Upload
others
View
5
Download
0
Embed Size (px)
Citation preview
1
Introduction à l'Intelligence Artificielle
avec des illustrations en langage Python
René Ebel
Orange Labs Services
29/05/2020
2
Plan
Définition simple de l'IA
Le langage Python
Bref aperçu de quelque 60 ans d'évolution
1 Vision par ordinateur
2 Optimisation combinatoire
3Apprentissage automatique
Apprentissage profond (réseaux de neurones)
4 Traitement automatique du langage naturel
Conclusion
3
Définition simple de l'IA
= l'ensemble des théories et des techniques mises en œuvre en vue de réaliser des machines capables de simuler l'intelligence.
1956 : Conférence de Dartmouth
Le terme d'intelligence artificielle est créé.
« Nous tenterons de découvrir comment
une machine pourrait utiliser le langage,
créer des abstractions et des concepts,
s’améliorer elle-même, résoudre des
problèmes qui sont aujourd’hui l’apanage
de l’intelligence humaine. »
John McCarthy
(1/2)
4
1 3
2
3
1
Problèmes typiques
Outils typiques
Définition simple de l'IA
- Finance, banques
- Militaire
- Médecine
- Droit
- Logistique, transports
- Robotique
- Jeux vidéo
- Art
- Marketing, publicité
- etc…
Domaines d'application
IA : correspond plus à un ensemble de concepts et de technologies qu'à une discipline autonome constituée.
- Optimisation (optimization)
- Optimisation combinatoire (combinatorial optimization)
- Classification automatique (statistical classification)
- Réseau de neurones artificiels (artificial neural network)
- Programmation logique (logic programming),
raisonnement automatisé (automated reasoning)
- Méthodes probabilistes (probabilistic methods)
- Perception (machine perception)
- Vision par ordinateur (computer vision)
- Reconnaissance de la parole (speech recognition)
- Apprentissage automatique (machine learning)
- Traitement automatique du langage naturel (natural language processing)
- Robotique (robotics, motion and manipulation)
- Informatique affective (affective computing, social intelligence)
- Représentation des connaissances et raisonnement (knowledge representation and reasoning)
- Système expert (expert system)
- Planification automatique (automated planning)
(2/2)
4
https://medium.com/@guillaumeandre/machine-learning-et-intelligence-artificielle-le-b%C3%A9aba-ec9cc57cf504https://medium.com/@guillaumeandre/machine-learning-et-intelligence-artificielle-le-b%C3%A9aba-ec9cc57cf504https://en.wikipedia.org/wiki/Artificial_intelligencehttps://en.wikipedia.org/wiki/Artificial_intelligence
5
Un langage de choix pour l’IA : Python
- Libre, open source
- Facile à apprendre, lisible
Pourquoi Python ?
Quelques bibliothèques populaires pour l’IA
- Très nombreuses bibliothèques disponibles
- Interfaçage aisé avec C/C++- …
Magazine « Programmez ! »(11/2018)
- Très populaire dans le monde académique
- Choix de l'éducation nationale
https://www.journaldunet.com/management/formation/1423287-quelles-sont-les-competences-en-ia-les-plus-prisees-en-france/https://www.journaldunet.com/management/formation/1423287-quelles-sont-les-competences-en-ia-les-plus-prisees-en-france/https://cache.media.education.gouv.fr/file/SP1-MEN-22-1-2019/95/7/spe631_annexe_1062957.pdfhttps://cache.media.education.gouv.fr/file/SP1-MEN-22-1-2019/95/7/spe631_annexe_1062957.pdfhttps://cache.media.education.gouv.fr/file/SP1-MEN-22-1-2019/53/0/spe630_annexe_1063530.pdfhttps://cache.media.education.gouv.fr/file/SP1-MEN-22-1-2019/53/0/spe630_annexe_1063530.pdf
6
Bref aperçu de quelque 60 ans d'évolution
7
Faits marquants : reconnaissance visuelle
images de test images d'apprentissage les plus proches
(1/5)
2011 Google Brain- Apprentissage non supervisé
sur des millions d'images
- Réseau de neurones (109 paramètres)
chat humain
1957 Perceptron MARK I(Frank Rosenblatt)
capteur optique avec
réseau de neurones artificiel
1989 LeNet (Yann LeCun, prix Turing 2019)réseau de neurones CNN (~104 paramètres)
pour la lecture d'écriture manuscrite
2012 AlexNet (Krizhevsky, Sutskever et Hinton de l'Université de Toronto)- Compétition ILSVRC (ImageNet Large Scale Visual Recognition Challenge)
- Apprentissage supervisé :
1.2 millions de photos étiquetées, 1000 catégories
- Test : 100000 photos
- Réseau de neurones CNN (60 millions de paramètres)
réponse
attendue
réponses
fournies et
probabilités
tick
https://icml.cc/2012/papers/73.pdfhttps://icml.cc/2012/papers/73.pdfhttps://blogs.umass.edu/brain-wars/files/2016/03/rosenblatt-1957.pdfhttps://blogs.umass.edu/brain-wars/files/2016/03/rosenblatt-1957.pdfhttp://yann.lecun.com/exdb/publis/pdf/lecun-89e.pdfhttp://yann.lecun.com/exdb/publis/pdf/lecun-89e.pdfhttp://image-net.org/challenges/LSVRC/2012/browse-synsetshttp://image-net.org/challenges/LSVRC/2012/browse-synsetshttp://image-net.org/challenges/LSVRC/2012http://image-net.org/challenges/LSVRC/2012https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdfhttps://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf
8
Faits marquants : jeux (2/5)
2011 Watson (IBM) remporte le jeu télévisé Jeopardy!
2017/10 AlphaGo Zero- atteint un niveau supérieur à AlphaGo en
jouant uniquement contre lui-même
- article dans "Nature" (2017/10)
1997 Deep Blue (IBM) bat aux échecs le champion du monde Garry Kasparov
1952 Jeu de dames
1979 BKG (Hans Berliner) bat le champion du monde de backgammon
20112014 AlphaGo (Google DeepMind): jeu de go- 2015 Fan Hui (champion d'Europe)
- 2016 Lee Sedol
- article dans "Nature" (2016/01)
- 2017 Ke Jie (champion du monde)
- apprentissage automatique par renforcement
- réseaux de neurones CNN
- Monte Carlo tree search (MCTS)
2019 Pluribus(Facebook,
Carnegie Mellon University)
Poker multi-joueurs
apprentissage automatique
par renforcement
2019 AlphaStar Final(Google DeepMind)
StarCraft II
apprentissage automatique
par renforcement,
réseaux de neurones
profonds
2017/12 AlphaZero- surpasse largement, par auto-apprentissage,
le niveau de tous les joueurs humains et
logiciels, non seulement au go, mais aussi
aux échecs et au shōgi
- article dans "Science" (2018/12)
- apprentissage automatique par renforcement
http://www.cs.tut.fi/~elomaa/teach/watson2013.pdfhttp://www.cs.tut.fi/~elomaa/teach/watson2013.pdfhttps://www.lanl.gov/conferences/salishan/salishan2012/Frase.pdfhttps://www.lanl.gov/conferences/salishan/salishan2012/Frase.pdfhttps://pdfs.semanticscholar.org/2fdf/6ff1a5fa2759d3265db4ddef81b2fdaae81e.pdfhttps://pdfs.semanticscholar.org/2fdf/6ff1a5fa2759d3265db4ddef81b2fdaae81e.pdfhttps://www.ibm.com/developerworks/community/files/app#/file/39ade3ad-8991-465a-826e-bfd39cd1e541https://www.ibm.com/developerworks/community/files/app#/file/39ade3ad-8991-465a-826e-bfd39cd1e541https://pdfs.semanticscholar.org/5856/de5c6f43b6562bc3e93a89e1456fa035ec5e.pdfhttps://pdfs.semanticscholar.org/5856/de5c6f43b6562bc3e93a89e1456fa035ec5e.pdfhttps://pdfs.semanticscholar.org/ee73/acc524082819c0fcdae11c1bf12234d87fec.pdfhttps://pdfs.semanticscholar.org/ee73/acc524082819c0fcdae11c1bf12234d87fec.pdfhttp://faculty.washington.edu/jwilker/559/2018/go.pdfhttp://faculty.washington.edu/jwilker/559/2018/go.pdfhttp://www.csis.pace.edu/~ctappert/dps/pdf/ai-chess-deep.pdfhttp://www.csis.pace.edu/~ctappert/dps/pdf/ai-chess-deep.pdfhttps://bkgm.com/articles/Berliner/BackgammonProgramBeatsWorldChamp/https://bkgm.com/articles/Berliner/BackgammonProgramBeatsWorldChamp/https://www.youtube.com/watch?v=C87AH3Op-J4https://www.youtube.com/watch?v=C87AH3Op-J4http://airesearch.com/wp-content/uploads/2016/01/deepmind-mastering-go.pdfhttp://airesearch.com/wp-content/uploads/2016/01/deepmind-mastering-go.pdfhttps://www.techniques-ingenieur.fr/actualite/articles/google-deepmind-la-machine-surpasse-une-nouvelle-fois-lintelligence-humaine-31609/https://www.techniques-ingenieur.fr/actualite/articles/google-deepmind-la-machine-surpasse-une-nouvelle-fois-lintelligence-humaine-31609/https://www.nature.com/articles/d41586-019-02156-9https://www.nature.com/articles/d41586-019-02156-9https://science.sciencemag.org/content/365/6456/864https://science.sciencemag.org/content/365/6456/864https://www.nature.com/articles/s41586-019-1724-zhttps://www.nature.com/articles/s41586-019-1724-zhttps://deepmind.com/blog/article/AlphaStar-Grandmaster-level-in-StarCraft-II-using-multi-agent-reinforcement-learninghttps://deepmind.com/blog/article/AlphaStar-Grandmaster-level-in-StarCraft-II-using-multi-agent-reinforcement-learninghttps://www.generation-nt.com/deepmind-alphastar-final-intelligence-artificielle-starcraft-2-actualite-1970028.htmlhttps://www.generation-nt.com/deepmind-alphastar-final-intelligence-artificielle-starcraft-2-actualite-1970028.htmlhttps://schachklub.ws/wp-content/uploads/2018/12/alfazero_paper.pdfhttps://schachklub.ws/wp-content/uploads/2018/12/alfazero_paper.pdfhttps://science.sciencemag.org/content/362/6419/1140https://science.sciencemag.org/content/362/6419/1140
