Ia project Apprentissage Automatique

1

Intelligence ARTIFICIEL

Apprentissage automatique

Nizar BECHIR

2

Plan

Introduction

Apprentissage automatique

Apprentissage supervisé

Apprentissage non supervisé

Apprentissage par renforcement

Conclusion

3

Apprentissage automatique

L'apprentissage automatique fait reference au developpement,

l'analyse et l'implementation des methodes qui permettent a une

machine (au sens large) d'evoluer et ainsi de remplir des taches

qu'il est difficile ou impossible de remplir par des moyens

algorithmiques plus classiques

4

Herbert Simon :

<< L'apprentissage dénote des changements dans un systeme

qui ... lui permet de faire la mème tache plus efficacement la prochaine fois.

>>

5

qu’est ce que c’est-à-dire « machine apprend » ?

6

Pourquoi l’apprentissage automatique ?

7

Exemple de systemes apprenant

Un robot ayant la capacite de bouger ses membres mais ne sachant initialement rien de la coordination des mouvements permettant la marche,peut apprendre a marcher.

Le robot commencera par effectuer des mouvements aleatoires, puis, en

selectionnant et privilegiant les mouvements lui permettant d'avancer, mettra

peu a peu en place une marche de plus en plus efficace. video

8

2 grands types d'apprentissage :

Apprentissage supervisé

Apprentissage non supervisé

Apprentissage par renforcement

9

◦ Apprentissage supèrvisé

Le but est de generaliser à des entrées inconnues ce qui a

pu etre appris grace aux donnees deja traitees par des

experts

donc, géneralement l’Objectif est de déterminer une

fonction de prediction f selon les données d'apprentissage

10

Selon ces données d'apprentissage qui sont N couples entrée-sortie (xn ; yn ) le système va chercher la fonction adéquate

A quelle fonction correspond cet ensemble de points ?

11

Le principe de ce système est que

« les hypothèses suffisantes les plus simples sont les plus vraisemblables »

12

Quelques exemples classiques de techniques de

classification supervisée :

Les réseaux de neurones, très utilisés dans les années 80-90, sont inspirés à l’origine du fonctionnement du cerveau humain.

Les arbres de décision modélisent la fonction à apprendre par une succession de critères organisés suivant une structure arborescente.

Les « SVM » ou « machines à vecteurs supports » sont les techniques les plus efficaces pour résoudre ce problème à l’heure actuelle.

13

Apprentissage par renforcement

Le système apprenant est agent en interaction avec

un environnement

Le problème est découpé en pas de temps

A chaque pas, l'agent

-perçoit l‘état de l'environnement,

-puis, exécute une action dans l'environnement

14

Le but de l'agent est de trouver un comportement qui maximise le

renforcement (récompense)

15

./Principe de fonctionnement

1.L’agent décide d’effectuer une action en fonction de son état pour interagir avec son environnement.

2.L'environnement renvoie un renforcement sous la forme d’une récompense positive ou négative.

3.L’agent observe les effets de ses actions.4.L’agent déduit de ses observations la qualité de ses

actions.5.L’agent améliore ses actions futures.

16

Dans un problème d'apprentissage par

renforcement, un agent évoluant dans un environnement aléatoire doit cumuler un maximum de récompenses en choisissant au fil du temps la meilleure politique, c'est-à-dire la meilleure réaction possible à ses observations. Une telle situation est modélisée par un processus de décision markovien

17

18

Récomponse

19

Exemple pratique..

20

21

Conclusion

L'apprentissage automatique regroupe les techniques permettant a une machine d'adapter et d'améliorer ses performances par l'expèrience

22

Référence

https://tel.archives-ouvertes.fr/tel-00933937/document

blog.octo.com/apprentissage-par-renforcement-de-la-theorie-a-la-pratique/