IA appartement 1 — Transcript

Full transcript

1. 0:00Cette intelligence artificielle va
2. 0:02estimer le prix d'un appartement. Je
3. 0:04vais volontairement lui donner les
4. 0:06mauvaises données et vous allez voir que
5. 0:09l'intelligent artificiel peut donner une
6. 0:12réponse complètement incohérente.
7. 0:14Regardez ceci et ensuite on se parle
8. 0:16après.
9. 0:17Un développeur présente fièrement son
10. 0:20nouveau modèle d'intelligence
11. 0:21artificielle devant les investisseurs.
12. 0:23Tout semble parfait. Alors les carrés
13. 0:25ici 80 m², trois chambres, quartier
14. 0:27calme et puis il lance la prédiction.
15. 0:3012 millions d'euros. Les invisiteurs
16. 0:32restent sans voix. Le développeur
17. 0:34comprend que quelque chose ne marche
18. 0:36pas. Moi c'est William ingénieur
19. 0:38logiciel bas en Allemagne. Je suis le
20. 0:40fondateur de cette chaîne Jungle Le
21. 0:41Côte. Sur ces chaîne, on parle de
22. 0:43l'école, l'intelligence artificielle, de
23. 0:45l'éducation et de tous les métiers qui
24. 0:48touchent au numérique. Depuis 2
25. 0:50semaines, aujourd'hui c'est le 3e mardi,
26. 0:51on a commencé cette aventure c'estàd
27. 0:54ensemble mettre en place une IA, un
28. 0:57modèle IA avec le langage de
29. 0:59programmation Python et ensemble on va
30. 1:01chercher les données, épurer les
31. 1:03données, les entraîner et puis voir si
32. 1:07notre modèle IA peut faire une
33. 1:11estimation de prix excellente. Bon
34. 1:14aujourd'hui je viens avec un sujet qui
35. 1:16est simplement le garbage in le garbage
36. 1:19out qui veut dire tout simplement que
37. 1:21lorsque tu entraînes ton modèle I avec
38. 1:25des mauvaises données, des données
39. 1:27corrompues alors ne t'entends pas au
40. 1:30miracle. Alors ce qu'on va faire sans
41. 1:32tarder, regardons cette démo et ensuite
42. 1:35on s parle après. Alors quand on
43. 1:36travaille sur la machine learning alors
44. 1:40on va beaucoup travaer Excel. OK. Alors,
45. 1:42regardons un peu ce document. Essayons
46. 1:44un peu d'analyser pour voir la qualité
47. 1:46des données. OK ? Bon, regardons, très
48. 1:48important les noms des colonnes. On peut
49. 1:50voir le nom des colonnes ici. Je peux
50. 1:51mettre ici par exemple en gras comme ça
51. 1:54pour voir que ça facilite un peu la
52. 1:57lecture. Je peux mettre si je peux
53. 1:58mettre une couleur rapidement là. Je
54. 2:00sais pas si non, ça c'est pas une très
55. 2:01belle couleur. Je vais mettre une
56. 2:02couleur juste pour que ce soit facile à
57. 2:04lire. Je sais pas si on peut lire ou
58. 2:06pas. Bon bref, on a la superficie. OK,
59. 2:09en mètre carré. OK, on a l'éloignement.
60. 2:11OK ? Qui va de 1 à 20 km de loignement
61. 2:14du centre-ville. On a l'état du bien
62. 2:16quand il est petit. Euh quand l'état du
63. 2:18bien est euh plus c'est petit l'état et
64. 2:22euh plus c'est petit, moins c'est bien.
65. 2:24Plus ce nombreusci est petit. Ça veut
66. 2:25dire que c'est pas bon. Et euh plus ça
67. 2:29hormane, ça veut dire que c'est
68. 2:30excellent. Voilà. Donc il faut d'abord
69. 2:32comprendre comprendre ces voilà
70. 2:35comprendre ces donnéesci d'abord. Voilà,
71. 2:37on a euh l'éloignement, on a le nombre
72. 2:41d'étages. OK, donc à zéro, ça veut dire
73. 2:43que c'est au russ à 5, ça veut dire que
74. 2:45c'est c'est au au 5e étage. On a le
75. 2:49nombre des pièces. OK, ça c'est facile.
76. 2:51On a le prix, le prix ou le labels. OK,
77. 2:53donc euh et ensuite bon, on a la
78. 2:56localisation. Localisation ici, bon ça
79. 2:58veut dire ici le quartier. Donc euh
80. 3:01quand c'est 1, ça veut dire que c'est
81. 3:03très peu attractif. Quand c'est 5 plus
82. 3:05le nombre est petit, ça veut dire que
83. 3:06c'est pas attractif. Plus le nombre est
84. 3:08grand, ça veut dire que c'est très
85. 3:09attractif. Là ça nous permet déjà de
86. 3:12regarder un peu la qualité des données.
