MACHINE LEARNING
DEEP LEARNING (PART I )
Anaconda
Jupyter PyCharm IDE Librairie python
Distribution Python
Notebook
EXIGENCES TECHNOLOGIQUES
COMMUNICATIONS NUMÉRIQUES
L’histoire de l’IA
Définition
Concepts de l’IA
L’HISTOIRE DU IA
◾ 1950 :Alan Turing imagine la machine intelligente
➢ Chercheur britannique, célèbre pour avoir décrypté le code Enigma des
nazis, s'est évertué à démontrer que les machines seraient un jour
capables de penser.
◾ 1957 : le Perceptron, première machine apprenante
➢ Frank Rosenblatt (July 11, 1928 – July 11, 1971)
L’HISTOIRE DU IA
◾ 1973 : le premier « hiver » arrive sur l’IA
➢ Un gel brutal des financements.
◾ 1997 : Kasparov s’incline face à Deep Blue
➢ Le plus grand joueur d’échecs a été terrassé par la machine
L’HISTOIRE DU IA
◾ 2011 :Avec Watson, IBM remporte « Jeopardy ! »
➢ IBM gagne le plus célèbre jeu télévisé aux Etats-Unis,
◾ 2016 : Google devient maître du Go
➢ le logiciel AlphaGo bat le champion Lee Sedol
L’HISTOIRE DU IA
Robot Atlas mesure 1,88 m , conçu pour Robot Spot quadrupède ayant l'allure d'un chien
diverses tâches de recherche et sauvetage révélée en 2016 et commercialisé à partir de 2019
dévoilé au public le 11 juillet 2013
Boston Dynamics est une entreprise américaine,
située à Waltham dans le Machassuchets,
spécialisée dans la robotique , notamment à usage militaire.
[Link]
L’HISTOIRE DU IA
Sophia, robot gynoïde
L’Arabie saoudite est devenu le premier Robot AMECA développé par Engineered Arts,
pays à accorder la nationalité à un humanoïde. révélée le 01/12/2022
Ce « robot social » peut reconnaître les visages,
et son propre faciès en silicone peut mimer 62
expressions humaines.
Mise au point par Hanson Robotics 19 avril 2015
L’HISTOIRE DU IA
➢ Les suggestions d’amis Facebook: « Les amis de mes amis sont peut-être vos amis »
➢ Diffusion des posts sur Facebook : présenter que les publications jugées les plus pertinentes
➢ La fonctionnalité de suggestions de contact de LinkedIn, sous le titre de « Les connaissez-vous ? »
➢ L’algorithme de recommandation de Netflix : identifier les images qui engagent les utilisateurs en parcourant les
titres. Le MACHINE LEARNING permet à l’algorithme de faire des prédictions sur les images qui suscitent plus
d’intérêts.
➢ Netflix exploite l’IA pour créer des teasers, des bandes-annonces, des récapitulatifs,,,,
➢ Recommandations des vidéos, publicités de Youtube
➢ ……………….
L’HISTOIRE DU IA
Assistants vocaux
ALEXA SIRI Google Cortana
Enceintes vocales utilisant intelligences artificielles
Fonctionnent par détection vocale.
Poser une question en langage naturel afin d’obtenir une réponse, un peu comme si on s’adressait
à une personne.
Par exemple : « Alexa, quel est l’état du trafic sur l’A89 ? »
ou « Ok Google, quelle est la définition de l’intelligence artificielle? ».
La réponse sera fondée sur les données disponibles sur internet, traitées par des algorithmes
puissants permettant de croiser plusieurs sources d’informations.
C’est ce qui permet, entre autres, d’obtenir une information en temps réel.
DÉFINITION DE L’IA
◾ L’Intelligence Artificielle concerne la conception et la
réalisation d’un système matériel ou logiciel capable de
posséder ou produire les capacités et caractéristiques
propres à un cerveau humain ou animal.
Deux types d’approches
IA Forte (approche cognitive)
◾ La machine doit raisonner à la manière de l’homme (utiliser les
mêmes mécanismes de fonctionnement)
IA Faible (approche pragmatiste)
◾ La machine doit aboutir aux mêmes solutions que l’homme ou
l’animal (peu importe la méthode employée)
◾ En fait l’IA reste difficile à définir car on ne sait pas vraiment définir
la notion d’Intelligence (Qu’est ce qu’être intelligent ?)
