MACHINE LEARNING (TOM) (INTELLIGENCE ARTIFICIELLE)

+ Pays-Region-Ville

Pays
Chine (1)
Region
Monde (1)
Ville

FICHIER PDF

FICHIER WMV(VIDEO)

Date/Heure :		Sigle : Code :
Nom Long :		Nom (Anglais) :
		Résumé (Anglais) :
Résumé :	Vulgarisation Que nous parlons d'un fantasme de science-fiction, du futur de l'humanité ou encore de la 4em révolution industrielle, l'intelligence artificielle n'a jamais plus été au centre de nos attentions. C'est cependant un sujet très vaste et très complexe. Pour mieux le comprendre, nous allons nous intéresser à un domaine un peu plus précis mais pas moins intéressant : Le machine learning Vous avez tous déjà entendu parler du machine learning (Apprentissage automatique en français) sans réellement savoir ce que c'est. Je vais, dans ce dossier, pour votre plus grand bien, vous expliquer son concept, son rôle et son mode de fonctionnement, je terminerais par une démonstration pratique. Si j'ai choisi de vous en parler, c'est parce que le machine learning est une technologie qui est dans la ligne de mire de nombreux domaines et qu'il est important de se mettre au courant des nouvelles techniques. On est en effet en train d'assister à une révolution dans la recherche, l'industrie, l'architecture, la médecine et j'en passe. Le machine learning est donc un champ d'études de l'intelligence artificielle. C'est une des techniques utilisés pour donner aux ordinateurs la capacité d'apprendre, pour simuler une intelligence. Mais pourquoi avoir un ordinateur intelligent? Car les méthodes actuelles sont très limitées et ne suffisent plus au progrès qui luit ne s'arrête pas, qui en demande toujours plus. Les ordinateurs, bien qu'ils puissent faire d'innombrables opérations doivent être programmés pour chacune des tâches à effectuer, mais cela est sur le point de changer. 1 Le machine learning, c'est quoi le concept le 27 mai 2017 est une date historique pour le machine learning. C'est en effet à cette date qu'un programme informatique à battu le champion du monde du jeu de go, un des jeux considéré comme le plus dure du monde. Cette victoire n'est pas due à n'importe quel programme, celui-ci utilise en effet le machine learning, ce qui confirme son potentiel et montre que désormais, un ordinateur vient de dépasser les capacitées humaines en prise de décision et cela sans aide. Pour avoir un ordinateur capable de résoudre des tâches sans être programmés pour chacune, il faut qu'il apprenne à se débrouiller seul et donc lui faire comprendre le lien entre la question qu'on lui pose et la réponse qu'il doit donner. Pour cela il faut, tel un jeune enfant, l'entraîner. Notre but ici est donc d'entraîner un cerveau virtuel, que l'on pourra alors utiliser, plus tard, à volonté, dans la phase dite de prédiction , avec des données pratiques. Ce cerveau que l'on veut entraîner, que l'on veut faire progresser, se nomme le modèle . Peut-on utiliser un modèle non entraîné ? Non, car il ne sait, tel un nouveau-né, pas faire grand-chose. Il faut donc le faire passer par une phase d'apprentissage . Mais pas n'importe quel apprentissage, car il y en a différents types. Nous allons nous intéresser à un type en particulier : l'apprentissage supervisé . Ce modèle ne peut pas apprendre seul sans un support. Un enfant ne pourra, par exemple, jamais faire la différence entre un chien et un chat s'il n'en a jamais vu ! On va donc devoir lui présenter des données qui seront la base de notre apprentissage et c'est à travers ces données que notre modèle va pouvoir nous donner une réponse. les données Le rôle des données est fondamental car c'est l'unique source de connaissance de notre modèle, son unique point d'accroche à la réalité. Gardons cet exemple : On veut que notre modèle soit capable de faire la différence entre un chat et un chien. Voici ce qu'il