Avant d’être pleinement efficace, le processus d’apprentissage automatique nécessite de nombreuses phases d'entraînement pour intégrer les ensembles de données disponibles. Et pour améliorer le modèle de Machine Learning à chaque nouvel entraînement, il est primordial de quantifier ces différentes métriques. C’est justement à cet instant qu’intervient la quantification.
C’est quoi la quantification ?
La quantification est une notion mathématique dont l’objectif est d’associer une valeur numérique à un objet d’étude. Celle-ci repose alors sur :
- Le comptage : cela concerne l’objet d’étude ou l’événement à quantifier.
- La mesure : il s’agit d’assigner une valeur numérique à certains aspects de l’objet d’étude selon une règle de convention. Mais attention, la mesure ne vise pas directement l’objet. Par exemple, il n’est pas possible de mesurer des individus en tant que tels, mais plusieurs caractéristiques de ces individus, comme leur âge, leur poids, leur taille, etc.
Il est donc possible de quantifier tous types de données qualitatives, qu’il s’agisse de texte, d’image, de vidéos, etc. L’avantage de cette méthode est qu’elle permet de comparer plus facilement les données entre elles.
Quels sont les différents types de quantification ?
Il existe différents types de quantification. Voici les principaux.
- La quantification universelle : elle se traduit à travers les expressions de types « pour tout… » ou « quel que soit… » et se matérialise par le symbole ∀. Par exemple, la formule ∀xP(x) signifie tout objet du domaine considéré possède la propriété P.
- La quantification existentielle : cette quantification se rapporte à l’expression « il existe au moins un… » et se matérialise par le symbole ∃. Ici, la formule ∃xP(x) signifie un objet au moins du domaine considéré possède la propriété P.
- La quantification en traitement du signal : l’objectif est d’assigner des valeurs d’un ensemble discret à un signal. Autrement dit, de déterminer la valeur la plus proche dans un ensemble d’arrivée Y à partir d’une valeur d’entrée d’un espace X. Ce type de quantification concerne la conversion analogique numérique, et notamment, la compression de signaux audio ou d’image.
Rejoignez DataScientest pour maîtriser le Machine Learning
Si la quantification facilite la mesure des métriques en Machine Learning, elle intervient à la fin du processus d’apprentissage automatique. En effet, les Data Scientist doivent aussi préparer les modèles de Machine Learning, analyser les données, entraîner les modèles, etc. Pour cela, ils utilisent une multitude de concepts mathématiques et des logiciels spécifiques capables de préparer et d’analyser les données. À ce titre, une formation est plus que nécessaire. C’est justement possible avec DataScientest. Nous vous proposons des formations complètes en bootcamp, en continu ou en alternance.