CONCEPTS DE L’IA
CONCEPTS DE L’IA
◾ Data Science: est un vaste domaine qui regroupe les méthodologies et outils
inhérents à la collecte, la gestion et l’analyse et l’exploitation des données.
◾ Data Mining: est un sous ensemble de Sciences de données. L’exploration des
données consiste à trouver des informations utiles dans un jeu de données afin de
trouver des modèles cachés
◾ Big Data: fait référence à la collecte d’un volume important de données puis à
l’analyse en temps réel de celles-çi. Axé sur la vitesse, la variété et le volume des
informations
KNOWLEDGE DISCOVERY IN DATABASES(KDD)
KNOWLEDGE DISCOVERY IN DATABASES(KDD)
DATAMINING Machine Learning
◾ Data Mining is used to obtain the rules from the ◾ Machine learning teaches the computer, how to
existing data. learn and comprehend the rules.
◾ Probing of available datasets in order to identify ◾ The process of machines (a.k.a. computers) learning
patterns and anomalies. from heterogeneous data in a way that mimics the
human learning process.
Machine learning utilizes data mining techniques and another learning algorithm to construct models of what is
happening behind certain information so that it can predict future results.
MACHINE LEARNING
Définition
Apprentissage
Feature Extraction
Algorithmes
DÉFINITION
◾ Est un sous ensemble de l’intelligence artificielle
◾ Machine Learning ou apprentissage automatique est la science de programmer les
ordinateurs de sorte qu’ils puissent apprendre à̀ partir de données.
◾ L’objectif est de comprendre les données et de construire des modèles à partir des
données compris et utilisées par les humains.
◾ Les algorithmes sont améliorés par eux même grâce à l’introduction de données
d’entrainement (Expériences),
DÉFINITION
◾ L’apprentissage automatique permet aux systèmes d’apprendre à partir des données
historiques sans intervention ou assistance humaine et d’adapter leurs actions afin de
prendre des décisions intelligentes grâce à des algorithmes.
MACHINE LEARNING (APPRENTISSAGE AUTOMATIQUE)
MACHINE LEARNING (APPRENTISSAGE AUTOMATIQUE)
◾ Types d’algorithmes
d’apprentissage
• Apprentissage supervisé
• Apprentissage non
supervisé
• Apprentissage renforcé
MACHINE LEARNING (APPRENTISSAGE AUTOMATIQUE)
APPRENTISSAGE SUPERVISÉE
◾ Un algorithme apprend à partir de données étiquettées,
◾ La robustesse de l’algorithme dépendra de la précision de son
entrainement. Un algorithme apprenant des contenues
supervisés produit une carte interne qui permet sa
réutilisation pour classifier de nouvelles quantités de données.
APPRENTISSAGE SUPERVISÉE
◾ L’apprentissage supervisé est utilisé quand l’utilisateur sait
labelliser les informations, l’extraction des données est donc
prédictive.
◾ La robustesse de l’algorithme dépendra de la précision de son
entrainement. Un algorithme apprenant des contenues
supervisés produit une carte interne qui permet sa
réutilisation pour classifier de nouvelles quantités de
données.
APPRENTISSAGE SUPERVISÉE
APPRENTISSAGE SUPERVISÉE
◾ Base de données d’entrainement:
➢ Données d’entrée: Images de panneau
➢ Etiquettes: Arrêt/Non arrêt
◾ Appliquer l’algorithme à de Nouvelles données
◾ L’algorithme doit être capable d’identifier des images
de panneaux d’arrêt qu’il n’a jamais vues auparavant.
FEATURE EXTRACTION
Feature Engineering consiste à extraire des
caractéristiques des données brutes afin de résoudre des
problèmes spécifiques à un domaine d’activité grâce au
Machine Learning.
➢ transformer les données brutes en
caractéristiques représentant plus précisément le
problème sous-jacent au modèle prédictif.
➢ la première étape dans le développement d’un
modèle de Machine Learning prédictif.
Qu'est-ce qu'une " feature " ?
