Remerciez-le!

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

L’apprentissage supervisé :  Popularité de la publicité: La sélection des publ

L’apprentissage supervisé :  Popularité de la publicité: La sélection des publicités qui fonctionnent bien est souvent une tâche d'apprentissage supervisé. De nombreuses publicités que vous voyez lorsque vous naviguez sur Internet y sont placées car un algorithme d'apprentissage a déclaré qu'elles étaient d'une popularité (et d'une cliquabilité) raisonnables. De plus, son placement associé sur un certain site ou à une certaine requête (si vous vous retrouvez à utiliser un moteur de recherche) est en grande partie dû à un algorithme appris disant que la mise en correspondance entre l'annonce et le placement sera efficace.  Classification du spam: si vous utilisez un système de messagerie moderne, il est probable que vous ayez rencontré un filtre anti-spam. Ce filtre anti-spam est un système d'apprentissage supervisé. Nourris d'exemples et d'étiquettes d'e-mails (spam / non spam), ces systèmes apprennent à filtrer de manière préventive les e-mails malveillants afin que leur utilisateur ne soit pas harcelé par eux. Beaucoup d'entre eux se comportent également de telle sorte qu'un utilisateur peut fournir de nouvelles étiquettes au système et il peut apprendre les préférences de l'utilisateur.  Reconnaissance faciale: utilisez-vous Facebook? Très probablement, votre visage a été utilisé dans un algorithme d'apprentissage supervisé qui est formé pour reconnaître votre visage. Avoir un système qui prend une photo, trouve des visages et devine qui est sur la photo (suggérant une étiquette) est un processus supervisé. Il comporte plusieurs couches, trouvant des visages puis les identifiant, mais il est toujours supervisé. L’apprentissage non supervisé :  Systèmes de recommandation: Si vous avez déjà utilisé YouTube ou Netflix, vous avez probablement rencontré un système de recommandation vidéo. Ces systèmes sont souvent placés dans le domaine non supervisé. Nous savons des choses sur les vidéos, peut-être leur durée, leur genre, etc. Nous connaissons également l'historique de visionnage de nombreux utilisateurs. En tenant compte des utilisateurs qui ont regardé des vidéos similaires à celles de vous et qui ont ensuite apprécié d'autres vidéos que vous n'avez pas encore vues, un système de recommandation peut voir cette relation dans les données et vous proposer une telle suggestion.  Habitudes d'achat: Il est probable que vos habitudes d'achat soient contenues dans une base de données quelque part et que les données soient achetées et vendues activement en ce moment. Ces habitudes d'achat peuvent être utilisées dans des algorithmes d'apprentissage non supervisés pour regrouper les clients dans des segments d'achat similaires. Cela aide les entreprises à commercialiser ces segments groupés et peut même ressembler à des systèmes de recommandation.  Regroupement des journaux des utilisateurs: Moins de contacts avec les utilisateurs, mais toujours très pertinents, nous pouvons utiliser l'apprentissage non supervisé pour regrouper les journaux et les problèmes des utilisateurs. Cela peut aider les entreprises à identifier les thèmes centraux des problèmes auxquels leurs clients sont confrontés et à les résoudre, en améliorant un produit ou en concevant une FAQ pour traiter les problèmes courants. Quoi qu'il en soit, c'est quelque chose qui est activement fait et si vous avez déjà soumis un problème avec un produit ou soumis un rapport de bogue, il est probable qu'il ait été transmis à un algorithme d'apprentissage non supervisé pour le regrouper avec d'autres problèmes similaires. L'apprentissage par renforcement :  Jeu de Mario : Dans le jeu de Mario, notre agent est notre algorithme d'apprentissage et notre est le jeu (probablement un niveau spécifique). Notre agent a un ensemble d'actions. Ce seront nos états de bouton. Notre état mis à jour sera chaque image de jeu au fil du temps et notre signal de récompense sera le changement de score. Tant que nous connectons tous ces composants ensemble, nous aurons mis en place un scénario d'apprentissage par renforcement pour jouer au jeu Mario.  Jeux vidéo: L'un des endroits les plus courants pour étudier l'apprentissage par renforcement est d'apprendre à jouer à des jeux. Regardez l'application d'apprentissage par renforcement de Google, AlphaZero et AlphaGo, qui a appris à jouer au jeu Go. Notre exemple Mario est également un exemple courant. Actuellement, je ne connais aucun jeu de qualité production doté d'un agent d'apprentissage par renforcement comme IA de jeu, mais je peux imaginer que ce sera bientôt une option intéressante pour les développeurs de jeux.  