9
Faits marquants : langage naturel
1964 ELIZA (Joseph Weizenbaum)
simule un psychothérapeute
1968 SHRDLU (Terry Winograd)
Avancée dans la compréhension du langage
naturel
1972 HEARSAY (Raj Reddy)
Reconaissance vocale en continu
1972 PARRY
1988 Jabberwacky
1992 Dr Sbaitso
1995 A.L.I.C.E.
1998 Robot Kismet (Cynthia Breazeal)
Expérimention en informatique affective
2001 SmarterChild
2006 Watson (IBM)
2010 SIRI (Apple)
- Moteur de reconnaissance de Nuance
- Reseaux de neurones CNN et LSTM
2012 Google Now
2015 Cortana (Microsoft)
2015 Alexa (Amazon)
2016 Bots for messenger (Facebook)
2016 Tay (Microsoft)
2016 Zo (Microsoft)
(3/5)
ELIZA (1964) SHRDLU (1968) HEARSAY (1972) Kismet (1998)
Orange Djingo
2019/11 France
Apple HomePod
2018-02 USA
2018-06 France
Amazon Echo Dot
Google Home Mini
Amazon Echo
2014/11 USA
2018/06 FranceGoogle Home Max
Bose
Home Speaker 500
(avec Alexa)
Assistants vocaux
Harman Kardon
Invoke
(avec Cortana)
Google Home
2016-11 USA
2017-08 France
(smart speakers, assistants personnels intelligents,
enceintes connectées, …)
https://www.ijcai.org/Proceedings/73/Papers/021.pdfhttps://www.ijcai.org/Proceedings/73/Papers/021.pdfhttps://dam-prod.media.mit.edu/x/files/wp-content/uploads/sites/14/2015/01/Breazeal-RAS-03.pdfhttps://dam-prod.media.mit.edu/x/files/wp-content/uploads/sites/14/2015/01/Breazeal-RAS-03.pdfhttp://hci.stanford.edu/~winograd/shrdlu/AITR-235.pdfhttp://hci.stanford.edu/~winograd/shrdlu/AITR-235.pdfhttp://www.cs.utep.edu/nigel/papers/shrdlu.pdfhttp://www.cs.utep.edu/nigel/papers/shrdlu.pdfhttps://web.stanford.edu/class/linguist238/p36-weizenabaum.pdfhttps://web.stanford.edu/class/linguist238/p36-weizenabaum.pdfhttps://djingo.orange.fr/https://djingo.orange.fr/
10
Faits marquants : véhicule autonome
2018
1986 VaMoRs (Ernst Dickmanns)
2005 Stanley (Université de Stanford)gagne le DARPA Grand Challenge.
Apprentissage automatique supervisé.
2007 Projet Google car
2009 Waymo
2017
Stanley
Waymo
Waymo
GM
Mercedes-Benz
Renault-Nissan
Audi
BMW
Toyota
Ford
Volvo
Hyundai
Tesla
Uber / Otto
Baidu
…
Camions
Embark
Daimler / Mercedes
Waymo
Volvo
Tesla
Uber / Otto
…
(4/5)
2019
1966 Shakeypremier robot mobile
contrôlé par ordinateur
Voitures
2018
2018
https://www.technologyreview.com/s/612341/a-global-ethics-study-aims-to-help-ai-solve-the-self-driving-trolley-problem/?source=download-metered-contenthttps://www.technologyreview.com/s/612341/a-global-ethics-study-aims-to-help-ai-solve-the-self-driving-trolley-problem/?source=download-metered-contenthttps://www.technologyreview.com/s/603493/10-breakthrough-technologies-2017-self-driving-trucks/https://www.technologyreview.com/s/603493/10-breakthrough-technologies-2017-self-driving-trucks/https://www.bloomberg.com/news/features/2018-05-07/who-s-winning-the-self-driving-car-racehttps://www.bloomberg.com/news/features/2018-05-07/who-s-winning-the-self-driving-car-racehttps://www.salon.com/2018/07/22/these-6-companies-are-making-the-self-driving-truck-a-reality_partner/https://www.salon.com/2018/07/22/these-6-companies-are-making-the-self-driving-truck-a-reality_partner/https://korii.slate.fr/tech/voiture-autonome-science-fiction-promesses-tesla-uber-waymohttps://korii.slate.fr/tech/voiture-autonome-science-fiction-promesses-tesla-uber-waymohttps://pdfs.semanticscholar.org/ddcd/e5d37cd66bdb6819e1795874462eaa85ffd7.pdfhttps://pdfs.semanticscholar.org/ddcd/e5d37cd66bdb6819e1795874462eaa85ffd7.pdfhttps://www.sciencedirect.com/science/article/pii/S1474667017553203https://www.sciencedirect.com/science/article/pii/S1474667017553203https://web.archive.org/web/20081126125006/http:/www.darpa.mil/grandchallenge05/TechPapers/Stanford.pdfhttps://web.archive.org/web/20081126125006/http:/www.darpa.mil/grandchallenge05/TechPapers/Stanford.pdfhttps://web.archive.org/web/20080924061244/http:/www.darpa.mil/grandchallenge05/https://web.archive.org/web/20080924061244/http:/www.darpa.mil/grandchallenge05/https://www.theverge.com/2018/3/9/17100518/waymo-self-driving-truck-google-atlantahttps://www.theverge.com/2018/3/9/17100518/waymo-self-driving-truck-google-atlantahttps://www.technologyreview.com/s/612423/fords-self-driving-taxi-passengers-may-share-rides-with-packages-and-ads/https://www.technologyreview.com/s/612423/fords-self-driving-taxi-passengers-may-share-rides-with-packages-and-ads/
11
Faits marquants : recherche scientifique
2013 Laboratoire QuAIL (Google/NASA)
(5/5)
2005 Blue Brain Project (EPFL)
2013 Human Brain Project (EU)
- Reconstruction et simulation
du cerveau de mammifères
2014 souris (30 000 neurones)
2023 cerveau humain
- Projet phare de l'Union Européenne
800 chercheurs répartis dans 19 pays
coût total ~1.2 millards €
Neurosciences Calculateur quantique (quantum computer)
QuAIL IBM
07-201910-2019
2017/11 IBM 50 qubits
2018/01 Intel 49 qubits
2018/03 Google 72 qubits
2019 Google 53 qubits
2018
IA, optimisation combinatoire,
apprentissage automatique,
simulations en physique et chimie…
Google revendique trop
vite la suprématie
quantique 10-2019
(…) Google a une nouvelle fois
cédé à une opération de
communication.
