Salut,

Je connais rien en machine learning ni en data science, pourtant j'aimerais vraiment se lancer dans ce domaine. Mais avant tout, une question me perturbe énormément..

imaginons un graph, prix d'appart en fonction de la surface, un algo qui va nous prédire toujours le prix approximatifs..Pourquoi on doit introduire du Machine learning ici? (Apprentissage du modèle au début)...On peut faire un programme du genre juste avec la programmation traditionnel , par exemple, on note les valeurs dans un fichier et on le récuperer après, et voilà, le tour est fait!

Pourquoi est ce qu'on est censé utiliser tout ces théorèmes mathématique et passer par des neurones artificielle (que j'ai pas capté leurs rôles au passage ), Pourquoi 

Lu'!

Parce que le prix d'un appartement fait intervenir bien plus que sa surface.

Pas du tout exhaustif :

• le nombre de pièces,
• son âge, son état global,
• ses indices de consommation,
• la région, le département, la ville où il se situe,
• la proximité des commerces, des transports,
• et surtout : les fluctuations du marché immobilier.

Re!

Bah je peux introduire tous ces facteurs aussi sans passer par les neurones non? 

Oui, sauf qu'au lieu de prévoir tu observeras, ce qui n'est donc plus une prédiction.

Bah je peux introduire des fonctions qui prévoient au sein d'un algo? Tu vas pas me dire que le réseau de neurone est un voyou quand même c'est juste des codes mathématiques dedans non?*

Au pire tu peux me donner un exemple très très simple à faire sur python, (je suis débutant quand même ) pour que je sache au cas de l'échec, les limites de la programmation traditionnel 

-
Edité par CocoxzinCocoxan 18 janvier 2018 à 17:07:25

Bonjour,

En fait, il existe de nombreux modèles économétriques pour observer des séries (ici le prix et les différents critères), déterminer les processus de variation de chacune de ces variables et enfin prédire les variations futures de toutes les variables.

Certains de ces modèles sont très simples (régressions linéaires/logistiques...) et d'autres sont beaucoup plus complexes (modèles de sauts, modèles stochastiques comme les DSGE,  ). Enfin d'autres modèles sont à utiliser pour compléter et alimenter les premiers modèles cités, comme les modèles d'analyse de la volatilité (modèles ARCH, GARCH...) ou de corrélation de distribution (copules).

Pas besoin de passer par un modèle de neurones. Ces modèles suffisent et sont assez faciles à être appliqués avec des logiciels comme R ou EVIEWS. Encore faut-il avoir des données fiables et nombreuses, ce qui est moins évident.

Tu peux également utiliser des modèles statistiques comme les ACP pour déterminer les variables les plus importantes pour expliquer ta variable expliquée.

Mais attention, les variations de prix des actifs suivent en général des processus stochastiques très complexes et les prévisions ne peuvent se faire qu'avec des intervalles de confiance. En aucun cas tu ne pourras être certain de ton prix dans 1Y au vue de ce qu'il s'est passé pendant 10Y. Les américains retiendront la crise immobilière de 2007 et de leur adage d'avant 2007 concernant l'immo US

-
Edité par lol64000 19 janvier 2018 à 11:27:18

Salut,

Qu'est-ce que tu appelles "programmation traditionnelle" ?

Aussi les réseaux de neurone sont une solution parmi d'autres pour faire du machine learning, mais il y aura de toute façon des maths à un moment.

D'ailleurs dans ton exemple du prix d'une maison en fonction de sa surface, quel algo tu veux faire? Parce que je suis curieux de savoir l'algo que utilises sans faire de maths.