Post on 12-Sep-2018
transcript
Introduction
Lille 3
Rapidehistorique
MotivationRégression
Classification
Clustering
IntroductionL’apprentissage automatique (2016-2017)
UFR MIME
Université Lille 3
7 décembre 2016
Introduction
Lille 3
Rapidehistorique
MotivationRégression
Classification
Clustering
Sommaire
1 Rapide historique
2 MotivationRégressionClassificationClustering
Introduction
Lille 3
Rapidehistorique
MotivationRégression
Classification
Clustering
Intelligence Artificielle
Intelligence :Capacité de percevoir l’informationTransformer en connaissanceAppliqué dans un environnement ou un contexte specifique
capacité à prendre de “bonnes” décisions étant donné uncertain critère.Intelligence Artificielle : (terme attribué à Minsky 1956)Programmation des ordinateurs pour qu’ils réalisent des tachesqui nécessitent de l’intelligence lorsqu’elles sont réalisés par desêtres humainsApprentissage automatique : une certaine forme d’IA quiprivilégie la généralisation à partir d’exemples
Introduction
Lille 3
Rapidehistorique
MotivationRégression
Classification
Clustering
Intelligence Artificielle
Considérer les taches suivantes :
Voiture autonome (Tesla, Google, BMW, Citroen...)Detection d’objets dans une image(scence)Traduction automatique de texte (google translate)Jeux d’échecs ou Go (deep blue, alpha-go)
Introduction
Lille 3
Rapidehistorique
MotivationRégression
Classification
Clustering
Intelligence Artificielle
Pour un ordinateur :Le problème est trop complexe compte tenu de plusieursobservations, estimations et decisions à fairePourtant, nous savons conduire, indentifier des visages,transcripter le voix, jouez aux échecs.
Points communs :
On a eu des exemples et demos pour achever des tâchesInstruction et exemples donner par dirigeant/parentApprentissage par notre experience
L’apprentissage consiste à construire un modèle à partir desexemples.
Introduction
Lille 3
Rapidehistorique
MotivationRégression
Classification
Clustering
Intelligence artificielle aujourd’hui
IA Classique : SymbolisteSymboliqueSystème à la base desrègles logiques construite àla mainSuccès moderne :Deep-Blue a battuKasparov aux échecs en1996Etudier l’incertain :Modèles graphiquesprobabilistes, d’inférencegrammaticale probabiliste
ConnexionisteSub-symbolique :phénomènes peuvent êtredécrits à l’aide de réseauxd’unités simplesinterconnectéesOrigine des sciencescognitivesSuccès moderne :Apprentissage profond(deep learning)Apprentissage statistique(Statistical MachineLearning)
Introduction
Lille 3
Rapidehistorique
MotivationRégression
Classification
Clustering
PanoramaRéférence pour lire (pas de math) : Master Algorithm par Pedro Dominingos
Introduction
Lille 3
Rapidehistorique
MotivationRégression
Classification
Clustering
Intelligence artificielle aujourd’hui
Les algorithmes d’apprentissage automatiquesd’aujourd’hui s’inspirent toujours desneurosciences/sciences cognitives, mais aussi de la“beauté” des mathématiques et de solutions d’ingénierie.Ils sont utilisés dans de multiples domaines : interfacehomme/machine, biologie, finance, neurosciences, etc.Domaines voisins :
fouilles de données (data mining)reconnaissance de motifs (pattern recognition, computervision)
Introduction
Lille 3
Rapidehistorique
MotivationRégression
Classification
Clustering
Taxonomie
Apprentissage supervisée : Interaction avec environnementet l’utiliser pour expériences comme expertise(Classification, Régression)Apprentissage non-supervise : résumer ou compresserl’information(Clustering/estimation densité)
Deux histoires :"Pigeon Superstition" : lien"Poison shyness" dans les rats : (Garcia & Koelling 1996 )
morale de l’histoire : Incorporation des connaissance à prioribias d’apprentissage (pour des algorithmes)
Introduction
Lille 3
Rapidehistorique
MotivationRégression
Classification
Clustering
MotivationExemple concret : Régression
Détermination de l’âge d’un gastéropode :Par comptage au microscope du nombre d’anneaux sur lecoquillage ← tache laborieuse.A travers d’autres mesures : sexe, diam‘etre, longueur,poids total, poids du coquillage, etc.facile a obtenir.Exemples d’entrainement : {(mesures rapides, âge)}.Tâche de régression : On veut prédire l’âge de l’animaluniquement à partir des mesures rapides.
Introduction
Lille 3
Rapidehistorique
MotivationRégression
Classification
Clustering
MotivationExemple concret : Classification
Classification de chiffres écrits :Reconnaissance des codes postaux pour le tri automatiquedu courrier.La classification automatique : exemples d’entrainement =(image, chiffre).On veut prédire le chiffre correct la prochaine fois qu’onvoit une image.
Introduction
Lille 3
Rapidehistorique
MotivationRégression
Classification
Clustering
MotivationExemple concret : Estimation de densité/ Classement (Clustering)
Compression / Visualisation / Exploration de données :Temps entre deux éruptions par rapport à la durée del’éruption précédente.Exemples d’entrainement = (mesures)Tache non-supervisée : On veut "organiser" l’informationcontenue implicitement dans ces données.