va se passer : On va présenter à notre modèle une photographie de chien ou de chat et il va nous donner une réponse : 'chien' ou 'chat' Au tout début, le modèle encore vierge répondra de manière aléatoire. Le lien entre les donnés et la réponse attendue n'a pas encore été fait. Est-ce suffisant pour entraîner notre modèle ? Non, car comment savoir si le modèle à raison ? Nous, humains, pouvons lui dire, nous pouvons donc le corriger. Mais quel est l'intérêt ? Je n'ai pas envi de passer toute la journée à dire à mon algorithme s'il a donné la bonne réponse ou pas. Dans ce cas il faut faire un programme qui le corrige à notre place ! C'est justement ce qu'on essaye de faire avec notre modèle : quelque chose qui reconnaît une image. Encore une fois, il n'y a pas trop le choix, il faut que la réponse soit présente dans nos données, c'est-à-dire que pour chaque image de chien ou de chat, il y ait noté, quelque part, si c'est un chien ou un chat, comme cela, automatiquement, le modèle comparera chacune de ses réponses à la vérité, qui est présente dans les données, et ainsi se corriger ! Et c'est le fait qu'il y ait une réponse à chacune des données avec laquelle le modèle compare sa réponse que notre apprentissage est dit 'supervisé'. On peut alors noter l'importance d'avoir de bonnes données. Si les réponses inscrites dans les données ne sont pas les bonnes, notre modèle va dire n'importe quoi ! Il faut aussi que les données soient riches, car ce n'est pas avec une petite dizaine d'images que l'on devient un algorithme de reconnaissance d'image autonome. Heureusement, pour notre exemple de chat et de chien, il existe en ligne de très grandes base de données contenant toutes sortes d'images avec le nom de ce qui est représenté pour entraîner nos modèles à reconnaître toutes sorte de choses ! Notre modèle a donc désormais accès à de bonnes données ainsi que pour chaque données une réponse sur laquelle il peut s'appuyer pour progresser. Mais comment le modèle est-il capable de s'améliorer ? On y vient tout de suite, mais avant, voici un schéma résumant ce que l'on a vu jusqu'à présent. Différent types de données Catégorielle Chaînes de caractères Graphes / Réseaux Vecteurs / Matrices Image Fonctions / Séries temporelles Le modèle Attaquons-nous désormais à la pierre centrale de notre édifice : le modèle. Comment avons nous réussi à avoir un algorithme qui lorsqu'on lui pose une question, qu'il y réponde et qu'on lui donne une correction, il puisse s'améliorer, c'est à dire, au prochain coup, qu'il ne réponde plus à côté de la plaque. On peut commencer par distinguer dans un modèle les entrées et les sorties. Par exemple, pour le modèle des chats et des chiens, il y une entrée qui est l'image, et deux sorties : chient ou chat. Petite précision sur ce que j'ai précédemment dit : le modèle ne répondra pas exactement chien ou chat, il donnera en réalité un pourcentage de certitude pour chacune des sorties. Un modèle vierge répondra au début : Chien 50% Chat 50% C'est à dire que les sorties du modèle sont sous forme de pourcentage, 100% que se partagent les différentes sorties selon la certitude du modèle. Voici une représentation du problème : Ce petit schéma montre un apprentissage supervisé utilisant des données possédant chacune trois entrées et attendant deux sorties. Une utilisation concrète d'un modèle de la sorte serait par exemple de donner une position dans un espace (trois points) et qu'il nous donne par exemple la pression et la température de l'air aux coordonnées données. J'ai ici appelé la “bonne réponse” par l'étiquette . Pour résoudre le problème, il n'y a pas de magie, alors rentrons directement dans le vif du sujet. Une des solutions est de faire utiliser à notre modèle un réseau neuronal, c'est à dire un ensemble de neurones organisé. On