Les données sont présentées en ligne dans des tableaux, tandis
que leurs attributs et leurs variables sont présentés en
colonnes. Un attribut peut être une caractéristique.
une caractéristique est un attribut utile ou pertinent par
rapport au problème
ALGORITHMES
ALGORITHMES : ARBRES DE DÉCISION
◾ Decision trees create a model that predicts the class
or label, based on several input features. Decision trees
work by evaluating a question containing a feature at
every node and selecting a branch to the next node,
based on the answer. A possible decision tree for
predicting debit card fraud is shown [Link] feature
questions are the nodes, and the answers “yes” or “no”
are the branches in the tree to the child nodes. (Note
that a real tree would have more nodes).
ALGORITHMES : KNN ( K PLUS PROCHE VOISINS )
◾ KNN (K-Nearest Neighbor) est un algorithme de
classification supervisé simple que nous pouvons utiliser
pour attribuer une classe à un nouvel enregistrement. Il
peut également être utilisé pour la régression. KNN ne
fait aucune hypothèse sur la distribution des données, il
est donc non paramétrique. Il conserve toutes les
données d'apprentissage pour faire des prédictions
futures en calculant la similitude entre un échantillon
d'entrée et chaque instance d'apprentissage
SUPERVISED LEARNING
Classification Régression
SUPERVISED LEARNING
Some examples of Classification include: Some examples of logistic regression (or other algorithms)
• credit card fraud detection (fraud, not fraud) include:
• credit card application (good credit, bad credit) • given historical car insurance fraudulent claims and
• email spam detection (spam, not spam) features of the claims such as age of the claimant,
• text sentiment analysis (happy, not happy) claimed amount, severity of the accident, predict the
• Predicting patient risk (high risk patient, low risk probability of fraud.
patient) • given patient characteristics predict the probability of
• classifying a tumor as malignant or not congestive heart failure.
CLASSIFICATION VS REGRESSION
Classification Regression
Predicting discret class Predictiing continuous
label quantity
Identifies which category an Predict numeric value
item belongs to ), based on
labeled examples of known
items
Example: Classifying a Example:Predicting a price
transaction as a fraud or of a stock over a period of
not time
APPRENTISSAGE NON SUPERVISÉE
◾ L’apprentissage non-supervisé cherche à trouver des partitions de
modèles par lui-même, l’extraction des données est donc
descriptive.
◾ Le système prend les données brutes et cherche ensuite des
régularités par lui-même. Une fois qu’il a détecté une régularité,
un algorithme est développé.
◾ L’algorithme peut ensuite être utilisé d’une façon
comparable à l’apprentissage machine supervisé.
APPRENTISSAGE NON SUPERVISÉE
◾ L’apprentissage non-supervisé cherche à trouver des partitions
de modèles par lui-même, l’extraction des données est donc
descriptive.
APPRENTISSAGE NON SUPERVISÉE
APPRENTISSAGE NON SUPERVISÉE
◾ Le système ne reçoit pas d’images
d’entraînement et le résultat attendu est
inconnu
◾ La sortie n’est pas définie.
◾ Le système prend les données brutes et
cherche ensuite des régularités par lui-même
◾ Une fois qu’il a détecté une régularité, un
algorithme est développé.
APPRENTISSAGE NON SUPERVISÉE : CLUSTERING
In clustering, an algorithm classifies inputs into
categories by analyzing similarities between
input examples. Some clustering use cases
include:
✓ search results grouping
✓ grouping similar customers
✓ grouping similar patients
The K-means algorithm groups observations into K
clusters in which each observation belongs to the
cluster with the nearest mean from its cluster center.
APPRENTISSAGE PAR RENFORCEMENT
◾ Inspiré de l’apprentissage humain et animal (Lorsqu’elles ont un résultat positif et induisent des
récompenses, on conclut que ces expériences sont positives et qu’elles doivent être réitérées. Inversement, si
le résultat de l’expérience n’est pas concluant, on le mémorise pour ne plus faire la même erreur.)
◾ L’algorithme forme un agent qui agit dans un environnement incertain et potentiellement
complexe.
◾ L’agent effectue des actions , connait l’état de son environnement dont ces actions conduisent à un
résultat
◾ À chaque tentative, l’agent reçoit une récompense ou une punition(score) en fonction des actions
effectuées. Il est programmé pour maximiser sa récompense,
LIMITES DU ML
◾ Le processus n’est pas totalement intelligent
◾ L’humain fournit des caractéristiques (Features) à l’algorithme pour apprendre
SOLUTION?????
DEEP LEARNING
QUESTIONS?