https://www.epfl.ch/research/domains/bluebrainhttps://www.epfl.ch/research/domains/bluebrainhttps://actu.epfl.ch/news/le-blue-brain-project-publie-le-premier-atlas-du-4/https://actu.epfl.ch/news/le-blue-brain-project-publie-le-premier-atlas-du-4/https://fr.wikipedia.org/wiki/Blue_Brainhttps://fr.wikipedia.org/wiki/Blue_Brainhttps://fr.wikipedia.org/wiki/Human_Brain_Projecthttps://fr.wikipedia.org/wiki/Human_Brain_Projecthttps://ti.arc.nasa.gov/tech/dash/groups/quail/https://ti.arc.nasa.gov/tech/dash/groups/quail/https://www.digimind-evolution.com/core/bettertogether/manager/information/882899/view.do?f=FThttps://www.digimind-evolution.com/core/bettertogether/manager/information/882899/view.do?f=FThttps://fr.wikipedia.org/wiki/Supr%C3%A9matie_quantiquehttps://fr.wikipedia.org/wiki/Supr%C3%A9matie_quantiquehttps://www.nature.com/articles/d41586-019-03168-1https://www.nature.com/articles/d41586-019-03168-1https://www.technologyreview.com/s/610250/serious-quantum-computers-are-finally-here-what-are-we-going-to-do-with-them/https://www.technologyreview.com/s/610250/serious-quantum-computers-are-finally-here-what-are-we-going-to-do-with-them/https://www.oezratty.net/wordpress/2019/interpreter-suprematie-quantique-google/https://www.oezratty.net/wordpress/2019/interpreter-suprematie-quantique-google/https://www.ibm.com/blogs/research/2019/10/on-quantum-supremacyhttps://www.ibm.com/blogs/research/2019/10/on-quantum-supremacyhttps://www.forbes.com/sites/startswithabang/2019/09/27/has-google-actually-achieved-quantum-supremacy-with-its-new-quantum-computer/#41374bc44d45https://www.forbes.com/sites/startswithabang/2019/09/27/has-google-actually-achieved-quantum-supremacy-with-its-new-quantum-computer/#41374bc44d45https://www.lemondeinformatique.fr/actualites/lire-google-revendique-trop-vite-la-suprematie-quantique-76894.htmlhttps://www.lemondeinformatique.fr/actualites/lire-google-revendique-trop-vite-la-suprematie-quantique-76894.html
12
2015 "Lettre ouverte sur l'intelligence artificielle" (2015)
signée par Stephen Hawking, Elon Musk, Bill Gates et plus de 150 chercheurs
2018 "Ethically aligned design v.2: a vision for prioritizing human well-being with autonomous and intelligent systems" (IEEE)
2018-05 Application du "Règlement général sur la protection des données (GDPR)" de l'UE
Une évolution rapide qui suscite espoirs et craintes
« … Et de nouveaux métiers vont apparaître grâce à des formations hybrides,
qui intègrent le numérique, et qui doivent se dérouler tout au long de la vie. »
Jean-Gabriel Ganascia (enseignant et chercheur)
2018
2018
- Dossier de presse (2018-11)
- Rapport de Cédric Villani (2018-03)Stratégie nationale de recherche en IA :
- la destruction massive d'emplois
- l'hégémonie américaine et chinoise, celle des GAFA
- l'opacité des traitements en apprentissage profond
(phénomène de la boîte noire)
- la question de la responsabilité en cas d'accident
- les risques accrus de piratage
- les risque environnementaux
- les risques de manipulation
- la dégradation des conditions de travail
- la baisse des activités physiques humaines
- une menace pour la démocratie
et les libertés individuelles
- la répartition inégale des gains engendrés par l'IA
- le développement d'armes autonomes
(lethal autonomous weapons systems, LAWS)
- etc…
Craintes
Ethique et IA
https://hellofuture.orange.com/fr/grand-format/intelligence-artificielle-entre-espoirs-et-dangers-pour-homme/https://hellofuture.orange.com/fr/grand-format/intelligence-artificielle-entre-espoirs-et-dangers-pour-homme/https://www.theguardian.com/news/2018/mar/17/cambridge-analytica-facebook-influence-us-electionhttps://www.theguardian.com/news/2018/mar/17/cambridge-analytica-facebook-influence-us-electionhttps://jair.org/index.php/jair/article/download/11222/26431https://jair.org/index.php/jair/article/download/11222/26431https://theintercept.com/2018/09/06/nypd-surveillance-camera-skin-tone-search/https://theintercept.com/2018/09/06/nypd-surveillance-camera-skin-tone-search/https://www.aiforhumanity.fr/pdfs/9782111457089_Rapport_Villani_accessible.pdfhttps://www.aiforhumanity.fr/pdfs/9782111457089_Rapport_Villani_accessible.pdfhttp://cache.media.enseignementsup-recherche.gouv.fr/file/strategie_IA/60/7/mesri_IA_dep_A4_09_1040607.pdfhttp://cache.media.enseignementsup-recherche.gouv.fr/file/strategie_IA/60/7/mesri_IA_dep_A4_09_1040607.pdfhttps://www.aiforhumanity.fr/pdfs/MissionVillani_Synthese_FR.pdfhttps://www.aiforhumanity.fr/pdfs/MissionVillani_Synthese_FR.pdfhttps://www.techniques-ingenieur.fr/actualite/articles/lia-au-coeur-de-la-reindustrialisation-francaise-54338/https://www.techniques-ingenieur.fr/actualite/articles/lia-au-coeur-de-la-reindustrialisation-francaise-54338/https://www.techniques-ingenieur.fr/actualite/articles/programme-intelligence-artificielle-france-60083/https://www.techniques-ingenieur.fr/actualite/articles/programme-intelligence-artificielle-france-60083/https://jair.org/index.php/jair/article/download/11222/26431https://jair.org/index.php/jair/article/download/11222/26431https://www.techrepublic.com/article/ai-is-destroying-more-jobs-than-it-creates-what-it-means-and-how-we-can-stop-it/https://www.techrepublic.com/article/ai-is-destroying-more-jobs-than-it-creates-what-it-means-and-how-we-can-stop-it/https://www.technologyreview.com/s/610298/tech-companies-should-stop-pretending-ai-wont-destroy-jobs/https://www.technologyreview.com/s/610298/tech-companies-should-stop-pretending-ai-wont-destroy-jobs/https://www.technologyreview.com/s/611832/future-elections-may-be-swayed-by-intelligent-weaponized-chatbots/https://www.technologyreview.com/s/611832/future-elections-may-be-swayed-by-intelligent-weaponized-chatbots/https://www.technologyreview.com/s/608036/we-need-to-talk-about-the-power-of-ai-to-manipulate-humans/https://www.technologyreview.com/s/608036/we-need-to-talk-about-the-power-of-ai-to-manipulate-humans/https://www.theguardian.com/news/2018/mar/17/cambridge-analytica-facebook-influence-us-electionhttps://www.theguardian.com/news/2018/mar/17/cambridge-analytica-facebook-influence-us-electionhttps://futureoflife.org/lethal-autonomous-weapons-pledge/https://futureoflife.org/lethal-autonomous-weapons-pledge/https://autonomousweapons.org/https://autonomousweapons.org/https://www.techniques-ingenieur.fr/actualite/articles/quest-ce-que-notre-relation-a-lintelligence-artificielle-dit-de-nous-65156/https://www.techniques-ingenieur.fr/actualite/articles/quest-ce-que-notre-relation-a-lintelligence-artificielle-dit-de-nous-65156/https://fr.wikipedia.org/wiki/Lettre_ouverte_sur_l'intelligence_artificiellehttps://fr.wikipedia.org/wiki/Lettre_ouverte_sur_l'intelligence_artificiellehttps://eur-lex.europa.eu/legal-content/FR/TXT/PDF/?uri=CELEX:32016R0679&from=FRhttps://eur-lex.europa.eu/legal-content/FR/TXT/PDF/?uri=CELEX:32016R0679&from=FRhttps://futureoflife.org/data/documents/research_priorities.pdfhttps://futureoflife.org/data/documents/research_priorities.pdfhttp://standards.ieee.org/develop/indconn/ec/ead_v2.pdfhttp://standards.ieee.org/develop/indconn/ec/ead_v2.pdfhttps://fr.wikipedia.org/wiki/%C3%89thique_de_l'intelligence_artificiellehttps://fr.wikipedia.org/wiki/%C3%89thique_de_l'intelligence_artificiellehttps://www.techniques-ingenieur.fr/actualite/articles/bill-gates-se-mefie-de-lintelligence-artificielle-11464https://www.techniques-ingenieur.fr/actualite/articles/bill-gates-se-mefie-de-lintelligence-artificielle-11464https://www.techniques-ingenieur.fr/actualite/articles/geant-web-investissement-ethique-ia-41689/https://www.techniques-ingenieur.fr/actualite/articles/geant-web-investissement-ethique-ia-41689/
13
1 Vision par ordinateur
14
Vision par ordinateur (computer vision)
= ensemble des techniques permettant à une machine d'analyser, traiter et comprendre une scène prise par une caméra.
Reconnaissance visuelle (visual recognition)
- classification d'images
- détection, reconnaissance d'objets (object recognition), segmentation
- segmentation sémantique, segmentation d'instances
- identification
- recherche d'image par le contenu (content-based image retrieval)
Reconstruction de scène (scene reconstruction)
seuillage détection de contours Traitement et analyse d’images (image processing and analysis)
- filtrage (filtering)
- seuillage (thresholding)
- transformations affines (affine transformations)
- détection de contours (edge detection), de coins (corners),
de points ou de régions d'intérêt (feature detection) etc…