Simulation industrielle: pour de nombreuses applications robotiques (pensez aux chaînes de montage), il est utile que nos machines apprennent à effectuer leurs tâches sans avoir à coder en dur leurs processus. Cela peut être une option moins chère et plus sûre; il peut même être moins sujet à l'échec. Nous pouvons également inciter nos machines à utiliser moins d'électricité, afin de nous faire économiser de l'argent. De plus, nous pouvons commencer tout cela dans une simulation afin de ne pas gaspiller d'argent si nous cassons potentiellement notre machine.  Gestion des ressources: l'apprentissage par renforcement est bon pour naviguer dans des environnements complexes. Il peut gérer la nécessité d'équilibrer certaines exigences. Prenons, par exemple, les centres de données de Google. Ils ont utilisé l'apprentissage par renforcement pour équilibrer le besoin de satisfaire nos besoins en énergie, mais le faire aussi efficacement que possible, en réduisant les coûts importants. Comment cela nous affecte-t-il, nous et la personne moyenne? Des coûts de stockage de données moins chers pour nous aussi et moins d'impact sur l'environnement que nous partageons tous. L'apprentissage par renforcement est utilisé dans plusieurs applications : robotique, gestion de ressources, vol d'hélicoptères, chimie. Cette méthode a été appliquée avec succès à des problèmes variés, tels que le contrôle robotique, le pendule inversé, la planification de tâches, les télécommunications, le backgammon et les échecs. NLP : a. Email filters Les emails filters (filtres de messagerie) sont l'une des applications les plus basiques et les plus initiales de la NLP en ligne. Tout a commencé avec des filtres anti-spam, découvrir certains mots ou phrases qui signalent un message de spam. Mais le filtrage s'est amélioré, tout comme au début adaptations de la NLP. L'une des applications les plus courantes et les plus récentes de la NLP se trouve dans la classification des e-mails de Gmail. Le système reconnaît si les e-mails appartiennent à l'une des trois catégories (principale, sociale ou promotionnelle) en fonction de leur contenu. Pour tous les utilisateurs de Gmail, cela maintient votre boîte de réception à une taille gérable avec les e-mails importants et pertinents que vous souhaitez consulter et répondre rapidement. b. Smart assistants Des assistants intelligents comme Siri d'Apple et Alexa d'Amazon reconnaissent les modèles de parole grâce à la reconnaissance vocale, puis déduire un sens et fournir une réponse utile. Nous nous sommes habitués au fait que nous pouvons dire «Hey Siri», posez une question, et elle comprend ce que nous avons dit et répond avec des réponses pertinentes basées sur le contexte. Et nous nous habituons à voir Siri ou Alexa apparaître dans toute notre maison et notre vie quotidienne alors que nous discutons avec eux à travers des éléments tels que le thermostat, les interrupteurs d'éclairage, la voiture, etc. c. Search results Les moteurs de recherche utilisent la NLP pour afficher des résultats pertinents basés sur des comportements de recherche similaires ou des intentions de l'utilisateur afin que la personne moyenne trouve ce dont elle a besoin sans être un assistant de recherche. Par exemple, Google prédit non seulement quelles recherches populaires peuvent s'appliquer à votre requête lorsque vous commencez à taper, mais il regarde l'image dans son ensemble et reconnaît ce que vous essayez de dire plutôt que les mots de recherche exacts. Quelqu'un pourrait mettre un numéro de vol dans Google et obtenir le statut du vol, taper un symbole boursier et recevoir des informations boursières, ou une calculatrice peut apparaître lors de la saisie d'une équation mathématique. Voici quelques variantes que vous pouvez voir lorsque vous effectuez une recherche, car la NLP dans la recherche associe la requête ambiguë à une entité relative et fournit des résultats utiles. d. Predictive text Des choses comme la correction automatique, la saisie semi- automatique et le texte prédictif sont si courantes sur nos smartphones que nous les prenons pour acquis. Le texte de saisie semi-automatique et prédictif est similaire aux moteurs de recherche en ce sens qu'ils prédisent les choses à dire en fonction de ce que vous tapez, en terminant le mot ou en suggérant un mot pertinent. Et la correction automatique changera parfois même les mots pour que le message global ait plus de sens. Ils apprennent également de vous. Le texte prédictif s'adapte à vos particularités linguistiques personnelles au fur et à mesure que vous l'utilisez. e. Language translation Avec la NLP, les traducteurs en ligne peuvent traduire des langues plus précisément et présenter des résultats grammaticalement corrects. Ceci est infiniment utile lorsque vous essayez de communiquer avec quelqu'un dans une autre langue. Non seulement cela, mais lors de la traduction d'une autre langue vers la vôtre, les outils reconnaissent désormais la langue en fonction du texte saisi et le traduisent. f. D’autres exemples : Digital phone calls/ Data analysis/ Text analytics/ Chatbots/ Sentiment Analysis uploads/Industriel/ bert.pdf