MLT | Week-12 | Session-1

MLT | Week-12 | Session-1

par Karthik Thiagarajan

Sciences formelles & physiques Médecine & Santé MBGEquipements, dispositifs et techniques médicauxMBGLLaboratoire médical et techniques
🎙 Karthik Thiagarajan 👥 5K 📅 30 avril 2026 ⏱ 103 min 👁 411 📄 cours magistral 🧭 2026-08-18
Disponible en : Français (actuel) English

Mots-clés

0-1 losshinge losslogistic lossperceptronconvexité

Résumé

Cette session de cours, animée par Karthik Thiagarajan, aborde les fonctions de perte en classification. L’objectif est d’expliquer pourquoi il existe de nombreux algorithmes de classification alors qu’il n’y a qu’un seul algorithme de régression (la régression linéaire). La réponse réside dans la fonction de perte 0-1, qui est difficile à optimiser car non différentiable et non convexe. Pour contourner ce problème, on utilise des fonctions de perte convexes de substitution. Le cours présente successivement la perte des moindres carrés, la perte charnière (hinge loss) utilisée par les SVM, la perte logistique utilisée en régression logistique, et la perte perceptron (ou hinge loss modifiée). Pour chaque fonction, l’animateur montre comment elle s’exprime en fonction de u = w^T x y, et discute de ses propriétés (convexité, pénalisation des points bien classés). Il démontre notamment que l’algorithme du perceptron peut être vu comme une descente de gradient stochastique avec un taux d’apprentissage de 1 et une perte modifiée. La session se conclut en comparant ces différentes pertes et en soulignant leurs avantages et inconvénients respectifs.

174 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur des informations est élevée : le cours offre une synthèse claire et structurée des fonctions de perte en classification, un sujet fondamental en apprentissage automatique. L’argumentation est solide, appuyée par des démonstrations algébriques détaillées et des justifications intuitives. L’animateur explique notamment pourquoi la perte des moindres carrés est inadaptée à la classification (pénalisation excessive des points bien classés), et comment la perte logistique est dérivée de la vraisemblance. La démonstration de l’équivalence entre le perceptron et la descente de gradient stochastique avec une perte modifiée est particulièrement pédagogique et bien menée.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est bonne : les concepts sont présentés avec précision et les démonstrations sont correctes. Le cours s’appuie sur des notions mathématiques classiques (convexité, optimisation) sans référence explicite à des sources externes, mais cela est cohérent avec un cours magistral. Le titre est générique mais reflète bien le contenu. Aucun commentaire n’étant fourni, l’analyse des tendances du public n’est pas possible.

171 mots

Adéquation titre / contenu

Le titre est générique mais correspond au contenu : il s'agit bien de la première session de la semaine 12 du cours.

Qualité & fiabilité

8/10

Exposé pédagogique rigoureux, fondé sur des concepts mathématiques établis (fonctions de perte, convexité, optimisation). Les explications sont claires et les démonstrations algébriques sont correctes. Le contenu est conforme aux enseignements standards en apprentissage automatique.

Moments clés

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

Apport & nouveautés

L’apport principal de cette session est de fournir une vision unifiée des algorithmes de classification à travers le prisme des fonctions de perte. Elle met en évidence que la diversité des algorithmes découle du choix de la fonction de perte convexe de substitution à la perte 0-1. La démonstration de l’équivalence entre le perceptron et la descente de gradient stochastique avec une perte modifiée est un point fort, car elle relie un algorithme historique à un cadre moderne d’optimisation.

Pour aller plus loin :

134 mots

Profil radar

Le profil radar montre un contenu équilibré avec une bonne quantité d'informations, une qualité élevée, un niveau technique soutenu et une fiabilité globale solide. La session est dense et technique, adaptée à un public ayant déjà des bases en apprentissage automatique.

Fiabilité 8/10