CHAPITRE I:
Introduction au Machine learning
3ème année GLSI
I) Qu’est-ce que l’intelligence artificielle ?
— Dartmouth Conference, 1956
The science and engineering of making computers
behave in ways that, until recently, we thought
required human intelligence.
— Reproduire artificiellement les comportements
du vivant perçus comme intelligents
— Motivations :
— Comprendre l’intelligence naturelle ;
— Créer des outils qui nous aident.
Quelques sous-problèmes de l’IA
— Représentation des connaissances
— Raisonnement et résolution de problèmes
— Planification
Comment passer d’un état initial à un état souhaité
— Perception
Utiliser des capteurs pour déterminer l’état du
monde
— Mouvement et manipulation d’objets
— Apprentissage:
Acquérir des connaissances et des compétences
— Robotique
mécanique, électronique, contrôle
— Systèmes experts
— utilisent des règles
— logique des propositions, logique des prédicats
— Traitement du langage naturel
— Vision par ordinateur
— Informatique affective
— reconnaître, modéliser, exprimer les émotions
humaines
— sciences cognitives, psychologie
— Apprentissage automatique
II) Apprentissage automatique
— Apprendre : acquérir une compétence par
l’expérience, la pratique.
— Pour une machine :
— compétence = algorithme
— expérience, pratique = exemples, données
— Autres noms : apprentissage statistique ;
machine learning.
III) Deep learning, ML et IA
— La plupart des succès récents de l’« intelligence
artificielle » sont en fait des progrès en
apprentissage automatique.
Il s’agit d’utiliser (beaucoup) d’exemples d’une
tâche pour apprendre à faire cette tâche
— La plupart de ces progrès sont des progrès en
apprentissage profond (deep learning) : un des
domaines de l’apprentissage automatique qui
utilise des réseaux de neurones à plusieurs
couches.
1) Deep learning
— Exemples
— Traitement automatique d’images : reconnaître si une photo
contient un chat / est celle d’une personne spécifique / est un
échantillon d’une tumeur
— Traitement automatique du langage : traduction automatique,
chatbots
— Génération automatique de texte, d’images, de son, de vidéos
réalistes (en particulier deepfakes)
— Ingrédients du succès :
— Énormes quantités de données
— Puissance de calcul
— Compréhension des données et problèmes
modélisation (= architecture des réseaux de neurones) appropriée.
2) Autres exemples d’application du ML
— Détection de fraude
— Segmentation de marché
— Contrôle qualité
— Maintenance prédictive
— Systèmes de recommendation
— Trading algorithmique
— Assistance au diagnostic
— Médecine prédictive
— Et beaucoup, beaucoup d’autres.
3) Défis actuels du ML
— Apprendre à partir de peu d’exemples
Un enfant ou un animal n’a pas besoins de milliers/millions d’exemples
pour apprendre
— Résoudre des problèmes que l’humain ne sait pas résoudre
Utilisation dans la recherche scientifique (biologie, santé, chimie,
science des matériaux, astrophysique, etc.)
— Confiance
validation formelle, explicabilité, robustesse aux attaques
— Questions éthiques
biais algorithmiques ; coûts environementaux ; équité et moralité
CLUSTERING CLASSIFICATION
IV) Apprentissage supervisé: Apprendre à partir de données avec labels
1) Prédiction: utiliser le modèle appris pour prédire (deviner)
la sortie de nouvelles données
a) Classification: faire des prédictions discrètes
xi= f: decision
{human function
contact, (model to
good eater} predict)
yi=Є{Dog,
Cat}
b) Régression: faire des prédictions continues
x= time of day
y= train occupancy
Exemples:
V) Apprentissage non supervisé: découvrir la structure cachée des
données
1) Réduction de dimension:
2) Clustering: