Remerciez-le!

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

10/11/2022 1 Chapitre 3 : Apprentissage automatique 41 Dr. Mariam BOUCHEKWA – C

10/11/2022 1 Chapitre 3 : Apprentissage automatique 41 Dr. Mariam BOUCHEKWA – Cours Mini-Projet en Intelligence Artificielle : Introduction to Graduation Chapitre 3 : Apprentissage automatique 1. Place de l’AA 2. Types de l’AA 3. Machine Learning 4. Deep Learning 5. Mesures de Performance 6. Exemples d’application de l’AA Intelligence artificielle L’IA est toute la théorie de développement de systèmes et de logiciels qui ont pour vocation le fait d’imiter de l’intelligence humaine. Une machine en IA peut effectuer un raisonnement logique, un apprentissage ou également une autocorrection afin de générer des prédictions, des régressions, de prendre des décisions, de catégoriser les instances d’un jeu de données, etc. Machine Learning (apprentissage par machine) Le ML est un sous domaine de l’IA. Contrairement à la programmation traditionnelle qui se contente d’exécuter des règles prédéterminées, la politique du ML consiste à développer des modèles qui sont capables d’apprendre à partir d’expériences ou de jeux de données. Deep Learning (apprentissage profond) Le DL est un sous domaine du ML qui s'appuie sur les réseaux de neurones artificiels simulés du cerveau humain. Contrairement aux modèles du ML et tout en exposant le réseau de neurones adopté à une grande quantité de données, les algorithmes DL permettent d’extraire d’une façon autonome des caractéristiques pertinentes, de les analyser afin de comprendre ce qui se passe pour pouvoir apprendre. 10/11/2022 2 42 Dr. Mariam BOUCHEKWA – Cours Mini-Projet en Intelligence Artificielle : Introduction to Graduation Chapitre 3 : Apprentissage automatique 2. Types de l’AA 3. Machine Learning 4. Deep Learning 5. Mesures de Performance 6. Exemples d’application de l’AA Data Science La Data Science est un domaine multidisciplinaire qui inclus l’acquisition des données, le nettoyage, l’extraction de connaissances, la normalisation, la modélisation (développement de modèles de l’IA), etc. La Data Science emploie des théories et des techniques tirées de plusieurs autres domaines, notamment la mathématique, la statistique, la théorie de l’information, les technologies de l’information (le traitement de signal), les modèles probabilistes, l’apprentissage automatique, la programmation informatique, la reconnaissance de formes, etc. 1. Place de l’AA IA vs ML vs DL vs DS 43 Dr. Mariam BOUCHEKWA – Cours Mini-Projet en Intelligence Artificielle : Introduction to Graduation Chapitre 3 : Apprentissage automatique 2. Types de l’AA 3. Machine Learning 4. Deep Learning 5. Mesures de Performance 6. Exemples d’application de l’AA 1. Place de l’AA Remarque : Big Data Le Big Data est une discipline qui consiste à assurer un traitement parallèle d’une grande quantité de données, à savoir le filtrage, la classification et le clustering. Il arrive donc qu’on puisse avoir recours aux techniques de Big Data en Data Science, particulièrement quand la quantité des données à traiter devient très importante. Data Mining Le Data Mining est une partie de la Data Science. Il s’agit de l’art d’extraction des connaissances à partir des données brutes provenant par exemple des entrepôts (Datawarehouse), des bases de données distribuées ou d’autres sources. 10/11/2022 3 44 Dr. Mariam BOUCHEKWA – Cours Mini-Projet en Intelligence Artificielle : Introduction to Graduation Chapitre 3 : Apprentissage automatique 2. Types de l’AA 3. Machine Learning 4. Deep Learning 5. Mesures de Performance 6. Exemples d’application de l’AA 1. Place de l’AA A- Apprentissage supervisé L’apprentissage supervisé consiste à prédire les classes d’un ensemble d’instances à partir d’un ensemble d’apprentissage (base d’apprentissage). Les instances de cet ensemble sont fournies avec leurs classes (étiquettes), généralement renseignés par un expert. Les problèmes d’apprentissage supervisé sont réellement divisés en deux catégories : les problèmes de classification et les problèmes de régression. Les problèmes de