Cas particuliers : reconnaissance…
- optique de caractères (ROC, optical character recognition, OCR)
- de codes (codes-barres, code QR)
- de mots
- de l’écriture manuscrite (handwriting recognition, HWR)
- d'empreintes (fingerprint recognition)
- d'iris (iris recognition)
- de visage (facial recognition)
- de l’expression faciale, des émotions
- de formes (pattern recognition)
Analyse du mouvement (motion analysis)
- suivi (tracking) d'objets ou de points d'intérêt
- flux optique (optical flow)
- reconnaissance de gestes (gesture recognition)
Distinctions : - analyse d'images / vision
- classification / détection
détection
cat dogcat dog
segmentation
Oscar
Molly
identification
cat cat
classification classification + localisation
segmentation sémantique
https://www.quora.com/What-is-the-difference-between-image-processing-and-computer-visionhttps://www.quora.com/What-is-the-difference-between-image-processing-and-computer-visionhttps://www.clarifai.com/blog/classification-vs-detection-vs-segmentation-models-the-differences-between-them-and-how-each-impact-your-resultshttps://www.clarifai.com/blog/classification-vs-detection-vs-segmentation-models-the-differences-between-them-and-how-each-impact-your-resultshttps://hackernoon.com/micro-learnings-image-classification-vs-object-detection-the-difference-77110b592343https://hackernoon.com/micro-learnings-image-classification-vs-object-detection-the-difference-77110b592343https://www.learnopencv.com/faster-r-cnn-object-detection-with-pytorch/https://www.learnopencv.com/faster-r-cnn-object-detection-with-pytorch/
15
Vision par ordinateur
- Vente au détail, sécurité dans les magasins
- Automobile
- Santé
- Agriculture
- Banque
- Industrie
Domaines d'application courants
Un regain d'intérêt récent
2017
https://emerj.com/ai-sector-overviews/computer-vision-applications-shopping-driving-and-more/https://emerj.com/ai-sector-overviews/computer-vision-applications-shopping-driving-and-more/https://perfectial.com/blog/computer-vision-applications/https://perfectial.com/blog/computer-vision-applications/https://www.deepomatic.com/blog/application-computer-vision/3993/https://www.deepomatic.com/blog/application-computer-vision/3993/https://indatalabs.com/blog/data-science/applications-computer-vision-across-industrieshttps://indatalabs.com/blog/data-science/applications-computer-vision-across-industrieshttps://www.iotforall.com/computer-vision-applications-in-daily-life/https://www.iotforall.com/computer-vision-applications-in-daily-life/https://indatalabs.com/blog/data-science/applications-computer-vision-across-industrieshttps://indatalabs.com/blog/data-science/applications-computer-vision-across-industries
16
Illustrations en Python
● Traitement élémentaires : traitement d’images, transformations géométriques, vidéo
● Visages : détection, analyse, repères faciaux
● Classification d’images, détection d’objets
ou
https://pjreddie.com/darknet/yolohttps://pjreddie.com/darknet/yolohttps://pjreddie.com/media/files/papers/YOLOv3.pdfhttps://pjreddie.com/media/files/papers/YOLOv3.pdfhttps://towardsdatascience.com/review-yolov3-you-only-look-once-object-detection-eab75d7a1ba6https://towardsdatascience.com/review-yolov3-you-only-look-once-object-detection-eab75d7a1ba6https://towardsdatascience.com/yolo-v3-object-detection-53fb7d3bfe6bhttps://towardsdatascience.com/yolo-v3-object-detection-53fb7d3bfe6bhttps://pdfs.semanticscholar.org/9c5a/6eb00ae19a7037e5842990d58d9e8e357e4b.pdfhttps://pdfs.semanticscholar.org/9c5a/6eb00ae19a7037e5842990d58d9e8e357e4b.pdfhttps://subscription.packtpub.com/book/application_development/9781785283932/1/ch01lvl1sec16/image-warpinghttps://subscription.packtpub.com/book/application_development/9781785283932/1/ch01lvl1sec16/image-warpinghttps://scikit-image.org/docs/stable/auto_examples/transform/plot_swirl.htmlhttps://scikit-image.org/docs/stable/auto_examples/transform/plot_swirl.htmlhttps://pymotion.com/detecter-facial-landmarkshttps://pymotion.com/detecter-facial-landmarkshttp://www.nada.kth.se/~sullivan/Papers/Kazemi_cvpr14.pdfhttp://www.nada.kth.se/~sullivan/Papers/Kazemi_cvpr14.pdfhttps://pytorch.org/hub/pytorch_vision_alexnethttps://pytorch.org/hub/pytorch_vision_alexnethttps://www.learnopencv.com/pytorch-for-beginners-image-classification-using-pre-trained-models/https://www.learnopencv.com/pytorch-for-beginners-image-classification-using-pre-trained-models/https://www.pyimagesearch.com/2017/08/21/deep-learning-with-opencv/https://www.pyimagesearch.com/2017/08/21/deep-learning-with-opencv/https://docs.opencv.org/3.4.9/d5/de7/tutorial_dnn_googlenet.htmlhttps://docs.opencv.org/3.4.9/d5/de7/tutorial_dnn_googlenet.htmlhttps://talhassner.github.io/home/publication/2015_CVPRhttps://talhassner.github.io/home/publication/2015_CVPRhttps://talhassner.github.io/home/projects/cnn_agegender/CVPR2015_CNN_AgeGenderEstimation.pdfhttps://talhassner.github.io/home/projects/cnn_agegender/CVPR2015_CNN_AgeGenderEstimation.pdfhttps://www.pyimagesearch.com/2018/02/26/face-detection-with-opencv-and-deep-learning/https://www.pyimagesearch.com/2018/02/26/face-detection-with-opencv-and-deep-learning/
17
2 Optimisation combinatoire
18
Optimisation (optimization)
Fonction à valeurs réelles : 𝑓: 𝐴 → ℝ (ℝ : nombres réels)
Optimiser 𝑓 = trouver la ou les valeurs dans 𝐴 (les solutions)qui minimisent la valeur de 𝑓.
L'optimisation en général (en simplifiant…)
Notes :
- Le problème de maximisation est équivalent
(revient à minimiser la fonction −𝑓)
- Pas de solution si 𝑓 non borné
Exemples
𝑓(𝑥)
𝑥
Difficulté classique : le minimum local
𝑓(𝑥)
𝑥
𝐴 ⊂ ℝ
𝐴
minimum de 𝑓sur l'ensemble 𝐴
𝑥𝑚
minimum
global
solution globale
cherchée
un minimum
local de 𝑓
𝑦
𝑥
𝑓(𝑥, 𝑦)
𝐴 ⊂ ℝ2
𝐴(𝑥𝑚 , 𝑦𝑚)les algorithmes ont souvent
tendance à ne fournir qu'une
solution optimisée localement
("piégés" dans une "cuvette")
19
Optimisation combinatoire (combinatorial optimization)
𝑓(𝑥)
𝑥𝐴
𝑥𝑚
le problème fait intervenir des valeurs discrètes
𝐴 : sous-ensemble de ℕ𝑝 ou de ℕ𝑝 𝑥 ℝ𝑞 (ℕ : entiers positifs)
𝑓(𝑥)
𝑥
𝑥𝑚
𝐴
𝐴 continu (et en général 𝑓 continu)
ensemble 𝐴 fini mais potentiellement très grand :
optimisation combinatoire
techniques mathématiques classiques
(calcul différentiel, …)
Exemples d'applications de l'optimisation combinatoire
trajectoires de machines-outilstournée de véhicules,
planification de routesconception et réalisation
de circuits imprimés
- réseaux mobiles UMTS
- trafic aérien
- plans de chargement des
cœurs de réacteurs nucléaires
- ordonnancement
- génétique
- cristallographie
- contrôle de robot
- etc…
cas discretcas continu
optimisation
20
Illustrations en Python
1 000 points
Le Problème du Voyageur de Commerce (PVC)Travelling Salesman Problem (TSP)
plus proche voisin nearest neighbours 20
plus proche voisin répétitif repetitive nearest neighbours 30
diviser pour régner divide-and-conquer 80
amélioration itérative 2-opt 2-opt iterative improvement 35
amélioration itérative 3-opt 3-opt iterative improvement 50
heuristique de Lin-Kernighan (1971) Lin-Kernighan heuristic (LKH)
escalade stochastique du premier choix stochastic first-choice hill climbing 30
recuit simulé simulated annealing 50
algorithme génétique genetic algorithm 90
optimisation par colonies de fourmis ant colony optimization
force brute brute force 20
exacts
approximatifs
Quelques algorithmes
stochastiques
10 points
181 440 chemins
t = 1 s
15 points
4.3 * 1010 chemins
t ~ 67 h
Explosion
combinatoire
nombre approximatif de
lignes de code en Pythondéterministes
http://akira.ruc.dk/~keld/research/LKHhttp://akira.ruc.dk/~keld/research/LKH
21
3 Apprentissage automatique
22
Apprentissage automatique (apprentissage statistique, machine learning)
= méthodes basées sur des approches statistiques pour donner aux ordinateurs la capacité d'apprendre
à partir de données puis d’accomplir des tâches sans être explicitement programmés pour chacune.
supervisé (supervised learning, SL)
non supervisé (unsupervised learning, UL)
semi-supervisé (partiellement supervisé, semi-supervised learning, SSL)
profond (deep learning, DL)
par renforcement (reinforcement learning, RL)
par transfert (transfer learning, TL)
apprentissage
2018
AlphaGo Zero, Alpha Zero (2017)
Apprendre un modèle de manière incrémentale, en fonction d'une récompense reçue pour
chacune des actions entreprises.
Appliquer des connaissances et des
compétences, apprises à partir de
tâches antérieures, sur de nouvelles
tâches ou domaines partageant des
similitudes.