87. 3:13Alors ce que moi je veux faire c'est que
88. 3:14je on va mettre un filtre parce que
89. 3:16c'est peut-être parfois c'est plus
90. 3:17facile de filtrer et je vais un peu
91. 3:19regarder directement comme ça là très
92. 3:21vite permet de filtrer. Je regarde un
93. 3:23peu rapidement franchement je regarde un
94. 3:25peu. Je regarde un peu rapidement. Je
95. 3:27viens ici je vois un 5000. OK on peut
96. 3:30avoir un appartement de 5000 m². Bon, je
97. 3:33peux avoir ici que il y a quelque chose
98. 3:34qui ne va pas depuis son prix 5000 m
99. 3:381000 m². L'état du bien bon c'est moyen.
100. 3:42La localisation est excellente, ça n'a
101. 3:44pas de tâche au rê de sauc à trois
102. 3:47pièces et puant et c'est à 5000 m². On
103. 3:49voit bien que le prix c'est même pas
104. 3:52400000 €. Donc on peut voir aussi déjà
105. 3:53que ça c'est déjà quelque chose qui nous
106. 3:56allaide quoi. Comment on peut avoir un
107. 3:57truc de 5 m² ? Bon un appartement de 21
108. 4:00m². OK. l'état des biens puisqu'on a dit
109. 4:03que plus le nombre est petit. Donc
110. 4:05l'état des biens il est excellent, la
111. 4:06localisation c'est super. C'est le 3e
112. 4:09étage, ça a deux pièces et regardez le
113. 4:11prix 21 m². Regardez son prix 292000.
114. 4:15Donc voilà tant de choses qui nous
115. 4:16allaient déjà en nous disant que OK euh
116. 4:19quelque chose n'est pas c'est pas clair.
117. 4:21Donc prenons encore quelque chose comme
118. 4:22ça. 90. Voyons un peu. Voyons un peu 90.
119. 4:26Ou bien ce qu'on peut faire c'est que
120. 4:27bon je peux désactiver tout. Donc je
121. 4:29peux réactiver tout et puis je regarde
122. 4:31plutôt par ici. Donc en fait euh dans ce
123. 4:34travail, il faut être un peu vraiment il
124. 4:36faut être miculeux parce qu'on sait que
125. 4:38la qualité de la donnée est quelque
126. 4:39chose de très important. Regardons un
127. 4:40peu ça. C'est quelque chose qui
128. 4:41m'intéresse. On a carrément un
129. 4:43appartement qui coûte 1200000 et son son
130. 4:47mètre carré c'est 157 m². L'état du bien
131. 4:50est bien, il est bien. Localisation
132. 4:52simple donc c'est dans un bon quartier.
133. 4:54Ça au 2e étage ça a une seule pièce et
134. 4:56ça 1200000 1200000 € donc ce qui voit
135. 4:59que ici ce n'est pas possible. Ce n'est
136. 5:01pas possible du tout. Donc voilà les
137. 5:03choses qui nous allait quoi qui se dit
138. 5:06"OK euh franchement est-ce que je veux
139. 5:09vraiment entraîner mon intelligent
140. 5:12artificiel avec ce genre de avec ce
141. 5:14genre de de données Voilà. Voilà. Donc
142. 5:16voilà un peu comment on regarde.
143. 5:18Franchement, il faut regarder, il faut
144. 5:20aussi regarder tous les doublons. Il
145. 5:21faut regarder tout ce qui ne fait pas
146. 5:23sens. On essaie d'abord de les retirer
147. 5:25parce que ça ne sert vraiment à rien à
148. 5:28entraîner son modèle, son modèle avec ce
149. 5:30genre de choses. C'est quoi le lien avec
150. 5:32j'aime le code ? Voilà, comme je dis
151. 5:34souvent, coder, c'est penser. Si j'aime
152. 5:37le code, on voilà, on n'écrit pas que
153. 5:39les bouts le programme. On fait ça
154. 5:41aussi. C'està-dire que quand on reçoit
155. 5:43des données, quand on veut entraîner
156. 5:46notre modèle, c'est aussi ça le travail
157. 5:48d'un développeur de régaler la qualité
158. 5:50de données, de comprendre ça. Pourquoi
159. 5:52les données qualitatives sont tellement
160. 5:55importantes dans ce processus
161. 5:56d'entraînement d'une intelligence
162. 5:58artificielle ? C'est en fait le plus
163. 6:00important, c'est pas l'algorithme.
164. 6:02L'algorithme peut être aussi puissant.
165. 6:03En fait, tout peut être parfait. Mais si
166. 6:06tes données sont de mauvaise qualité à
167. 6:08la fin tu auras une va complètement se
168. 6:12planter. Ça c'est mon interface Python.
