Université du cepromad.
TP De machine learning
Participant(e)s :
1. KANYIMBU MUSHITU AUGUSTIN Bac 3 Réseau
2. KONA MUJINGA ISABELLE Bac 3 Réseau
3. KASHALA SONY ALVINE Bac 3 Réseau
4. KAYAMBA LARTE MARTHE Bac 3 Gestion
5. MUKOJ MUTOMBO MARC bac 3 gestion.
Question 1 : Résumé sur l’utilisation de la machine learning dans
la vie quotidienne.
Une machine learning est une partie de l’intelligence artificielle ( IA) dans
le quel la machine apprenne et s’améliore part l’expérience de son
programmé
L’objectif de base du machine learning est « d’apprendre à apprendre »
aux machine ou ordinateur et « agir et réagir » comme les fonds les
humains, en améliorant leur mode d’apprentissage et leur connaissance
de façon autonome avec une durée déterminée.
De nos jours la machine learning a un grand importance dans la société,
entreprise …
Elle utiliser dans la méthode de reconnaissance faciale, participent aux
méthodes d’authentification pour protéger et sécuriser une entreprise.
Exemple simple : une application de reconnaissance d’images apprend à
distinguer un chat d’un chien à partir de milliers d’exemples. Applications
concrètes dans la vie quotidienne
Santé : détection précoce de maladies (ex : cancer, Alzheimer) grâce à
l’analyse d’imagerie médicale.
Finance : détection de fraudes bancaires, évaluation des risques de crédit.
E-commerce : recommandations personnalisées sur Amazon ou Netflix.
Transport : conduite autonome (Tesla), optimisation des itinéraires (Google
Maps).
Reconnaissance vocale : assistants vocaux
Question 2 : la différence en détail entre machine learning et
deep learning
Depuis plusieurs années, l’Intelligence artificielle, le Machine Learning et le
Deep Learning sont utilisés pour une immense variété d’applications. À tel
point que ces termes sont souvent confondus à tort, Bien qu’ils soient liés
entre eux, chacun de ses concepts à sa propre signification.
le Deep Learning est une sous-catégorie du Machine Learning étant lui-
même une sous-catégorie de l’Intelligence artificielle A travers ce dossier,
découvrez la définition de chacun de ces termes et les différences entre
eux !
Qu’est ce que le Machine Learning ?
Le Machine Learning a été défini par son pionnier Arthur Samuel en 1959
comme le « champ d’étude qui donne aux ordinateurs la capacité
d’apprendre sans être explicitement programmés à apprendre ».
En effet, c’est une approche fondée sur des analyses statistiques
permettant aux ordinateurs d’améliorer leurs performances à partir de
données, et à résoudre des tâches sans être explicitement programmées
pour celles-ci. En fonction de la présence ou non des cibles, les
apprentissages peuvent être classifiés en plusieurs types : supervisé,
semi-supervisé, non-supervisé ou par renforcement.
Le Machine Learning est un domaine de recherche très actif dont de
nouveaux algorithmes et domaines d’application sont découverts chaque
jour. Il existe donc un besoin croissant d’algorithmes automatiques pour
analyser et donner un sens à ces données, pour pouvoir faire des
prédictions, ou encore pour avoir une meilleure compréhension du
processus qui génère ces données.
Qu’est ce le Deep Learning ?
Le Deep Learning, sous-catégorie du Machine Learning, est une méthode
d’apprentissage automatique qui s’inspire du fonctionnement du système
nerveux des êtres vivants. Les algorithmes du Deep Learning traitent
l’information reçue de façon similaire à ce que feraient nos réseaux de
neurones en réponse aux signaux nerveux qui leur sont destinés. En
fonction du type et de la fréquence des messages reçus, certains réseaux
de neurones vont se développer quantitativement et qualitativement alors
que d’autres vont régresser.
Le Deep Learning fait de grands progrès dans la résolution de problèmes
qui ont résisté aux meilleures tentatives de la communauté de
l’intelligence artificielle depuis de nombreuses années. Il s’est avéré très
bon pour découvrir des structures complexes dans des données de haute
dimension et est donc applicable à de nombreux domaines de la science,
des affaires et du gouvernement. Cependant, il nécessite la plupart du
temps un grand volume de données et donc une large puissance de
traitement pour constituer et exploiter un réseau de neurones.
