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

Item: Machine Learning 3 [Odd Semester 2025/2026 Telyu] - Decision Tree & KNN
Rating: 4
Author: PostSingularity Institute

par Machine Learning Indonesia

Sciences appliquées & ingénierie IA — Modèles & Recherche UYQIntelligence artificielle (IA)UYQMApprentissage par la machine

🎙 Machine Learning Indonesia 👥 3K 📅 4 octobre 2025 ⏱ 65 min 👁 81 📄 cours magistral et tutoriel pratique 🧭 2026-08-16

Disponible en : Français (actuel) English

Mots-clés

machine learningdecision treeKNNclassificationTitanic

Résumé

Ce cours en ligne, dispensé dans le cadre d’un semestre universitaire, se concentre sur les modèles de classification supervisée : les arbres de décision et les k-plus proches voisins (KNN). La première partie, animée par l’enseignant, rappelle les principes des modèles linéaires et insiste sur l’importance de comprendre les concepts plutôt que de mémoriser le code. Il encourage l’utilisation d’outils comme Scikit-learn et mentionne un livre de référence sur le machine learning en Rust. La seconde partie, animée par un assistant, propose une mise en pratique sur le jeu de données Titanic. Les étapes clés sont détaillées : exploration des données, prétraitement (gestion des valeurs manquantes, encodage, normalisation), division en ensembles d’entraînement et de test, entraînement des modèles, évaluation avec des métriques comme l’exactitude, la précision, le rappel et le F1-score, et visualisation de l’arbre de décision. Une comparaison des performances est effectuée, suivie d’un réglage des hyperparamètres et d’une validation croisée. L’importance des caractéristiques est analysée, et des pistes pour améliorer les modèles sont proposées. Enfin, la vidéo montre comment sauvegarder les modèles et les déployer dans une application web avec Streamlit, en soulignant les défis du passage en production.

191 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur des informations est bonne pour un public débutant en machine learning. Les concepts fondamentaux sont expliqués de manière intuitive, avec des analogies (comme la préparation d’un repas pour l’importation de bibliothèques). L’argumentation est solide : les choix méthodologiques (prétraitement, normalisation) sont justifiés, notamment pour KNN qui repose sur des distances. La démonstration pratique sur le Titanic est pertinente et permet de visualiser concrètement les étapes. Cependant, l’argumentation reste à un niveau descriptif, sans approfondir les fondements mathématiques ou les limites théoriques des modèles.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est moyenne. Les sources citées sont principalement des ressources pédagogiques (le livre MLVR, le dépôt GitHub) et des outils (Scikit-learn). Aucune référence académique n’est mentionnée. Le titre est adéquat : il annonce exactement les deux modèles traités. La qualité des sources est acceptable pour un cours, mais on peut regretter l’absence de références plus solides. Les commentaires ne sont pas fournis, donc aucune analyse des tendances du public n’est possible.

173 mots

Adéquation titre / contenu

Le titre annonce clairement le contenu : Decision Tree et KNN, et la vidéo couvre effectivement ces sujets dans le cadre d'un cours de machine learning.

Qualité & fiabilité

7/10

Le cours est structuré et pédagogique, avec une partie théorique sur les modèles linéaires et une partie pratique sur les arbres de décision et KNN. Les explications sont claires, mais la rigueur scientifique est limitée par l'absence de références bibliographiques détaillées et de démonstrations mathématiques approfondies.

Moments clés

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

Sources citées

Dépôt GitHub du cours (teachingMLDL) — Code source et notebooks utilisés dans le cours
Guide MLVR (Machine Learning via Rust) — Livre en ligne recommandé pour apprendre le machine learning avec Rust
Académie RantAI — Site de la communauté RantAI proposant des ressources d'apprentissage
Canal Telegram RantAI — Canal de discussion pour la communauté Rust et machine learning
LinkedIn de RantAI — Page LinkedIn de la société RantAI

Sources concordantes

Documentation Scikit-learn — Bibliothèque utilisée pour les modèles et l'évaluation

Apport & nouveautés

La vidéo apporte une approche pédagogique originale en combinant théorie et pratique, avec un accent sur la compréhension conceptuelle plutôt que la mémorisation. Elle propose également une ouverture vers des langages alternatifs comme Rust pour le machine learning, ce qui est peu courant. La démonstration de déploiement d’un modèle avec Streamlit est un plus concret.

Pour aller plus loin :

Arbre de décision (Wikipedia) — Pour comprendre les fondements théoriques des arbres de décision.
K-plus proches voisins (Wikipedia) — Pour approfondir la méthode KNN.
Scikit-learn documentation — Documentation officielle de la bibliothèque utilisée.
Streamlit — Outil pour créer des applications web de machine learning.

104 mots

Profil radar

Le profil radar montre une bonne quantité d'informations et une qualité correcte, mais un niveau technique modéré. La fiabilité est acceptable pour un cours, mais des références plus solides pourraient renforcer la crédibilité.

Fiabilité 7/10