169. 6:15OK, c'est mon interface Python, mon
170. 6:17interface que j'ai essayé de faire
171. 6:19rapidement parce que c'est je crois que
172. 6:20c'est mieux, c'est meilleur ici. Alors,
173. 6:22je vais télécharger d'abord les données
174. 6:26les dataset sales. OK, je vais montrer
175. 6:28tout à l'heure pour comprendre. Alors,
176. 6:30télécharge rapidement là. Une fois que
177. 6:32je l'ai téléchargé, on peut voir tout de
178. 6:35suite comment mon modèle me renvoie
179. 6:37quelques valeurs déjà très
180. 6:38intéressantes. Notamment euh je vais
181. 6:40non, il faut que je clique ici sur
182. 6:42d'abord là. OK, je clique ici, je vois
183. 6:45ici ça s'appelle l'erreur moyen. Ça
184. 6:47c'est l'erreur moyen. Et euh ça vait
185. 6:50tout simplement dire ici que mon modèle
186. 6:55se trompe de environ 317491000
187. 7:00€ soit en pourcentage 3400. Donc le prix
188. 7:03qui va estimer, on peut se dire qu'il y
189. 7:06a une erreur incroyable. OK, c'est pour
190. 7:09cela tout à l'heure je parlais de la
191. 7:11qualité des données. Donc quand je vois
192. 7:13il y a ça, quand je vois si ce mapci est
193. 7:16supérieur à 3 %. Si c'est super à 3 %,
194. 7:19il faut savoir tout simplement ça ça te
195. 7:22ça veut tout simplement dire que tu
196. 7:24travailles sur les données horribles,
197. 7:26données mauvaises. Voilà, donc ça peut
198. 7:28être dit ça. Donc tout ce que tu fais
199. 7:30là, tu peux juste pour t'amuser si tu
200. 7:32veux comprendre. Tu peux faire les tu
201. 7:33peux faire les simulations si ça
202. 7:35t'intéresse. Mais euh là, tu travailles
203. 7:37pas sur les bonnes données, tu
204. 7:38travailles pas sur les bonnes données.
205. 7:40Voilà, donc tu peux si ça t'intéresse,
206. 7:42tu peux tu peux essayer de t'amuser. À
207. 7:44chaque fois, tu vas voir un prix, ça va
208. 7:46t'estimer un prix ici. Mais dis-toi que
209. 7:48le la marge, le taux d'erreur est de 34
210. 7:51%. Donc à chaque fois, l'erreur moyen
211. 7:54est de 317 317491en.
212. 7:59OK. Donc on va je vais montrer un autre
213. 8:01exemple. Lorsqu'on travaille avec les
214. 8:03données propres. Alors, je choisis
215. 8:06clean, je charge et tout de suite encore
216. 8:08on voit ici pareil, ça se trompe de
217. 8:1012453
218. 8:12€ soit 3,8 % c'est inférieur à 5. Donc
219. 8:16quand c'est entre 3 et 5, c'est super.
220. 8:18Donc euh on peut se dire que quand ça ça
221. 8:20quand ça prédit un prix, l'erreur est
222. 8:22d'environ 12000 €. Ce qui n'est ce qui
223. 8:24est tellement meilleur que tout à
224. 8:26l'heure. Donc là, je peux m'amuser à à
225. 8:29Ouais. Je peux m'amuser à estimer à
226. 8:31faire des estimations. Donc pour une
227. 8:33superficie de 117 117 m² et euh à 13 km
228. 8:38du centreville pour un état de bien qui
229. 8:41est moyen et un quartier qui est moyen
230. 8:43aussi au 8e étage. Le nombre de pièces
231. 8:46et deux pièces, je suis à peu près à
232. 8:494915
233. 8:50€ avec une un taux de r de 3 %. Donc
234. 8:54plus ce taux est petit ou plus ce
235. 8:55chiffre c'est petit, mieux c'est. Voilà,
236. 8:57mieux c'est. Voilà, c'était tout pour la
237. 8:59dé Alors moi je te pose la question. Toi
238. 9:01qui me regarde, toi qui me regardes
239. 9:03déjàannonce la prochaine vidéo mardi
240. 9:05prochain. OK ? Mardi prochain, on va
241. 9:06continuer avec la même série. Alors je
242. 9:08te pose la question toi qui utilise
243. 9:10constamment tu écris des promptes quand
244. 9:13à chaque fois ton intelligence
245. 9:14artificiel se trompe selon toi ça peut
246. 9:16être quoi l'erreur ? C'est qui l'erreur
247. 9:18? Est-ce que c'est Gini ? Est-ce que
248. 9:21c'est la version de l'intelligent
249. 9:23artificiel que tu utilises qui est
250. 9:25complètement à la route ou c'est quoi
251. 9:27selon toi ? J'aimerais bien avoir ta
252. 9:29réponse en commentaire.