1
Fondements de l’Apprentissage Machine
(FAM)
Introduction
Ma. C. M. BENTAOUZA
[Link]@[Link]
2
• Nombre d’heures d’enseignement cours : 22h30
• Nombre d’heures de travail personnel pour l’étudiant : 25h TP
• Nombre de crédits : 2
• Coefficient de la Matière : 2
3
Réglementation
• Présence -> non obligatoire
• Retard -> ne pas déranger
• Portable -> éteint ou silencieux
• Discussion -> ne pas exagérer
• Question -> ne pas se vanter
• Travail de groupe + consultation personnelle
• Test personnel
• Cours en français, mais documentation en anglais
• Prise de contact avec étudiant
4
Objectifs
• Algorithmes d’apprentissage pour la
classification
• Initiation aux fondements et techniques de l’apprentissage machine:
l’étude et le développement d’algorithmes.
• Illustration des applications telles que les programmes de fouille de
données :
• La découverte des règles générales à travers des bases de données
volumineuses.
• La pluridisciplinarité de la théorie de l’apprentissage :
les concepts de l’intelligence artificielle, probabilités et statistiques,
théorie de l’information, psychologie, neurobiologie et d’autres
domaines.
5
Contenu
• Introduction à l’apprentissage artificiel
• Apprentissage des concepts et l’ordre du général
au particulier
• Apprentissage à l’aide des arbres de décision
• Réseaux de neurones
• Introduction à l’apprentissage Bayesien
• Introduction à l’apprentissage basé sur les
instances
• Algorithmes génétiques
• Séparateurs à vaste marge
6
Intelligence artificiel
• « recherche de moyens susceptibles de doter les
systèmes informatiques de capacités
intellectuelles comparables à celles des êtres
humains »
• A.I. Intelligence artificielle (Artificial
Intelligence: A.I.) est un film américain de
Steven Spielberg, appartenant au genre de la
science-fiction, et sorti en 2001.
7
Approche de l’IA
• Classique
Systèmes à base de règles construites à la main.
Ex : systèmes experts.
• Connexionniste
Inspirée du fonctionnement du cerveau
Ex : réseaux neuronaux
L’apprentissage est au cœur de cette approche.
8
Approche classique
• description formelle des contraintes de l’entrée
et de la sortie souhaitée
• compréhension du problème computationnel
• design d’une solution algorithmique basée sur
ces connaissances
Problèmes
• Connaissances incomplètes
• Algorithme trop couteux
9
Approche connexionniste
• données (exemples) de forme (entrée, sortie)
• compréhension partielle du problème:
• =>connaissances apriori
• apprendre: chercher dans un ensemble de
fonctions
• L’apprentissage est au cœur de cette approche.
10
Domaines d’application
• Les systèmes experts,
• L’apprentissage automatique,
• Le traitement automatique des langues,
• La reconnaissance de formes, des visages et la
vision en général, etc.
11
Apprentissage automatique
• L'apprentissage automatique (machine-
learning en anglais) est un des champs d'étude de
l'intelligence artificielle.
• L'apprentissage automatique fait référence au
développement, à l'analyse et à l'implémentation de
méthodes qui permettent à une machine d'évoluer
grâce à un processus d'apprentissage, et ainsi de
remplir des tâches qu'il est difficile ou impossible de
remplir par des moyens algorithmiques plus
classiques.
12
Sous domaines d’apprentissage
• Inspirer des êtres vivants pour concevoir des machines
capables d'apprendre. Ainsi, même si l'apprentissage
automatique est avant tout un sous-domaine de
l'informatique, il est également intimement liée aux :
• Sciences cognitives: compréhension des mécanismes
humain.
• Neurosciences: étude de l'anatomie et du
fonctionnement du système nerveux.
• Biologie: sciences du vivants.
• Psychologie: l'étude scientifique des faits psychiques.
13
Types d’apprentissage
• L'apprentissage supervisé : un expert est
employé pour étiqueter correctement des
exemples. L'apprenant doit alors trouver ou
approximer la fonction qui permet d'affecter la
bonne étiquette à ces exemples.
• L'apprentissage non-supervisé : Aucun
expert n'est disponible. L'algorithme doit
découvrir par lui-même la structure des
données.
14
Algorithmes d’apprentissage
• les machines à vecteur de support
• les réseaux de neurones pour un apprentissage
supervisé ou non-supervisé
• la méthode des k plus proches voisins pour un
apprentissage supervisé
• les arbres de décision
• la logique floue
• les algorithmes génétiques
15
Applications
• Reconnaissance des formes
écriture
parole
empreinte digitale
• Forage de texte
Google
classification de textes
• Bioinformatique
prédiction du risque de cancer
détection de cancer
• Traitement de langage
prédiction du prochain mot
16
• Apprendre n’est pas simplement mémoriser...
• C’est être capable de généraliser!
17
Généralisation
• On nous donne des exemples (des données)
• On nous présente un nouveau cas et il faut
prendre une décision
18
Cas: Apprentissage à partir d’exemples
• Présenter trois images différentes du même
objet.
• Ecrire un algorithme qui reconnaît l’objet !
• Vous savez programmer: comment feriez-vous ?