classification consistent à prédire les classes d’un ensemble d’instances à partir d’une base d’apprentissage préétiquetée. En régression, il s’agit de prédire des valeurs numériques continues pour un ensemble d’instances à partir d’une base d’apprentissage préétiquetée. La classification peut être considérée comme un cas particulier de régression où les valeurs à prédire sont finies. L’apprentissage supervisé peut être réalisé moyennant un grand nombre de méthodes et d’algorithmes tels que les arbres de décision (DT), les k plus proches voisins (K-NN), les Séparateurs à Vaste Marge (SVM), les réseaux Bayésiens, les réseaux de neurones (ANN), Convolutional Neural Network (CNN), etc. 45 Dr. Mariam BOUCHEKWA – Cours Mini-Projet en Intelligence Artificielle : Introduction to Graduation Chapitre 3 : Apprentissage automatique 2. Types de l’AA 3. Machine Learning 4. Deep Learning 5. Mesures de Performance 6. Exemples d’application de l’AA 1. Place de l’AA B- Apprentissage non supervisé En apprentissage non-supervisé, les classes des instances de l’ensemble d’apprentissage sont inconnues (non-étiquetées). Cette technique consiste à chercher un partitionnement des données en des ensembles où les instances ayant des caractéristiques assez similaires entre eux mais relativement différentes de celles des autres ensembles. Le Clustering fait partie des tâches non-supervisées. Son objectif consiste à découvrir des groupes homogènes d’instances en fonctions de leurs critères de similarités. Parmi les algorithmes d’apprentissage non supervisé, nous pouvons citer : K-moyenne (K-means clustering), Réduction de la dimensionnalité (Dimensionality Reduction), Analyse des composants principaux (Principal Component Analysis), Décomposition en valeur singulière (Singular Value Decomposition), Analyse en composantes indépendantes (Independent Component Analysis), Modèles de distribution (Distribution models) et Classification hiérarchique (Hierarchical clustering), etc. 10/11/2022 4 46 Dr. Mariam BOUCHEKWA – Cours Mini-Projet en Intelligence Artificielle : Introduction to Graduation Chapitre 3 : Apprentissage automatique 2. Types de l’AA 3. Machine Learning 4. Deep Learning 5. Mesures de Performance 6. Exemples d’application de l’AA 1. Place de l’AA C- Apprentissage semi supervisé Pour améliorer la performance de génération d’un modèle de prédiction basé sur des algorithmes d’apprentissage supervisé, il faut augmenter la quantité d’instances étiquetées utilisés durant la phase d’apprentissage. Cependant, le coût associé à l’étiquetage est souvent élevé, puisqu’ il requiert un travail manuel. D’où l’idée de l’apprentissage semi-supervisé qui consiste à utiliser peu de données étiquetées et un grand nombre de données non étiquetées. Parmi les techniques d’apprentissage semi-supervisé : l’auto-apprentissage, le coapprentissage, S3VM, T-SVM, etc. D- Apprentissage Par renforcement En intelligence artificielle, l'apprentissage par renforcement consiste, pour un agent autonome (un robot par exemple), à apprendre des actions à partir d'expériences, de façon à optimiser une récompense au fil du temps. L'agent est alors plongé au sein d'un environnement et prend des décisions en fonction de son état actuel. En contrepartie, l'environnement procure à l'agent une récompense, qui peut être soit négative soit positive. L’objectif de l’agent est alors de minimiser ou de maximiser la somme des récompenses au cours du temps. Parmi les algorithmes d'apprentissage par renforcement, on cite le Temporal difference learning (TD-learning) et le Q-learning. 47 Dr. Mariam BOUCHEKWA – Cours Mini-Projet en Intelligence Artificielle : Introduction to Graduation Chapitre 3 : Apprentissage automatique 2. Types de l’AA 3. Machine Learning 4. Deep Learning 5. Mesures de Performance 6. Exemples d’application de l’AA 1. Place de l’AA E- Apprentissage Par Transfert Le Transfer Learning, désigne l’ensemble des méthodes qui permettent de transférer les modèles acquises, à partir de la résolution de problèmes donnés, pour traiter un autre problème. uploads/Management/ mini-ia-etudiant-chap3 3 .pdf