Le Machine Learning et le Deep Learning sont deux types d’intelligence
artificielle. Le Machine Learning est une IA capable de s’adapter
automatiquement avec une interférence humaine minimale, et le Deep
Learning est un sous-ensemble du Machine Learning utilisant les réseaux
de neurones pour mimer le processus d’apprentissage du cerveau humain.
Plusieurs différences majeures séparent ces deux concepts. Le Deep
Learning requiert de plus larges volumes de données d’entraînement, mais
apprend de son propre environnement et de ses erreurs, Au contraire le
Machine Learning permet l’entraînement sur des jeux de données moins
vastes, mais requiert davantage d’intervention humaine pour apprendre et
corriger ses erreurs.
Dans le cas du Machine Learning, un humain doit intervenir pour labelliser
les données et indiquer leurs caractéristiques. Un système Deep Learning
tente au contraire d’apprendre ces caractéristiques sans intervention
humaine , Par exemple, pour la reconnaissance faciale, le programme de
Deep Learning apprend d’abord à détecter et reconnaître les bordures et
les lignes du visage. Il apprend ensuite les parties les plus importantes des
visages, et finalement la représentation générale des visages. Ceci
requiert d’immenses volumes de données, mais la probabilité de réussite
augmente au fil de l’entraînement.
L’approche est radicalement différente. Les algorithmes de Machine
Learning tendent à séparer les données en plusieurs parties, qui sont
ensuite combinées pour proposer un résultat ou une solution. De leur côté,
les systèmes Deep Learning considèrent un problème dans son entièreté.
Le Machine Learning nécessite un temps d’entraînement plus court, mais
son niveau de précision est plus faible. Le Deep Learning permet à la
machine de réaliser des corrélations complexes et non linéaires entre les
données , Deep Learning est beaucoup plus long à cause de l’importante
quantité de données à traiter, et des nombreux paramètres et formules
mathématiques impliqués. Un système Machine Learning peut être
entraîné en quelques secondes ou quelques heures, tandis que le Deep
Learning peut nécessiter des semaines.
Enfin, le Machine Learning permet l’entraînement sur un CPU (unité de
traitement centrale) tandis que le Deep Learning requiert un GPU (unité de
traitement graphique). Ce puissant hardware est indispensable pour traiter
les larges volumes de données et effectuer les calculs complexes des
algorithmes Compte tenu de leurs différences, le Machine Learning et le
Deep Learning sont utilisés pour différentes applications. Le Machine
Learning est exploité par les programmes prédictifs de la finance ou de la
météo, les identificateurs de spam dans les emails, ou encore les
programmes visant à concevoir des traitements personnalisés pour les
malades.
Le Deep Learning est utilisé pour les recommandations des services de
streaming, la reconnaissance faciale, mais également pour les véhicules
autonomes. Grâce aux réseaux de neurones, les voitures sont capables de
déterminer les objets à éviter, de reconnaître les feux tricolores et les
panneaux, et de savoir quand accélérer ou ralentir.
Question 3 : Expliquer le rôle de la machine de l’intelligence
artificielle dans la notion de machine learning
L’apprentissage automatique (machine learning en anglais) est un champ
d’étude de l’intelligence artificielle qui vise à donner aux machines la
capacité d’« apprendre » à partir de données, via des modèles
mathématiques. Plus précisément, il s’agit du procédé par lequel les
informations pertinentes sont tirées d’un ensemble de données
d’entraînement.
Le but de cette phase est l’obtention des paramètres d’un modèle qui
atteindront les meilleures performances, notamment lors de la réalisation
de la tâche attribuée au modèle. Une fois l’apprentissage réalisé, le
modèle pourra ensuite être déployé en production.
L’IA enrichit les capacités informatiques existantes en accomplissant
continuellement et de manière fiable des tâches et des informations
informatisées. L’IA peut vous aider à améliorer vos résultats grâce à :
Des processus et tâches automatisés
Un nombre réduit de fautes et d’erreurs humaines
Une augmentation de la productivité et de l’efficacité opérationnelle
Une amélioration des décisions commerciales grâce à l’accès aux
données en temps réel
Une amélioration de l’apprentissage des données grâce à un accès
accru à de vastes pools de données
Une amélioration du service grâce à une meilleure connaissance du
client