Université Mohamed Boudiaf – M’sila
Département Informatique
Master Intelligence Artificielle
2020-2021
Chapitre 1
Introduction au Machine
Learning
Dr. Mehenni Tahar
Préambule
• De manière générale, un programme informatique tente de
résoudre un problème pour lequel nous avons la solution. Par
exemple : calculer la moyenne générale des étudiants, classer
les étudiants selon leur moyenne. . .
• Pour certains problèmes, nous ne connaissons pas de solution
exacte et donc nous ne pouvons pas écrire de programme
informatique. Par exemple : reconnaître automatiquement des
chiffres écrits a la main à partir d'une image scannée,
déterminer automatiquement une typologie des clients d'une
banque, jouer automatiquement aux échecs contre un humain
ou un autre programme. . .
• En revanche, pour ces problèmes il est facile d'avoir une base de
données regroupant de nombreuses instances du problème
considéré.
Une définition
• L'apprentissage automatique consiste alors a
programmer des algorithmes permettant
d'apprendre automatiquement des données et
d'expériences passées, un algorithme cherchant à
résoudre au mieux un problème considéré.
• ≪ How can we build computer systems that
automatically improve with experience, and what
are the fundamental laws that govern all learning
processes? ≫ Tom Mitchell, 2006
Apprentissage automatique
(Machine Learning)
• Looking for a model of the world from
observations in order to make
predictions and to understand
• Chercher un modèle du monde réel à
partir d’observations dans l’objectif de
faire des prévisions ou de mieux décrire.
Apprentissage automatique
(Machine Learning)
• Changes in a system that allows it to realize the
same type of tasks than during training with a ever
better performance.
• L’apprentissage est un changment du système
dans le but de réaliser les mêmes tâches que celle
de la période d’apprentissage mais avec une
meilleure performance.
Motivations
• Concepts difficult to hand-code
– Permissible moves for a robot
– Person to recruit / or not
– Predispositions for certain types of cancer
• Imitation
• Behavioral learning:
– Learning to walk (Brooks’s ≪ insects ≫)
– Learning to act on an unknown planet
• Learning to play
– Adapt to the adversary
– Learning to not repeat past faults
– Learning to play within a team (teams of robots)
• Autonomous vehicule
Un domaine pluri-disciplinaire
• L'apprentissage automatique (Machine Learning (ML)) est à la croisée
de plusieurs disciplines :
• Les statistiques : pour l'inférence de modèles a partir de données.
• Les probabilités : pour modéliser l'aspect aléatoire inhérent aux
données et au problème d'apprentissage.
• L'intelligence artificielle : pour étudier les tâches simples de
reconnaissance de formes que font les humains (comme la
reconnaissance de chiffres par exemple), et parce qu'elle fonde une
branche du ML dite symbolique qui repose sur la logique et la
représentation des connaissances.
• L'optimisation : pour optimiser un critère de performance afin, soit
d'estimer des paramètres d'un modèle, soit de déterminer la meilleure
décision a prendre étant donné une instance d'un problème.
• L'informatique : puisqu'il s'agit de programmer des algorithmes et
qu'en ML ceux-ci peuvent être de grande complexité et gourmands en
termes de ressources de calcul et de mémoire.
Exemple 1: prédiction d’achat
• Supposons qu’une entreprise veuille connaître le montant
total dépensé par un client ou une cliente à partir de ses
factures.
• Il suffit d’appliquer un algorithme classique, à savoir une
simple addition : un algorithme d’apprentissage n’est pas
nécessaire.
• Supposons maintenant que l’on veuille utiliser ces factures
pour déterminer quels produits le client est le plus
susceptible d’acheter dans un mois.
• Bien que cela soit vraisemblablement lié, nous n’avons
manifestement pas toutes les informations nécessaires pour
ce faire.
• Cependant, si nous disposons de l’historique d’achat d’un
grand nombre d’individus, il devient possible d’utiliser un
algorithme de machine learning pour qu’il en tire un modèle
prédictif nous permettant d’apporter une réponse à notre
question.
Exemple 2: Reconnaissance de caractère
• Comment reconnaître des
Caractères manuscrits ?
• par énumération de règles
si intensité pixel à la position ...alors c’est un "3"
→ long et fastidieux, diffiçile de couvrir tous les cas
• en demandant à la machine d’apprendre
• lui laisser faire des essais et apprendre de ses
erreurs
→ apprentissage machine (machine-learning)
Exemple 2: Reconnaissance de caractère
• Comment ça marche ?
• On donne à l’algorithme des données
d’entrainement.
• l’algorithme d’apprentissage machine apprend
un modèle capable de généraliser à de nouvelles
données.
Pourquoi utiliser le machine learning ?
Le machine learning peut servir à résoudre des problèmes
que l’on ne sait pas résoudre (comme dans l’exemple de
la prédiction d’achats ci-dessus) ;
que l’on sait résoudre, mais dont on ne sait formaliser en
termes algorithmiques comment nous les résolvons
(c’est le cas par exemple de la reconnaissance d’images
ou de la compréhension du langage naturel) ;
que l’on sait résoudre, mais avec des procédures
beaucoup trop gourmandes en ressources informatiques
(c’est le cas par exemple de la prédiction d’interactions
entre molécules de grande taille, pour lesquelles les
simulations sont très lourdes).
Ingrédients du machine learning
Le machine learning repose sur deux piliers
fondamentaux :
d’une part, les données, qui sont les exemples à partir
duquel l’algorithme va apprendre ;
d’autre part, l’algorithme d’apprentissage, qui est la
procédure que l’on fait tourner sur ces données pour
produire un modèle. On appelle entraînement le fait
de faire tourner un algorithme d’apprentissage sur un
jeu de données.
Implémenter un projet Machine
Learning
Procéssus d’ingénierie des données
1 Understand and specify project goals
2 Pre-processing/visualize/analyze data
3 Which ML problem is it?
4 Design a solving approach
5 Evaluate its performance
6 Go to to 2) if needed
Approaches of Machine Learning