Notion · 1 / 4 du chapitre
Vecteurs et espaces vectoriels
60 min de lecture
Vecteurs et espaces vectoriels
Pourquoi cette notion
Objectif : comprendre ce qu'est un vecteur et pourquoi le machine learning represente presque toutes ses donnees sous cette forme.
Un modele de ML ne "voit" jamais une donnee brute : il voit un vecteur de nombres. Une image, une ligne d'un tableau, un mot — tout est d'abord transforme en vecteur avant d'entrer dans un algorithme.
Concepts cles
Representation d'un vecteur
Un vecteur est une liste ordonnee de nombres, chaque position portant un sens (une caracteristique, ou "feature"). En Python, numpy.array([1.0, 2.5, -3.0]) est un vecteur a 3 dimensions.
Norme et produit scalaire
La norme mesure la longueur d'un vecteur ; le produit scalaire mesure a quel point deux vecteurs pointent dans la meme direction. Ces deux operations reviennent constamment en ML (distance entre deux exemples, similarite cosinus, etc.).
En pratique
import numpy as np
v = np.array([3.0, 4.0])
norme = np.linalg.norm(v) # 5.0
w = np.array([1.0, 0.0])
produit_scalaire = v.dot(w) # 3.0
Pieges frequents
ATTENTION — confondre un vecteur ligne et un vecteur colonne mene a des erreurs de dimension difficiles a diagnostiquer, notamment avec Matrices et operations fondamentales.