réseaux de
neurones artificiels
https://datafloq.com/read/machine-learning-explained-understanding-learning/4478https://datafloq.com/read/machine-learning-explained-understanding-learning/4478https://medium.com/machine-learning-for-humans/why-machine-learning-matters-6164faf1df12https://medium.com/machine-learning-for-humans/why-machine-learning-matters-6164faf1df12https://www.technologyreview.com/s/603501/10-breakthrough-technologies-2017-reinforcement-learning/https://www.technologyreview.com/s/603501/10-breakthrough-technologies-2017-reinforcement-learning/
23
Principe général
1) Apprentissage
2) Prédiction
1) Préparation des données
2) Modélisation
Classification
de texte
Classification
d'image
Exemples
donnéescollecte, analyse, nettoyage, sélection, exploration,
visualisation, synthèse, transformation,organisation…
= travail d'un data scientist (scientifique des données, "expert en mégadonnées" )
modèle entraîné
résultat
nouvelles
données
observations= données pour
l'apprentissage
1 chien
2 chat3 auto
4 bateau
1 médecine
2 sport
3 politique4 science
vecteur
𝑥 𝑦 = 2
𝑥 𝑦= 3
Le premier ministre a
soumis les nouveaux
projets de loi aux
députés afin de…
premier ministre
soumettre nouveau
projet loi depute …
modèle (algorithmes)
paramètres
du modèle
entier(s)
ou réel(s)
extraction de
caractéristiquesvecteur
d'entiers ou de réelsprétraitement
𝑥 = (𝑥1, … , 𝑥𝑝) 𝑦
prédiction
https://www.developpez.com/actu/162383/Vous-ne-devez-plus-dire-data-scientist-mais-plutot-expert-en-megadonnees-d-apres-la-Commission-d-enrichissement-de-la-langue-francaise/https://www.developpez.com/actu/162383/Vous-ne-devez-plus-dire-data-scientist-mais-plutot-expert-en-megadonnees-d-apres-la-Commission-d-enrichissement-de-la-langue-francaise/
24
Apprentissage supervisé / non supervisé
entrée 𝑥 = (𝑥1, … , 𝑥𝑝) sortie 𝑦
Apprentissage supervisé Apprentissage non supervisé
Apprentissage semi-supervisé
Observations : un ensemble de données étiquetées et non étiquetées (étiquetage partiel)
Typiquement : un faible nombre de données étiquetées et un nombre important de données non étiquetées
données étiquetées :
𝑖 = 1, . . . , 𝑛 ∶ (𝑥1,𝑖 , … , 𝑥𝑝,𝑖) 𝑦𝑖
données non étiquetées :
𝑖 = 1, . . . , 𝑛 ∶ (𝑥1,𝑖 , … , 𝑥𝑝,𝑖)entrée
établir un modèle à partir de ces données
pour faire des prédictions partitionnement (regroupement, clustering)
déterminer la structure sous-jacente des données
pour les regrouper en classes
objectif
illustrations
régression
𝑦 : valeurs continuesclassification
𝑦 : valeurs discrètes
𝑝 = 2
3 classes
1 2 3
𝑦 = 1
𝑝 = 1 𝑝 = 2
25
Illustrations en Python
scikit-learn
● Régression
● Classification
● Partitionnement (clustering)
moindres carrés ordinaires
𝑦 = 𝑓 𝑥1, 𝑥2 : fonction polynomialede degré 2 (paraboloïde)
𝑦
𝑥1
𝑥2
machine à vecteurs de support
(SVM, noyau : rbf, gamma : 100)
classifieur : machine à vecteurs de support (noyau : rbf)
extraction de caractéristiques : HOG
prétraitement : correction d’inclinaison
base d’apprentissage : EMNIST (240000 chiffres)
Reconnaissance
de chiffres manuscrits
4 groupes
Partitionnement spectral
https://scikit-learn.org/stable/modules/linear_model.html#ordinary-least-squareshttps://scikit-learn.org/stable/modules/linear_model.html#ordinary-least-squareshttps://scikit-learn.org/stable/modules/svm.htmlhttps://scikit-learn.org/stable/modules/svm.htmlhttps://www.nist.gov/itl/products-and-services/emnist-datasethttps://www.nist.gov/itl/products-and-services/emnist-datasethttps://docs.opencv.org/4.3.0/d1/d73/tutorial_introduction_to_svm.htmlhttps://docs.opencv.org/4.3.0/d1/d73/tutorial_introduction_to_svm.htmlhttps://www.learnopencv.com/histogram-of-oriented-gradients/https://www.learnopencv.com/histogram-of-oriented-gradients/https://docs.opencv.org/4.3.0/dd/d3b/tutorial_py_svm_opencv.htmlhttps://docs.opencv.org/4.3.0/dd/d3b/tutorial_py_svm_opencv.htmlhttps://scikit-learn.org/stable/modules/generated/sklearn.cluster.SpectralClustering.htmlhttps://scikit-learn.org/stable/modules/generated/sklearn.cluster.SpectralClustering.html
26
Apprentissage profond
27
Représentation simplifiée :
Neurones artificiels
𝑦 𝑥1, 𝑥2, … , 𝑥𝑝 = 𝜑
𝑖=1
𝑝
𝑎𝑖 𝑥𝑖 + 𝑏
entrées reliées à des sorties d'autres neurones (vecteur)
Neurone artificiel (neurone formel)
sortie reliée à des entrées d'autres neurones (scalaire)
Neurone biologique
synapse
axone
dendrites
- neurone : cellule nerveuse
- cerveau humain : ~ 100 milliards (1011) de neurones
- synapse : - zone de contact entre deux neurones
- transmet l'influx nerveux
- de 1 à plus de 100 000 par neurone
(en moyenne 10 000)poids (constantes)
En IA, beaucoup d'autres modèles de calcul
ont été introduits.
cellules cellule GRU
Le neurone artificiel est inspiré de la biologie,
mais le but n'est pas de reproduire la nature.
La modélisation d'un neurone réel relève d'autres
disciplines (neurosciences computationnelles)
que l'IA.
Modèles simples : - modèle de McCulloch et Pitts (MP neuron, 1943)
- Perceptron de Frank Rosenblatt (1957)
biais 𝑏(constante)
𝜑
fonction
d'activation
(fonction de
transfert)
𝜑: ℝ → ℝ
𝑎1
somme
𝑦
𝑎2
𝑎3
𝑎𝑝
𝑥1
𝑥2
𝑥3
𝑥𝑝
…
Représentation simplifiée
poids
cellule "produit scalaire" entrée
sortie
noyau cellulaire
𝑥
𝜑(𝑥)
etc…
sigmoïde
ReLU
échelon
signal
https://fr.wikipedia.org/wiki/Neuronehttps://fr.wikipedia.org/wiki/Neuronehttps://fr.wikipedia.org/wiki/Neurosciences_computationnelleshttps://fr.wikipedia.org/wiki/Neurosciences_computationnelleshttps://en.wikipedia.org/wiki/Biological_neuron_modelhttps://en.wikipedia.org/wiki/Biological_neuron_modelhttps://towardsdatascience.com/the-differences-between-artificial-and-biological-neural-networks-a8b46db828b7https://towardsdatascience.com/the-differences-between-artificial-and-biological-neural-networks-a8b46db828b7http://www.asimovinstitute.org/neural-network-zoo-prequel-cells-layers/http://www.asimovinstitute.org/neural-network-zoo-prequel-cells-layers/https://fr.wikipedia.org/wiki/Fonction_d'activationhttps://fr.wikipedia.org/wiki/Fonction_d'activation
28
Un apprentissage délicat
apprendre = déterminer les paramètres (poids 𝑎𝑖 des connexions, biais 𝑏) à partir d'observations
(RN, RNA, ANN: Artificial Neural Network)
= graphe valué orienté, constitué d’un ensemble d’unités réalisant des calculs élémentaires (automates, cellules),
organisées en couches successives capables d’échanger des informations au moyen de connexions qui les relient.
Réseaux de neurones artificiels (ANN)
- réseau de neurones à propagation avant (feed forward neural network)
- perceptron mono-couche (SLP: single-layer perceptron)
- perceptron multicouches (PMC, MLP: Multi-Layer Perceptron)
- réseau neuronal convolutif (CNN: Convolutional Neural Network)
- réseau de neurones récurrents (RNN: Recurrent Neural Network)
- réseau de neurones à mémoire court-terme et long terme
(LSTM: Long Short Term Memory)
- DNN: Deep Neural Networks, réseaux de neurones profonds
= réseaux avec couches de neurones cachées (plus de 2)
- SNN: Shallow Neural Networks, 1 ou 2 couches cachées
- DBN: Deep Belief Network, réseaux de croyance profonds
- RBM: Restricted Boltzmann Machine, machine restreinte de Boltzmann
De nombreuses variantes
"Utilisez des modèles supervisés non linéaires"
Nombreuses difficultés numériques évoquées : mauvais conditionnement des
dérivées, minimums locaux, instabilité du gradient, saturation des neurones, …
Perceptron monocouche
couche
d'entrée
couche
de sortie
……
𝑥1
𝑥2
𝑥𝑝
𝑦1
𝑦𝑞
capacités de calcul
très limitées
Perceptron multicouche
… ……
…
…
𝑥1
𝑥𝑝
couche
d'entréecouche
de sortie
𝑦1
𝑦𝑞
couches de
neurones cachés
= φ 𝑝𝑜𝑖𝑑𝑠 ∗ 𝑒𝑛𝑡𝑟é𝑒 + 𝑏𝑖𝑎𝑖𝑠
En théorie, un perceptron avec au moins une couche cachée
permet d'approcher toute fonction avec une précision quelconque
(fonction d'activation φ : quelconque, mais non polynomiale ).
𝑓: ℝ𝑝 → ℝ𝑞
𝑓 𝑥1, … , 𝑥𝑝 = 𝑦1, … , 𝑦𝑞≈
https://sebastianraschka.com/Articles/2015_singlelayer_neurons.htmlhttps://sebastianraschka.com/Articles/2015_singlelayer_neurons.htmlhttps://epat2014.sciencesconf.org/conference/epat2014/pages/EPAT_2014_ANN.pdfhttps://epat2014.sciencesconf.org/conference/epat2014/pages/EPAT_2014_ANN.pdfhttps://coopnet.sso.infra.ftgroup/Conference/MyConferences.aspxhttps:/machinelearningmastery.com/why-training-a-neural-network-is-hardhttps://coopnet.sso.infra.ftgroup/Conference/MyConferences.aspxhttps:/machinelearningmastery.com/why-training-a-neural-network-is-hardhttp://www.deeplearningbook.org/contents/optimization.htmlhttp://www.deeplearningbook.org/contents/optimization.htmlhttps://medium.com/@ODSC/classic-regularization-techniques-in-neural-networks-68bccee03764https://medium.com/@ODSC/classic-regularization-techniques-in-neural-networks-68bccee03764https://www.oreilly.com/ideas/the-hard-thing-about-deep-learninghttps://www.oreilly.com/ideas/the-hard-thing-about-deep-learninghttp://www.asimovinstitute.org/neural-network-zoo/http://www.asimovinstitute.org/neural-network-zoo/https://www.cs.toronto.edu/~hinton/absps/NatureDeepReview.pdfhttps://www.cs.toronto.edu/~hinton/absps/NatureDeepReview.pdfhttps://www.quora.com/What-is-the-difference-between-deep-and-shallow-neural-networkshttps://www.quora.com/What-is-the-difference-between-deep-and-shallow-neural-networkshttps://towardsdatascience.com/shallow-neural-networks-23594aa97a5https://towardsdatascience.com/shallow-neural-networks-23594aa97a5http://datascienceassn.org/sites/default/files/Do Deep Nets Really Need to be Deep.pdfhttp://datascienceassn.org/sites/default/files/Do Deep Nets Really Need to be Deep.pdfhttps://openclassrooms.com/fr/courses/4470406-utilisez-des-modeles-supervises-non-lineaireshttps://openclassrooms.com/fr/courses/4470406-utilisez-des-modeles-supervises-non-lineaireshttp://www.cs.stir.ac.uk/courses/ITNP4B/lectures/kms/2-Perceptrons.pdfhttp://www.cs.stir.ac.uk/courses/ITNP4B/lectures/kms/2-Perceptrons.pdfhttps://fr.wikipedia.org/wiki/Perceptron_multicouchehttps://fr.wikipedia.org/wiki/Perceptron_multicouchehttps://archive.nyu.edu/bitstream/2451/14384/1/IS-91-26.pdfhttps://archive.nyu.edu/bitstream/2451/14384/1/IS-91-26.pdf
29
Fonctions d'activations
Techniques de régularisation
- dropout, noise injection
- elastic-net regularization
- intermediate loss function
- batch normalization
- residual learning dropout
Processeur graphiques GPU
(Graphics Processing Unit)
NVIDIA Titan RTX
Circuits intégrés spécifiques
(ASICs)
Google Edge TPU
(Tensor Processing Unit)
Circuits intégrés spécifiques
dans des centres de calcul
(cloud)
Google Cloud TPU v.3
FPGAs
Apprentissage profond (DL, DNN)
Les outils utilisés sont presque toujours des réseaux de neurones artificiels.