ne parle bien sur pas de réelle matière grise que l'on a scotché à un ordinateur, mais de neurones virtuels. Je vais vous montrer comment un de ces neurone fonctionne : ================================================================= On peut voir que le neurone possède des entrées (appelées poids ) qui sont traités dans la fonction de combinaison du neurone, ce qui fait au neurone une somme pondérée . Cette somme, qui est la valeur de sortie du neurone n'est transmise uniquement si elle dépasse une certaine valeur déterminée par le seuil du neurone. Éléments de synthèse (ne pas prendre en compte) généralisation : le fait d'être capable, grâce aux exemples appris, de traiter des exemples distincts, encore non rencontrés, mais similaires. Perception, fusion,traitement d'image,data visualisation,Robotique, réalité virtuelle, IHM, Représentation des Connaissances, symbolique, règles, SMA, algorithmique, sciences cognitives ,Traitement automatique du Contrairement aux approches de modélisation « analytique » ou aux approches à base de règles, le ML fait l'hypothèse que la compréhension du fonctionnement d'un système est plus aisée en se basant sur les observations de ce système Exhaustivité - Prise en compte des contextes opérationnels réels - Pas de nécessité de compréhension du fonctionnement interne du système - Gestion possible des non linéarités, des non stationnarités, des inhomogénéités Contexte actuel du déploiement du ML : - Des techniques d'optimisation efficaces qui assurent la convergence des apprentissages et autorisent un réglage précis - L'avènement du big data qui rend cette approche très favorable grâce à la remontée d'information massive langage nature En apprentissage supervisé, le but est de produire des modèles qui généralisent , c'est-à-dire qui sont capables de faire de bonnes prédictions sur de nouvelles données De bonnes performances sur le jeu d'entraînement ne garantissent pas que le modèle sera capable de généraliser ! On cherche à développer un modèle qui soit suffisamment complexe pour bien capturer la nature des données (et éviter ainsi le sous-apprentissage), mais suffisamment simple pour éviter le sur-apprentissage . Attention aux contraintes de temps de calcul et aux ressources en mémoire ! Le but de l'algorithme de Machine Learning (Réseaux de neurones, SVM – machine à vecteurs de support, etc.) est alors de rechercher une règle générale qui fait correspondre les entrées aux sortie metric : true positif,true negatif false, positif,false negatif = matrice de confusion RSE erreur du modèle. // deep learning : famille supervisée, non superviée les réseaux neuronaux le mode de fonctionnement les données le modèle, les paramètres, usages concrets Diagnostic médical reconnaissance d'image Utilisé pour reconnaissance d'objet, moteur de recherche, analyse de données, robotique … Usage professionnel Qui a besoin du ml ? la reproductibilité (un besoin en particulier) Plusieurs outils et leurs caractéristiques Polyaxon Pourquoi Polyaxon ? Mise en place d'une plateforme démonstration d'un cas d'usage
Site Internet d'origine:	Ouvrir
Pays Région Ville
Site Web Exterieur :	Ouvrir	Email : Ecrire
Vidéo :
modification :	2019-03-20 16:37:31 création : 2019-01-26 14:16:39

CHIFFRES ASSOCIE(S) :

Pas de données chiffrées pour cet élément

Objets associés à MACHINE LEARNING (TOM) :

abonné :

oeuvres

(Sans Date Actif)

BDD

BASE DE DONNÉES

database

IMAGE

image

PROGRAMME INFORMATIQUE

program

SCIENCE-FICTION

science fiction

produits

(Sans Date Actif)

JEU DE GO

(CHINE)

articles

(Sans Date Actif)

ALGORITHME

algorithm

APPRENTISSAGE AUTOMATIQUE

Machine Learning

machine learning

DONNÉE (INFORMATIQUE)

data

ENFANT

children

ENTRAÎNEMENT

IA

INTELLIGENCE ARTIFICIELLE

PRÉDICTION

TECHNOLOGIE

technology

(MONDE )

VULGARISATION