Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

Apprentissage 12 Intelligence Arti ?cielle NFP Année - Apprentissage F -Y Villemin http deptinfo cnam fr Apprentissage Trois grandes approches d ? apprentissage Luger ? Symbolique Logique Réseaux Bayésiens Cha? nes cachées de Markov Processus de décision

Intelligence Arti ?cielle NFP Année - Apprentissage F -Y Villemin http deptinfo cnam fr Apprentissage Trois grandes approches d ? apprentissage Luger ? Symbolique Logique Réseaux Bayésiens Cha? nes cachées de Markov Processus de décision de Markov ? Connexionniste réseaux de neurones ? Génétique algorithmes génétiques programmation génétique Il peut y avoir d ? autres classi ?cation Russel Norvig Trois grands modes dapprentissage Luger ? Supervisé Par un humain Par trace dexplication ? Non supervisé ? Par renforcement Signal venant de l environnement Non traité dans le cours ? F -Y Villemin Plan ? Apprentissage ? Induction ? Règles d'inférence inductive ? Apprentissage de concepts ? Espace de versions ? Arbres de décision ? ID ? Analogie ? F -Y Villemin Apprentissage Deux grandes catégories d ? apprentissage ? Par induction ? Par analogie Apprentissage symbolique supervisé ? Induction de concept simple ? Espace de versions ? ID arbres de décision ? Apprentissage par explication ? Apprentissage par démonstration ? Apprentissage par renforcement R Sutton A Barto Reinforcement Learning An introduction MIT Press ? Apprendre une stratégie pour maximiser une valeur numérique récompense ? Formalisé par les processus de décision de Markov ? F -Y Villemin CApprentissage Logique P P Q Q Déduction Abduction Induction modus ponens diagnostic apprentissage ? F -Y Villemin Induction Processus de dérivation de sentences plus générales à partir de sentences établies pour certains cas spéci ?ques par application d'un ensemble de règles d'inférence inductive ? Théorie du domaine Th ? Ensemble F f f ? fn de faits à généraliser généralisations consistantes G Th ?? f f F Th ?? G Th F ?? G Th G f f F faits non redondants conclusion inconnue consistance généralisation Condition Th F G en général pas satisfaite généralisations G pas nécessairement vraies dans tous les modèles de Th F ? F -Y Villemin Concepts Concept représentation mentale abstraite qui nous permet de catégoriser des objets de l'environnement ? Abstrait ne représente pas d'objet spéci ?que concret ? Unité fondamentale de la connaissance joue un rôle central dans la cognition Catégorie regroupement concret d'objets représentant le concept Un concept permet de catégoriser Apprentissage d'un concept C à partir d'exemples instances xi du concept x ? xn Apprentissage échantillon d apprentissage X ? F -Y Villemin H C hypothèse Règles d'inférence inductive Acquisition de concept A partir de sentences de la forme F p S l'élément caractérisé par p est une instance du concept décrit par S obtenir une sentence généralisée de la forme G P S tout élément caractérisé par P est une instance du concept décrit par S Pour généraliser F en G faut inférer des assertions généralisées P véri ?ant p P Symbole pour annoter les règles d'inférence qui non nécessairement adéquates P x a P x b P x c ? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? généralisation standard 'x p x ? F -Y Villemin