Comment les débutants se trompent en ML.

Publié d'abord sur LinkedIn le 25 février 2021. Repris ici tel quel.

J'aide les débutants à se lancer dans le machine learning.

Mais je vois toujours les mêmes erreurs dans la mentalité et dans l'action.

Dans cet article, vous découvrirez les 5 erreurs les plus courantes que je vois chez les débutants lorsqu'ils se lancent dans l'apprentissage machine.

Je crois fermement que tout le monde peut commencer et réussir avec l'apprentissage machine appliqué.

Nous espérons que vous pourrez vous identifier dans un ou plusieurs des pièges ci-dessous et prendre quelques mesures correctives.

Alors commençons.

1) Ne commencez pas avec la théorie

L'approche traditionnelle pour enseigner l'apprentissage machine est ascendante.

• Il faut travailler dur pour apprendre le fond en mathématiques.
• Travaillez dur pour apprendre la théorie de l'apprentissage machine.
• Travaillez dur pour mettre en œuvre des algorithmes à partir de zéro.
• ??? (insérer la magie ici)
• Commencez enfin à utiliser l'apprentissage machine (votre objectif !).

Cette approche est lente. Elle est difficile. Elle est conçue pour les universitaires qui veulent étendre l'état de l'art.

Elle n'est pas conçue pour les praticiens qui veulent un résultat.

Le piège

Vous savez que vous êtes pris dans ce piège si vous pensez ou dites des choses comme

• Je dois d'abord suivre ce cours d'algèbre linéaire.
• Je dois d'abord retourner en arrière et obtenir un doctorat.
• Je dois d'abord lire ce manuel.

Solution

Comment l'apprentissage de 4 ans de mathématiques ou de théorie des algorithmes ésotériques vous mène-t-il là où vous voulez être ?

Vous avez plus de chances de vous arrêter. D'échouer. De ne pas vous rapprocher de votre objectif.

La solution consiste à inverser le modèle.

Si la contribution précieuse de l'apprentissage machine au marché est l'ensemble des prédictions précises, alors apprenez à modéliser les problèmes et à faire des prédictions précises. Commencez d’ici.

Ensuite, devenez vraiment bon à ce jeu.

Lisez, volez, exploitez la théorie si vous en avez besoin, mais uniquement au service de votre objectif. Seulement si cela vous permet d'être plus efficace.

2) N'étudiez pas tout l'apprentissage machine

L'apprentissage machine est un domaine d'étude très vaste.

Il s'agit de l'automatisation des processus d'apprentissage avec les ordinateurs et recoupe largement l'intelligence artificielle.

De la théorie de l'apprentissage ésotérique à la robotique. Le domaine est énorme.

Le domaine est bien trop vaste pour que vous puissiez l'aborder dans sa totalité.

Le piège

Vous savez que vous avez succombé à ce piège si vous pensez comme

• J'ai besoin de connaître chaque nouvelle technique mentionnée sur un nouveau site.
• Je dois d'abord me renseigner sur la vision par ordinateur, le traitement du langage naturel, la parole, etc.
• J'ai besoin de tout savoir sur tout.

Solution

Choisissez un petit coin et concentrez-vous sur celui-ci.

Puis rétrécissez à nouveau.

Le domaine le plus précieux de l'apprentissage machine est la modélisation prédictive. Créer des modèles à partir de données pour faire des prédictions.

Commencez par là.

Ensuite, concentrez-vous sur le type de modélisation prédictive qui vous semble le plus pertinent ou le plus intéressant.

Ensuite, tenez-vous-en à ce type de modélisation.

Peut-être choisissez-vous une technique, comme l'apprentissage approfondi. Ou peut-être choisissez-vous par type de problème, comme les systèmes de recommandation.

Peut-être vous n'êtes pas sûr, alors choisissez quand même. Devenez bon ou au moins compétent.

Puis, plus tard, revenez à un autre domaine.

3) Ne jouez pas avec les algorithmes

L'apprentissage machine concerne en fait les algorithmes.

Il y a beaucoup d'algorithmes. Et chaque algorithme est un système complexe et son propre petit domaine d'étude. C'est son propre écosystème.

Vous pouvez vous perdre dans un algorithme. Et c'est ce que font les gens.

On les appelle des chercheurs universitaires.

Le piège

Vous êtes dans ce piège si vous vous trouvez à dire

• J'ai besoin de savoir pourquoi ça marche avant de l'utiliser.
• Je dois d'abord comprendre en profondeur les hyperparamètres.
• Je dois expliquer la cause et l'effet lors du réglage.

