1 » est un identifiant d’enregistrement automatique qui ne décrit ni le sujet (décision bayésienne, fonctions discriminantes) ni le niveau. Aucun commentaire n’étant fourni, aucune analyse des tendances du public n’est formulée.

423 mots

Qualité & fiabilité

7/10

Cours magistral de machine learning dont le raisonnement mathématique est explicite et vérifiable : les hypothèses (priors 0,4/0,6, lois normales de moyennes 10 et 12, variances 1 et 3, matrice de coûts 0/1000/10/0) sont posées puis exploitées jusqu'au calcul du rapport de vraisemblance (1,92) comparé au seuil (150). Aucune source externe n'est citée, mais le contenu est de nature démonstrative et auto-suffisante, ce qui limite le risque d'erreur non détectable. La qualité pédagogique est bonne mais l'absence de références bibliographiques et le caractère informel de l'enregistrement (interruption pour un examen) empêchent une note plus élevée.

Moments clés

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

Apport & nouveautés

Cette séquence n’apporte pas de résultat original : elle constitue une séance de cours standard sur la décision bayésienne à coûts asymétriques, illustrée par un exemple de robotique mobile. Son intérêt réside dans la clarté de l’enchaînement entre théorie du risque, calcul du seuil et interprétation numérique, ainsi que dans la transition vers les fonctions discriminantes comme architecture de classifieur. Elle ne présente ni données nouvelles, ni revue de littérature, ni comparaison avec des méthodes alternatives.

Pour aller plus loin :

  • Théorie de la décision bayésienne — Cadre général dans lequel s’inscrit la règle de décision présentée.
  • Classification naïve bayésienne — Variante simplifiée du classifieur bayésien, utile pour situer l’approche du cours.
  • Analyse discriminante linéaire — Lien direct avec la notion de fonction discriminante et de frontière de décision évoquée en fin de séance.
  • Richard O. Duda, Peter E. Hart et David G. Stork, « Pattern Classification » — Manuel de référence couvrant la théorie de la décision bayésienne et les fonctions discriminantes.
  • Christopher M. Bishop, « Pattern Recognition and Machine Learning » — Traitement détaillé des classifieurs bayésiens et des frontières de décision.

184 mots

Profil radar

Le profil est celui d'un contenu pédagogique dense et cohérent : quantité d'information modérée car limitée à un exemple unique, mais qualité et niveau technique élevés grâce à une démonstration complète et correctement menée. La fiabilité est bonne pour un cours enregistré, sans source externe mais avec un raisonnement auto-vérifiable. Le point faible est l'absence de mise en perspective et de références bibliographiques.

Fiabilité 7/10