Leur concept n'est pas nouveau, mais seules des évolutions dans différents domaines ont permis les succès actuels de
l'apprentissage profond.
= un sous-domaine de l'apprentissage automatique où les traitements s'effectuent par couches.
Les couches successives correspondent à des représentations des données avec un niveau d'abstraction croissant.
Facteurs de succès de l'apprentissage profond
Progrès algorithmiques
Progrès matérielsDisponibilité de très grands volumes de données (big data)
ImageNet
- plus de 14 millions d'images
annotées à la main
- plus de 20 000 catégories
Wikipedia: list of datasets for machine-learning research
https://towardsdatascience.com/activation-functions-neural-networks-1cbd9f8d91d6https://towardsdatascience.com/activation-functions-neural-networks-1cbd9f8d91d6https://coopnet.sso.infra.ftgroup/Conference/MyConferences.aspxhttps:/medium.com/@ODSC/classic-regularization-techniques-in-neural-networks-68bccee03764https://coopnet.sso.infra.ftgroup/Conference/MyConferences.aspxhttps:/medium.com/@ODSC/classic-regularization-techniques-in-neural-networks-68bccee03764https://papers.nips.cc/paper/7096-regularizing-deep-neural-networks-by-noise-its-interpretation-and-optimization.pdfhttps://papers.nips.cc/paper/7096-regularizing-deep-neural-networks-by-noise-its-interpretation-and-optimization.pdfhttp://www.deeplearningbook.org/contents/regularization.htmlhttp://www.deeplearningbook.org/contents/regularization.htmlhttps://cloud.google.com/tpuhttps://cloud.google.com/tpuhttps://www.tomshardware.com/reviews/nvidia-titan-rtx-deep-learning-gaming-tensor,5971-3.htmlhttps://www.tomshardware.com/reviews/nvidia-titan-rtx-deep-learning-gaming-tensor,5971-3.htmlhttps://rapids.ai/https://rapids.ai/https://timdettmers.com/2019/04/03/which-gpu-for-deep-learning/https://timdettmers.com/2019/04/03/which-gpu-for-deep-learning/https://en.wikipedia.org/wiki/Tensor_processing_unithttps://en.wikipedia.org/wiki/Tensor_processing_unithttps://www.nextplatform.com/2017/03/21/can-fpgas-beat-gpus-accelerating-next-generation-deep-learninghttps://www.nextplatform.com/2017/03/21/can-fpgas-beat-gpus-accelerating-next-generation-deep-learninghttp://www.image-net.org/http://www.image-net.org/https://en.wikipedia.org/wiki/List_of_datasets_for_machine-learning_researchhttps://en.wikipedia.org/wiki/List_of_datasets_for_machine-learning_research
30
15
26
CNN : réseaux de neurones convolutifs
= l'un des modèles de réseau de neurones les plus importants en apprentissage automatique,
principalement utilisé en reconnaissance d'images
Le concept n'est pas récent (LeCun, 1989), mais de très bonnes performances obtenues récemment en reconnaissance d'images
(AlexNet, ILSVRC 2012) ont fortement relancé l'intérêt pour l'apprentissage automatique en particulier et l'IA en général.
réseau neuronal convolutif, réseau de neurones à convolution, CNN, ConvNet, Convolutional Neural Network
5human
AlexNet
AlexNet- 8 couches
- 60 millions de paramètres
- 6 jours de calcul avec 2 GPU en 2012
- classification en 50 lignes de code
top-5 error
Comparaisons biologiques :
camion
voiture
vélo
extraction de caractéristiques classification
perceptron multicouches
(MLP)
"Qu'est ce qu'un réseau de neurones convolutif (ou CNN) ?"
https://qz.com/1046350/the-quartz-guide-to-artificial-intelligence-what-is-it-why-is-it-important-and-should-we-be-afraid/https://qz.com/1046350/the-quartz-guide-to-artificial-intelligence-what-is-it-why-is-it-important-and-should-we-be-afraid/http://www.deeplearningbook.org/contents/convnets.htmlhttp://www.deeplearningbook.org/contents/convnets.htmlhttps://towardsdatascience.com/a-comprehensive-guide-to-convolutional-neural-networks-the-eli5-way-3bd2b1164a53https://towardsdatascience.com/a-comprehensive-guide-to-convolutional-neural-networks-the-eli5-way-3bd2b1164a53https://www.freecodecamp.org/news/an-intuitive-guide-to-convolutional-neural-networks-260c2de0a050/https://www.freecodecamp.org/news/an-intuitive-guide-to-convolutional-neural-networks-260c2de0a050/http://blog.christianperone.com/2015/08/convolutional-neural-networks-and-feature-extraction-with-python/http://blog.christianperone.com/2015/08/convolutional-neural-networks-and-feature-extraction-with-python/https://medium.com/coinmonks/paper-review-of-alexnet-caffenet-winner-in-ilsvrc-2012-image-classification-b93598314160https://medium.com/coinmonks/paper-review-of-alexnet-caffenet-winner-in-ilsvrc-2012-image-classification-b93598314160https://github.com/pytorch/vision/blob/master/torchvision/models/alexnet.pyhttps://github.com/pytorch/vision/blob/master/torchvision/models/alexnet.pyhttps://neurdiness.wordpress.com/2018/05/17/deep-convolutional-neural-networks-as-models-of-the-visual-system-qa/https://neurdiness.wordpress.com/2018/05/17/deep-convolutional-neural-networks-as-models-of-the-visual-system-qa/https://www.nature.com/articles/srep27755https://www.nature.com/articles/srep27755http://www.jneurosci.org/content/jneuro/35/27/10005.full.pdfhttp://www.jneurosci.org/content/jneuro/35/27/10005.full.pdfhttps://www.mathworks.com/videos/introduction-to-deep-learning-what-are-convolutional-neural-networks--1489512765771.htmlhttps://www.mathworks.com/videos/introduction-to-deep-learning-what-are-convolutional-neural-networks--1489512765771.htmlhttps://openclassrooms.com/fr/courses/4470531-classez-et-segmentez-des-donnees-visuelles/5082166-quest-ce-quun-reseau-de-neurones-convolutif-ou-cnnhttps://openclassrooms.com/fr/courses/4470531-classez-et-segmentez-des-donnees-visuelles/5082166-quest-ce-quun-reseau-de-neurones-convolutif-ou-cnn
31
(1/7)DNN : exemples d'application
Contours 2015
approche classiqueCNN
Personnes, automobiles, vélos…
Repères faciaux 2018
Visages 2016Texte
Plaques d'immatriculation
Vision / Détection
Objets saillants 2016
