Machine Learning 3 [Even Semester 2025/2026 Telyu] - Decision Tree & KNN

Valeur des informations & solidité de l’argumentation

La valeur des informations est élevée pour un public étudiant : le cours fournit une base conceptuelle solide pour comprendre ces deux algorithmes. L’argumentation est pédagogique, s’appuyant sur des analogies (arbre, quartiers) et des exemples concrets (offre d’emploi, données MNIST). L’enseignant insiste sur l’importance de la théorie (entropie, indice de Gini) et de l’intuition géométrique, ce qui renforce la compréhension. Cependant, l’argumentation reste principalement qualitative, sans démonstrations mathématiques approfondies ni comparaisons expérimentales.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est correcte pour un cours introductif : les concepts sont présentés avec précision, et l’enseignant mentionne des références historiques (Kepler, Shannon) et des outils (scikit-learn, Orange). Les sources citées dans la description (GitHub, site RantAI) sont pertinentes pour approfondir. Le titre est en adéquation avec le contenu. Aucun commentaire n’est fourni, donc aucune analyse des tendances du public n’est possible.

Le titre correspond parfaitement au contenu : il s'agit bien du troisième cours de la série, traitant de Decision Tree et KNN.

7/10

Cours universitaire structuré, présentant les fondements théoriques et pratiques des modèles Decision Tree et KNN. Les explications sont claires et s'appuient sur des exemples concrets, mais la vidéo ne fournit pas de références bibliographiques détaillées ni de validation expérimentale rigoureuse.

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

• 00:00Introduction au cours : rappel de la définition d'un problème de machine learning et présentation des modèles Decision Tree et KNN.
• 03:00Explication de l'apprentissage supervisé et de la recherche d'une fonction hypothèse proche de la fonction cible inconnue.
• 07:00Introduction à l'arbre de décision : analogie avec un arbre, structure (racine, branches, feuilles) et processus de décision.
• 10:00Explication de la construction de l'arbre à partir des données et mention de l'entropie et de l'indice de Gini comme critères de partition.
• 13:00Interprétation géométrique de l'arbre de décision : partition de l'espace des données en régions homogènes.
• 15:00Introduction au KNN : principe de similarité, regroupement en clusters, et sensibilité au bruit.
• 18:00Discussion sur le paramètre K et son influence sur la frontière de décision.
• 21:00Comparaison entre Decision Tree et KNN en termes d'interprétabilité et de complexité.
• 24:00Transition vers la partie pratique : présentation de scikit-learn et de l'outil Orange.
• 30:00Démonstration pratique par l'assistant : implémentation de Decision Tree et KNN avec scikit-learn.

• Material Code (GitHub) — Code source des exercices pratiques du cours.
• RantAI - Machine Learning via Rust (MLVR) — Guide pour implémenter le machine learning en Rust, mentionné pour les applications embarquées.
• RantAI Academy — Site de l'académie RantAI, proposant des ressources d'apprentissage.
• Telegram RantAI — Communauté Telegram pour discuter de Rust et du machine learning.
• LinkedIn RantAI — Page LinkedIn de l'entreprise RantAI.

• Scikit-learn documentation — Documentation officielle de scikit-learn sur les arbres de décision, cohérente avec les explications du cours.
• Scikit-learn documentation KNN — Documentation officielle de scikit-learn sur les k plus proches voisins, cohérente avec les explications du cours.