[ИАД, весна 2026] Введение в машинное обучение. Лекция 8: Метрические методы машинного обучения

[ИАД, весна 2026] Введение в машинное обучение. Лекция 8: Метрические методы 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 📅 9 avril 2026 ⏱ 111 min 👁 108 📄 cours magistral 🧭 2026-08-16
Disponible en : Français (actuel) English

Mots-clés

distancesimilariték plus proches voisinsfenêtre de Parzenméthode des potentiels

Résumé

Cette huitième leçon d’un cours d’introduction à l’apprentissage automatique se concentre sur les méthodes métriques. Le professeur commence par poser l’hypothèse de continuité (ou de compacité) selon laquelle des objets proches dans l’espace des caractéristiques ont des réponses proches. Il introduit ensuite la notion de distance, en commençant par la distance euclidienne, puis en généralisant avec la métrique de Minkowski et l’idée de pondération des caractéristiques. Il souligne que parfois il est plus naturel de définir une distance entre objets que de calculer des caractéristiques, comme pour les séquences ADN (distance de Levenshtein) ou les signaux temporels. Le cœur de la leçon est la présentation de la famille des classificateurs métriques : le classificateur du plus proche voisin (1-NN), les k plus proches voisins (k-NN), et leurs variantes pondérées par le rang ou par la distance. Il introduit la notion de fonction noyau (kernel) et de fenêtre de Parzen, en expliquant comment le choix de la largeur de fenêtre contrôle le compromis biais-variance. Il relie ces méthodes à la méthode des potentiels développée par l’école soviétique d’Aizerman, et montre comment elle se connecte aux classificateurs linéaires et à la méthode des machines à vecteurs de support (SVM). Enfin, il discute de la sélection de la largeur de fenêtre par validation croisée leave-one-out, en soulignant le biais introduit si l’on inclut l’objet lui-même dans ses voisins.

225 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur des informations est élevée : le cours couvre de manière exhaustive les fondements des méthodes métriques, en les reliant à des concepts plus larges comme les SVM et la théorie de l’apprentissage. L’argumentation est solide, s’appuyant sur des exemples concrets (iris, ADN) et des démonstrations intuitives. Le professeur explique clairement les compromis (biais-variance) et les pièges (leave-one-out). La présentation est pédagogique et progressive, allant du plus simple au plus complexe.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est bonne : les concepts sont présentés avec précision, et les références historiques (Aizerman, Vapnik, Parzen) sont correctes. Les sources ne sont pas citées explicitement dans la vidéo, mais la description ne fournit pas de liens. L’adéquation entre le titre et le contenu est parfaite. Aucun commentaire n’est fourni, donc aucune analyse des tendances du public n’est possible.

148 mots

Adéquation titre / contenu

Le titre annonce une introduction aux méthodes métriques en apprentissage automatique, et le contenu correspond parfaitement : distance, similarité, k-NN, noyaux, fenêtre de Parzen.

Qualité & fiabilité

8/10

Cours universitaire structuré, présentant des concepts classiques et éprouvés du machine learning (méthodes à noyau, k-NN, fenêtre de Parzen). L'exposé est rigoureux, s'appuie sur des références historiques (Aizerman, Vapnik) et des exemples concrets. Quelques approximations pédagogiques (ex. 'compacité') mais globalement fiable.

Moments clés

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

Sources citées

  • The Master Algorithm — Référence à la classification des écoles de machine learning selon Pedro Domingos.

Apport & nouveautés

L’apport principal de cette leçon est de fournir une vue d’ensemble claire et structurée des méthodes métriques, en insistant sur les liens historiques et conceptuels entre des approches apparemment distinctes (k-NN, noyaux, potentiels, SVM). Elle met en lumière l’importance du choix de la distance et de la largeur de fenêtre, et propose une méthodologie rigoureuse pour leur sélection.

Pour aller plus loin :

115 mots

Profil radar

Le profil radar montre une bonne maîtrise du sujet avec des scores élevés en quantité et qualité d'information, ainsi qu'en fiabilité. Le niveau technique est également élevé, indiquant un contenu adapté à un public averti. La note globale de 4 étoiles reflète un excellent cours, mais avec une marge d'amélioration possible sur la présentation des sources.

Fiabilité 8/10