https://arxiv.org/pdf/1504.06375.pdfhttps://arxiv.org/pdf/1504.06375.pdfhttps://software.intel.com/en-us/openvino-toolkit/documentation/pretrained-modelshttps://software.intel.com/en-us/openvino-toolkit/documentation/pretrained-modelshttps://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8239860https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8239860https://rfiap2018.ign.fr/sites/default/files/ARTICLES/RFIAP_2018/RFIAP_2018_Yan_A.pdfhttps://rfiap2018.ign.fr/sites/default/files/ARTICLES/RFIAP_2018/RFIAP_2018_Yan_A.pdfhttps://zpascal.net/cvpr2016/Qin_Joint_Training_of_CVPR_2016_paper.pdfhttps://zpascal.net/cvpr2016/Qin_Joint_Training_of_CVPR_2016_paper.pdfhttp://openaccess.thecvf.com/content_cvpr_2017/papers/Zhou_EAST_An_Efficient_CVPR_2017_paper.pdfhttp://openaccess.thecvf.com/content_cvpr_2017/papers/Zhou_EAST_An_Efficient_CVPR_2017_paper.pdfhttps://www.learnopencv.com/deep-learning-based-text-detection-using-opencv-c-python/https://www.learnopencv.com/deep-learning-based-text-detection-using-opencv-c-python/https://docs.openvinotoolkit.org/latest/_intel_models_license_plate_recognition_barrier_0001_description_license_plate_recognition_barrier_0001.htmlhttps://docs.openvinotoolkit.org/latest/_intel_models_license_plate_recognition_barrier_0001_description_license_plate_recognition_barrier_0001.htmlhttps://www.researchgate.net/publication/327099013_CNN-RNN_based_method_for_license_plate_recognitionhttps://www.researchgate.net/publication/327099013_CNN-RNN_based_method_for_license_plate_recognitionhttps://pdfs.semanticscholar.org/a61f/2fade92ded5368724a5dada143d57eb02c83.pdfhttps://pdfs.semanticscholar.org/a61f/2fade92ded5368724a5dada143d57eb02c83.pdfhttps://paperswithcode.com/task/object-detectionhttps://paperswithcode.com/task/object-detectionhttp://cs-people.bu.edu/jmzhang/SOD/CVPR16SOD_camera_ready.pdfhttp://cs-people.bu.edu/jmzhang/SOD/CVPR16SOD_camera_ready.pdfhttps://arxiv.org/pdf/1904.09146.pdfhttps://arxiv.org/pdf/1904.09146.pdf
32
(2/7)DNN : exemples d'application
0-2
4-6
8-12
15-20
25-32
38-43
48-53
60+
masculin
féminin
Estimation des émotions
colère
dégoût
peur
joie
neutre
tristesse
surprise
Estimation de sexe et d'âge
periphery
cytoplasm
endosome
vacuole
mitochondrion
nucleus
peroxisome
…
Localisation dans une cellule
de protéine avec marquage fluorescent
Biologie
Visages
Dents
Carrie
Kate
Jessica
Sophia
Emma
Charlotte
Nicole
Identification
Vision / Classification
pâtes
soupe aux fruits de mer
paëlla
wok
potée
salade niçoise
Automobile
Peugeot 207 à hayon
Coût de réparations
floral
short
dress
Vêtements, accessoires…
Mode, sécurité…
Armes
Alimentation
Ingrédients
Calories
Recette
Reconnaissance de la forme de la main
Compréhension de la langue des signes
Lecture labiale
https://talhassner.github.io/home/projects/cnn_emotions/LeviHassner_ICMI15.pdfhttps://talhassner.github.io/home/projects/cnn_emotions/LeviHassner_ICMI15.pdfhttps://talhassner.github.io/home/projects/cnn_agegender/CVPR2015_CNN_AgeGenderEstimation.pdfhttps://talhassner.github.io/home/projects/cnn_agegender/CVPR2015_CNN_AgeGenderEstimation.pdfhttp://openaccess.thecvf.com/content_ICCV_2017_workshops/papers/w23/Lapuschkin_Understanding_and_Comparing_ICCV_2017_paper.pdfhttp://openaccess.thecvf.com/content_ICCV_2017_workshops/papers/w23/Lapuschkin_Understanding_and_Comparing_ICCV_2017_paper.pdfhttp://www.eurecom.fr/fr/publication/4908/download/sec-publi-4908.pdfhttp://www.eurecom.fr/fr/publication/4908/download/sec-publi-4908.pdfhttp://openaccess.thecvf.com/content_cvpr_2017/papers/Chen_Using_Ranking-CNN_for_CVPR_2017_paper.pdfhttp://openaccess.thecvf.com/content_cvpr_2017/papers/Chen_Using_Ranking-CNN_for_CVPR_2017_paper.pdfhttps://www.biorxiv.org/content/biorxiv/early/2016/04/28/050757.full.pdfhttps://www.biorxiv.org/content/biorxiv/early/2016/04/28/050757.full.pdfhttps://juanzdev.github.io/TeethClassifier/https://juanzdev.github.io/TeethClassifier/https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3372193https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3372193https://paperswithcode.com/task/image-classificationhttps://paperswithcode.com/task/image-classificationhttps://arxiv.org/pdf/1506.08959.pdfhttps://arxiv.org/pdf/1506.08959.pdfhttps://docs.openvinotoolkit.org/latest/_intel_models_vehicle_attributes_recognition_barrier_0039_description_vehicle_attributes_recognition_barrier_0039.htmlhttps://docs.openvinotoolkit.org/latest/_intel_models_vehicle_attributes_recognition_barrier_0039_description_vehicle_attributes_recognition_barrier_0039.htmlhttps://www.ibm.com/case-studies/autoglass-bodyrepairhttps://www.ibm.com/case-studies/autoglass-bodyrepairhttps://towardsdatascience.com/the-4-convolutional-neural-network-models-that-can-classify-your-fashion-images-9fe7f3e5399dhttps://towardsdatascience.com/the-4-convolutional-neural-network-models-that-can-classify-your-fashion-images-9fe7f3e5399dhttps://docs.openvinotoolkit.org/latest/_intel_models_person_attributes_recognition_crossroad_0230_description_person_attributes_recognition_crossroad_0230.htmlhttps://docs.openvinotoolkit.org/latest/_intel_models_person_attributes_recognition_crossroad_0230_description_person_attributes_recognition_crossroad_0230.htmlhttps://drive.google.com/file/d/1bWFM0UkI1cim0CukC_XzeJc2CBUg7w1G/viewhttps://drive.google.com/file/d/1bWFM0UkI1cim0CukC_XzeJc2CBUg7w1G/viewhttp://cs231n.stanford.edu/reports/2017/pdfs/716.pdfhttp://cs231n.stanford.edu/reports/2017/pdfs/716.pdfhttps://towardsdatascience.com/this-ai-is-hungry-b2a8655528behttps://towardsdatascience.com/this-ai-is-hungry-b2a8655528behttps://nanonets.com/blog/multi-label-classification-using-deep-learning/https://nanonets.com/blog/multi-label-classification-using-deep-learning/https://github.com/Murgio/Food-Recipe-CNNhttps://github.com/Murgio/Food-Recipe-CNNhttp://images.nvidia.com/content/APAC/events/ai-conference/resource/ai-for-research/FoodAI-Food-Image-Recognition-with-Deep-Learning.pdfhttp://images.nvidia.com/content/APAC/events/ai-conference/resource/ai-for-research/FoodAI-Food-Image-Recognition-with-Deep-Learning.pdfhttps://www.ibm.com/blogs/cloud-archive/2017/05/watson-learns-see-food-introducing-watson-visual-recognition-food-model/https://www.ibm.com/blogs/cloud-archive/2017/05/watson-learns-see-food-introducing-watson-visual-recognition-food-model/https://developer.ibm.com/code/2017/10/20/analyze-captured-food-images-using-watson-visual-recognition/https://developer.ibm.com/code/2017/10/20/analyze-captured-food-images-using-watson-visual-recognition/https://www-i6.informatik.rwth-aachen.de/publications/download/1000/KollerOscarNeyHermannBowdenRichard--DeepHHowtoTrainaCNNon1MillionHImagesWhenYourDataIsContinuousWeaklyLabelled--2016.pdfhttps://www-i6.informatik.rwth-aachen.de/publications/download/1000/KollerOscarNeyHermannBowdenRichard--DeepHHowtoTrainaCNNon1MillionHImagesWhenYourDataIsContinuousWeaklyLabelled--2016.pdfhttps://arxiv.org/pdf/1611.01599.pdfhttps://arxiv.org/pdf/1611.01599.pdf
33
(3/7)DNN : exemples d'application
Observation de la terre
Segmentation sémantique 2016
Segmentation du foie et de ses lésions 2016
Imagerie médicale
Vision / Segmentation sémantique
Paysage routier
Véhicules autonome
What vegetable is the
dog chewing on?
What kind of dog is this?
What kind of flooring
does the room have?
carrot
husky
carpet
Réponse à des questions visuelles 2016
(VQA, visual question answering),
ancrage visuel (visual grounding)
"A cat is playing with a toy"
"A kitten and a ferret are
playfully wrestling."
