[ИАД, весна 2026] Введение в машинное обучение. Лекция 7: Вероятностные модели машинного обучения

[ИАД, весна 2026] Введение в машинное обучение. Лекция 7: Вероятностные модели машинного обучения

par Machine Learning – Intelligent Systems

Sciences formelles & physiques IA — Modèles & Recherche UYQIntelligence artificielle (IA)UYQMApprentissage par la machine
🎙 Machine Learning – Intelligent Systems 👥 8K 📅 2 avril 2026 ⏱ 118 min 👁 144 📄 cours magistral 🧭 2026-08-16
Disponible en : Français (actuel) English

Mots-clés

maximum de vraisemblancealgorithme EMmodèles génératifsmodèles discriminatifsmélanges de gaussiennes

Résumé

Cette septième leçon d’un cours d’introduction au machine learning se concentre sur les modèles probabilistes et statistiques, en particulier les méthodes bayésiennes. Le professeur commence par rappeler le contexte général des différentes écoles de pensée en ML, citant Pedro Domingos et sa classification. Il souligne que l’approche des grands modèles de langage a finalement prévalu, mais que l’étude des principes de modélisation reste essentielle. La leçon s’articule autour de deux thèmes principaux : l’estimation de densité par maximum de vraisemblance et la classification avec les modèles génératifs et discriminatifs. Le professeur détaille mathématiquement l’estimation de densité, d’abord pour une gaussienne multidimensionnelle, puis pour une distribution discrète, montrant que le maximum de vraisemblance mène à des estimateurs simples (moyenne empirique, fréquences). Il introduit ensuite les mélanges de distributions, où la vraisemblance devient difficile à optimiser directement. Il présente alors l’algorithme EM (Espérance-Maximisation) comme solution itérative, en le dérivant à partir des conditions de Karush-Kuhn-Tucker. Il interprète les étapes E et M : l’étape E calcule les probabilités a posteriori des composantes (via le théorème de Bayes), et l’étape M maximise une vraisemblance pondérée. Un exemple visuel avec deux gaussiennes illustre la convergence de l’algorithme. La leçon se termine en annonçant que les prochaines séances traiteront des modèles génératifs et discriminatifs.

209 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur des informations est élevée : le cours fournit une base théorique solide pour comprendre les modèles probabilistes, avec des dérivations complètes et des interprétations intuitives. L’argumentation est rigoureuse : le professeur justifie chaque étape, que ce soit pour l’estimation par maximum de vraisemblance ou pour l’algorithme EM. Il prend soin d’expliquer les hypothèses (indépendance, forme paramétrique) et les limites (difficulté de la somme sous le logarithme). L’utilisation d’exemples concrets (gaussienne, distribution discrète, mélange) renforce la clarté. La dérivation de l’algorithme EM à partir des conditions KKT est particulièrement bien menée, même si elle est simplifiée (en omettant certaines contraintes). L’argumentation est donc solide et pédagogique.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est bonne : les concepts sont présentés avec précision et les dérivations sont correctes. Le professeur s’appuie sur des références classiques (Domingos, théorème de Bayes) sans toutefois citer de sources précises dans la description. La qualité des sources est donc implicite, mais le contenu est conforme aux manuels de référence. L’adéquation titre-contenu est bonne : le titre annonce une introduction aux modèles probabilistes, et le contenu couvre effectivement les principes fondamentaux. Cependant, le titre mentionne ‘Вероятностные модели машинного обучения’ (modèles probabilistes), et la leçon se concentre principalement sur l’estimation de densité et l’algorithme EM, avec une brève introduction aux modèles génératifs/discriminatifs. Cela reste cohérent avec le titre.

232 mots

Adéquation titre / contenu

Le titre annonce une introduction aux modèles probabilistes ; le contenu couvre effectivement les principes fondamentaux (maximum de vraisemblance, modèles génératifs vs discriminatifs, algorithme EM) de manière pédagogique.

Qualité & fiabilité

8/10

Cours universitaire structuré, présentant des dérivations mathématiques rigoureuses (maximum de vraisemblance, EM) et des exemples concrets. Les explications sont claires et s'appuient sur des références classiques (Domingos, théorème de Bayes). Aucune source externe citée dans la description, mais le contenu est conforme aux manuels de référence.

Moments clés

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

Apport & nouveautés

Cette leçon apporte une explication claire et détaillée de l’algorithme EM, en le dérivant rigoureusement à partir des conditions d’optimalité. L’approche pédagogique, qui part du maximum de vraisemblance pour aboutir à l’algorithme EM, est particulièrement efficace pour les étudiants. L’accent mis sur l’interprétation bayésienne des étapes E et M est un point fort. La leçon ne présente pas de nouveauté scientifique, mais elle constitue une excellente ressource pédagogique.

Pour aller plus loin :

127 mots

Profil radar

Le profil radar montre un bon équilibre entre la quantité d'information, la qualité et la fiabilité, avec un niveau technique élevé. La vidéo est dense et rigoureuse, adaptée à un public ayant des bases en probabilités et en optimisation.

Fiabilité 8/10