Solution

Les algorithmes ne sont pas des résultats. Ils sont un moyen de parvenir à un résultat.

En fait, les algorithmes d'apprentissage machine sont une marchandise.

Echangez-les. Essayez-en une tonne sur votre problème. Réglez-les un peu, mais passez à autre chose.

Vous pouvez en apprendre plus sur les algorithmes pour obtenir un meilleur résultat, mais sachez quand vous arrêter.

Utilisez un processus systématique. Concevez des expériences de réglage et automatisez leur exécution et leur analyse.

L'apprentissage machine est une question de bonne utilisation des algorithmes, mais l'apprentissage machine appliqué ne consiste pas seulement à jouer avec les algorithmes.

Concentrez-vous sur l'objectif de fournir un résultat pour chaque projet, c'est-à-dire un ensemble de prédictions ou un modèle qui peut les réaliser.

4) Ne pas tout mettre en œuvre à partir de rien

Vous pouvez apprendre beaucoup en mettant en œuvre des algorithmes à partir de zéro.

Parfois, vous devez même mettre en œuvre une technique, car il n'existe pas d'implémentation adaptée ou disponible.

Mais, en général, vous n'avez pas à le faire et vous ne devriez pas.

Votre implémentation sera probablement nulle. Désolé. Elle aura des bogues, lente, gourmande en mémoire. Elle ne traitera pas bien les cas marginaux.

Le piège

Vous êtes dans ce piège si :

• Vous écrivez un code pour charger un fichier CSV (wtf !?)
• Vous écrivez du code pour un algorithme standard comme la régression linéaire.
• Vous écrivez un code pour une validation croisée ou un réglage d'hyperparamètres.

Solution

Arrêtez.

Utilisez une bibliothèque polyvalente utilisée par des dizaines ou des centaines de milliers d'autres développeurs, qui gère tous les cas de figure et qui est connue pour être correcte.

Utilisez une bibliothèque hautement optimisée qui comprime chaque cycle et chaque octet de mémoire de votre matériel.

Utilisez une interface utilisateur graphique pour vos propres projets et évitez complètement le code.

Mettre tout en œuvre à chaque fois que vous voulez l'utiliser est un moyen très lent de se lancer dans l'apprentissage machine.

Si vous implémentez pour l'apprentissage, alors soyez honnête avec vous-même et séparez cela de l'apprentissage de la valeur ajoutée avec l'apprentissage machine appliqué.

5) Ne changez pas d'outils tout le temps

Il y a beaucoup de bons outils d'apprentissage machine.

En fait, ces outils, ainsi que la disponibilité des données et la rapidité du matériel, expliquent pourquoi nous assistons à une renaissance de l'apprentissage machine.

Mais vous pouvez tomber dans le piège qui consiste à sauter sur chaque nouvel outil que vous rencontrez par hasard.

Le piège

Vous êtes dans ce piège si vous vous trouvez :

• En utilisant chaque nouvel outil dont vous entendez parler.
• Vous vous retrouvez à apprendre un nouvel outil ou une nouvelle langue chaque semaine ou chaque mois.
• Arriver à mi-chemin de l'apprentissage d'une bibliothèque et la laisser derrière vous pour en créer une nouvelle.

Solution

Apprendre et utiliser de nouveaux outils.

Mais soyez stratégique.

Intégrez de nouveaux outils dans votre processus systématique pour résoudre les problèmes d'apprentissage des machines.

Vous serez beaucoup plus efficace si vous choisissez l'une des grandes plates-formes et que vous vous y tenez, du moins jusqu'à ce que vous soyez bon ou compétent.

Les principales plates-formes que je recommande sont les suivantes :

• Écosystème Python.
• Plate-forme R.

Il y en a d'autres et il y a des outils plus spécialisés si c'est votre domaine.

Le suivi est la différence entre un hobbyiste et un professionnel.

Résumé

Dans cet article, vous avez trouvé les 5 erreurs les plus courantes que je vois commises par les débutants en apprentissage machine.

Encore une fois :

• Ne commencez pas avec la théorie.
• N'étudiez pas tout l'apprentissage machine.
• Ne pas jouer avec les algorithmes.
• Ne pas tout mettre en œuvre à partir de rien.
• Ne changez pas d'outils tout le temps.

Êtes-vous tombé dans l'un de ces pièges ?

Avez-vous besoin d'aide pour vous en sortir ?

Laissez un commentaire, je suis là pour vous aider.