Interface Graphique en Swing
PO2 (2017-‐2018)
Chapitre 8 Programma@on
Evénemen@elle
Plan
• Le paradigme de programma@on
– La programma@on séquen@elle
– La programma@on événemen@elle
• Appren@ssage Automa@que
• Exemple : Simula@on d’un perceptron
Paradigme de Programma@on
• Un paradigme de programma@on désigne un point de vue sur le déroulement d’un
programme.
Programma@on Séquen@elle
• La programma@on séquen@elle est un
paradigme de programma@on dans laquelle le déroulement du programme suit un certain
ordre sans avoir à prendre en compte d’évènement externe.
• On implémente ainsi les algorithmes usuels.
Programma@on Evénemen@elle
• La programma@on événemen@elle est un
paradigme dans laquelle le déroulement du
programme est déterminé ou modifié par les
ac@ons de l’u@lisateur qui interagit avec une
interface graphique.
Apprentissage Automatique
• Qu’est-‐ce que l’appren@ssage automa@que?
– L’appren@ssage se fait grâce à l’interac@on entre les données et la concep@on de l’apprenant.
– L’appren@ssage consiste à déduire une conclusion
à par@r de données. Si l’apprenant fait une erreur,
il ajuste sa concep@on en fonc@on du résultat.
Apprentissage Automatique
• L’appren@ssage automa@que a pour objec@f de construire une « bonne » fonc@on h(x) à par@r d’un échan@llon S de données, en
espérant que h(x) prédit bien la valeur de sor@e des données à venir.
– S est un ensemble de données dont un exemple
est cons@tué de l’entrée x= (x1,x2,…xn) et d’une
valeur de la sor@e y.
Apprentissage Automatique
• Un perceptron est un algorithme d’appren@ssage automa@que le plus simple :
– h\ps://fr.wikipedia.org/wiki/Perceptron
• Le perceptron, appelé neurone ar(ficiel, est le modèle simplifié du neurone biologie. :
Exemple : Simulation d’un perceptron
• Un perceptron peut être u@lisé pour faire la classifica@on binaire.
• L’idée est de placer l’échan@llon de données dans un plan cartésien, et essayer de tracer une ligne qui séparera les données.
Exemple : Simulation d’un perceptron
• La ligne est représentée par w0+w1*x1+…+wn*xn=0.
• La fonc@on d’ac@va@on h :
– y = h(z) = 1, si z= w0+w1*x1+…+wn*xn>0;
– y = h(z) = -‐1, si z= w0+w1*x1+…+wn*xn<0.
Exemple : Simulation d’un perceptron
• La ques@on est : comment calculer les poids synap@ques Wi à par@r d’un échan@llon S de données?
– Ini@aliser aléatoirement les poids Wi
– Faire passer les exemples l’un après l’autre
• calculer l’erreur de prédic@on pour l’exemple
• ajuster les poids avec une règle d’appren@ssage
– Jusqu’à convergence du processus
• Une règle d'appren@ssage
– Wi’ = Wi + alpha * (Yt – Y) *Xi
• Wi’ : le poids corrigé
• Wi : le poids actuel
• Yt : sor@e a\endue
• Y : sor@e calculée
• alpha : le taux d’appren@ssage
• Xi : l’entrée du poids wi
Exemple : Simulation d’un perceptron
• Voici un jeu de données contenant 20 observa@ons sur 20
femmes d’âges (X1) et de pression sanguine systolique (X2), et de la présence ou l’absence cardiaque (Yt=1, présence ; Yt=0, absence) :
X1 :50 49 46 49 62 35 67 65 47 58 X2 : 126 126 144 139 154 156 160 140 143 165 Yt : 0 0 0 0 1 0 1 1 0 1
-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐-‐
X1 :57 59 44 41 54 52 57 50 44 49 X2 : 115 145 175 153 152 169 168 158 170 171 Yt : 0 1 1 0 1 1 1 1 1 1
• L’objec@f est prédire la présence ou l’absence cardiaque à par@r de l’âge et la pression sanguine d’une personne.