Description de vidéo en langage naturel 2015
(video to text)
Vision et
traitement automatique de la langue naturelle
https://arxiv.org/pdf/1609.06846.pdfhttps://arxiv.org/pdf/1609.06846.pdfhttps://arxiv.org/pdf/1610.02177.pdfhttps://arxiv.org/pdf/1610.02177.pdfhttps://talhassner.github.io/home/publication/2018_MICCAIwhttps://talhassner.github.io/home/publication/2018_MICCAIwhttps://people.eecs.berkeley.edu/~jonlong/long_shelhamer_fcn.pdfhttps://people.eecs.berkeley.edu/~jonlong/long_shelhamer_fcn.pdfhttps://arxiv.org/pdf/1506.04579.pdfhttps://arxiv.org/pdf/1506.04579.pdfhttp://mi.eng.cam.ac.uk/projects/segnet/http://mi.eng.cam.ac.uk/projects/segnet/https://arxiv.org/pdf/1506.03648.pdfhttps://arxiv.org/pdf/1506.03648.pdfhttp://docs.openvinotoolkit.org/latest/usergroup4.htmlhttp://docs.openvinotoolkit.org/latest/usergroup4.htmlhttps://arxiv.org/pdf/1606.01847.pdfhttps://arxiv.org/pdf/1606.01847.pdfhttp://www.cs.utexas.edu/users/ml/papers/venugopalan.naacl15.pdfhttp://www.cs.utexas.edu/users/ml/papers/venugopalan.naacl15.pdfhttp://www.cs.utexas.edu/users/ml/papers/venugopalan.iccv15.pdfhttp://www.cs.utexas.edu/users/ml/papers/venugopalan.iccv15.pdf
34
(4/7)DNN : exemples d'application
Synthèse d'expressionReconnaissance sous différents angles
Frontalisation 2015 Echange de visages 2017
Reconstruction 3-D
Vision / Modélisation 3-D
VisagesPose humaine
Main 2017
Détection de chutes
https://talhassner.github.io/home/projects/augmented_faces/Masietal_ECCV2016.pdfhttps://talhassner.github.io/home/projects/augmented_faces/Masietal_ECCV2016.pdfhttps://talhassner.github.io/home/projects/augmented_faces/Masietal_ECCV2016.pdfhttps://talhassner.github.io/home/projects/augmented_faces/Masietal_ECCV2016.pdfhttps://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Masi_Pose-Aware_Face_Recognition_CVPR_2016_paper.pdfhttps://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Masi_Pose-Aware_Face_Recognition_CVPR_2016_paper.pdfhttps://talhassner.github.io/home/projects/frontalize/CVPR2015_frontalize.pdfhttps://talhassner.github.io/home/projects/frontalize/CVPR2015_frontalize.pdfhttps://arxiv.org/pdf/1704.06729.pdfhttps://arxiv.org/pdf/1704.06729.pdfhttps://arxiv.org/pdf/1612.04904.pdfhttps://arxiv.org/pdf/1612.04904.pdfhttps://talhassner.github.io/home/publication/2019_IJCV_1https://talhassner.github.io/home/publication/2019_IJCV_1https://arxiv.org/pdf/1802.00542.pdfhttps://arxiv.org/pdf/1802.00542.pdfhttp://docs.openvinotoolkit.org/latest/_models_intel_human_pose_estimation_0001_description_human_pose_estimation_0001.htmlhttp://docs.openvinotoolkit.org/latest/_models_intel_human_pose_estimation_0001_description_human_pose_estimation_0001.htmlhttps://medium.com/beyondminds/an-overview-of-human-pose-estimation-with-deep-learning-d49eb656739bhttps://medium.com/beyondminds/an-overview-of-human-pose-estimation-with-deep-learning-d49eb656739bhttps://paperswithcode.com/task/pose-estimationhttps://paperswithcode.com/task/pose-estimationhttps://arxiv.org/pdf/1705.01389v3.pdfhttps://arxiv.org/pdf/1705.01389v3.pdf
35
(5/7)DNN : exemples d'application
Portraits : évolution historique des modes et des tendances 2019
1953
Recherche d'images proches 2015
1
2
3
4+
Quantification d'objets saillants 2015(salient object subitizing)
Vision / Divers
crossing
waiting
queuing
walking
talking
Génération d'images
Colorisation d'images 2016 Transfert de style 2015 2017
image de style image de contenu
Détection de l'activité d'un groupe de personnes
2015
https://arxiv.org/pdf/1511.02575.pdfhttps://arxiv.org/pdf/1511.02575.pdfhttps://www.iis.sinica.edu.tw/~kevinlin311.tw/cvprw15.pdfhttps://www.iis.sinica.edu.tw/~kevinlin311.tw/cvprw15.pdfhttp://cs-people.bu.edu/jmzhang/SOS/SOS_preprint.pdfhttp://cs-people.bu.edu/jmzhang/SOS/SOS_preprint.pdfhttps://richzhang.github.io/colorization/resources/colorful_eccv2016.pdfhttps://richzhang.github.io/colorization/resources/colorful_eccv2016.pdfhttps://www.learnopencv.com/convolutional-neural-network-based-image-colorization-using-opencv/https://www.learnopencv.com/convolutional-neural-network-based-image-colorization-using-opencv/https://towardsdatascience.com/a-neural-algorithm-of-artistic-style-a-modern-form-of-creation-d39a6ac7e715https://towardsdatascience.com/a-neural-algorithm-of-artistic-style-a-modern-form-of-creation-d39a6ac7e715https://arxiv.org/pdf/1508.06576.pdfhttps://arxiv.org/pdf/1508.06576.pdfhttps://arxiv.org/pdf/1610.07629.pdfhttps://arxiv.org/pdf/1610.07629.pdfhttps://www.cs.sfu.ca/~mori/research/papers/deng-bmvc15.pdfhttps://www.cs.sfu.ca/~mori/research/papers/deng-bmvc15.pdf
36
(6/7)DNN : exemples d'application
Génération d'émojis 2017
Génération d'images
2016
(…) The most important one, in my opinion, is adversarial training (also called GAN
for Generative Adversarial Networks). (…)
2014, Ian Goodfellow
2016
2019
VQ-VAE
(Vector Quantised-Variational AutoEncode)
2017
2019
DNN discriminateur
DNN générateur image de synthèsevecteur aléatoire
(variable latente)
images réelles mesure de réalisme Les GAN ont fait l'objet d'une quantité phénoménale
d'articles depuis leur apparition. Ils ont produit des
résultats spectaculaires, même s'ils sont très difficiles à
faire marcher. (Le Cun, 2019)
Cet article a fait l'effet d'une bombe.
Tout le monde s'est mis aux GAN !
(Le Cun, 2019)
GAN (Generative Adversarial Networks, réseaux génératifs antagonistes, réseaux génératifs adverses)
https://arxiv.org/pdf/1611.02200.pdfhttps://arxiv.org/pdf/1611.02200.pdfhttps://www.quora.com/What-are-some-recent-and-potentially-upcoming-breakthroughs-in-deep-learninghttps://www.quora.com/What-are-some-recent-and-potentially-upcoming-breakthroughs-in-deep-learninghttps://arxiv.org/pdf/1406.2661.pdfhttps://arxiv.org/pdf/1406.2661.pdfhttps://arxiv.org/pdf/1411.1784.pdfhttps://arxiv.org/pdf/1411.1784.pdfhttps://arxiv.org/pdf/1511.06434.pdfhttps://arxiv.org/pdf/1511.06434.pdfhttps://arxiv.org/pdf/1511.06434.pdfhttps://arxiv.org/pdf/1511.06434.pdfhttps://arxiv.org/pdf/1711.00937.pdfhttps://arxiv.org/pdf/1711.00937.pdfhttps://arxiv.org/pdf/1906.00446.pdfhttps://arxiv.org/pdf/1906.00446.pdfhttps://fr.wikipedia.org/wiki/R%C3%A9seaux_antagonistes_g%C3%A9n%C3%A9ratifshttps://fr.wikipedia.org/wiki/R%C3%A9seaux_antagonistes_g%C3%A9n%C3%A9ratifshttps://skymind.ai/wiki/generative-adversarial-network-ganhttps://skymind.ai/wiki/generative-adversarial-network-ganhttps://medium.com/@jonathan_hui/gan-why-it-is-so-hard-to-train-generative-advisory-networks-819a86b3750bhttps://medium.com/@jonathan_hui/gan-why-it-is-so-hard-to-train-generative-advisory-networks-819a86b3750bhttps://medium.com/datadriveninvestor/an-introduction-to-conditional-gans-cgans-727d1f5bb011https://medium.com/datadriveninvestor/an-introduction-to-conditional-gans-cgans-727d1f5bb011https://openclassrooms.com/fr/courses/5801891-initiez-vous-au-deep-learning/5814631-construisez-des-modeles-generatifs-grace-aux-reseaux-de-neuroneshttps://openclassrooms.com/fr/courses/5801891-initiez-vous-au-deep-learning/5814631-construisez-des-modeles-generatifs-grace-aux-reseaux-de-neurones
37
(7/7)DNN : exemples d'application
- Traitement automatique de la langue naturelle (NLP)
- Traduction automatique
- Génération automatique de textes
- Analyse de sentiment
- Audio
- Reconnaissance vocale
- Synthèse vocale
- Clonage vocal
- Sonorisation de vidéos
- Imitation de styles artistiques
(composition musicale)
- Génération d'images
- Ecriture manuscrite
- Photos à partir de croquis
- Augmentation de la résolution
- Visages avec lèvres synchronisées sur l'audio
- Robotique
- Planification de mouvements
- Navigation, véhicules autonomes
- Jeux
- de réflexion (AlphaGo)
- de stratégie (AlphaStar)
- d'action
- Banque, finance
- Prévisions fiancières
- Notation fiancière..
…
Et beaucoup d'autres encore…
- Browse state-of-the-art
- 30 amazing applications of deep learning
- 8 Inspirational applications of deep learning
- Awesome deep vision
- Are we there yet?
- Applications of neural networks
- What are the applications of neural networks?
- NNs for beginners: popular types and applications
- Real world applications of ANNs
- ANNs applications and algorithms
- ModelZoo
- 1D CNNs and applications - A survey
- Applications of CNNs
- A beginner's guide to GANs
Exemples de liens
Olivier Ezratty
"Les usages de l'I.A." (2019)
624 pages
Revue “Science & Vie”
(03/2020)
https://machinelearningmastery.com/inspirational-applications-deep-learning/https://machinelearningmastery.com/inspirational-applications-deep-learning/https://github.com/kjw0612/awesome-deep-visionhttps://github.com/kjw0612/awesome-deep-visionhttp://rodrigob.github.io/are_we_there_yet/build/http://rodrigob.github.io/are_we_there_yet/build/https://cs.stanford.edu/people/eroberts/courses/soco/projects/neural-networks/Applications/https://cs.stanford.edu/people/eroberts/courses/soco/projects/neural-networks/Applications/https://www.quora.com/What-are-the-applications-of-neural-networkshttps://www.quora.com/What-are-the-applications-of-neural-networkshttp://www.yaronhadad.com/deep-learning-most-amazing-applications/http://www.yaronhadad.com/deep-learning-most-amazing-applications/https://paperswithcode.com/sotahttps://paperswithcode.com/sotahttps://blog.statsbot.co/neural-networks-for-beginners-d99f2235efcahttps://blog.statsbot.co/neural-networks-for-beginners-d99f2235efcahttps://medium.com/@jayeshbahire/real-world-applications-of-artificial-neural-networks-a6a6bc17ad6ahttps://medium.com/@jayeshbahire/real-world-applications-of-artificial-neural-networks-a6a6bc17ad6ahttps://www.xenonstack.com/blog/artificial-neural-network-applications/https://www.xenonstack.com/blog/artificial-neural-network-applications/https://modelzoo.co/categorieshttps://modelzoo.co/categorieshttps://arxiv.org/ftp/arxiv/papers/1905/1905.03554.pdfhttps://arxiv.org/ftp/arxiv/papers/1905/1905.03554.pdfhttps://ijcsit.com/docs/Volume 7/vol7issue5/ijcsit20160705014.pdfhttps://ijcsit.com/docs/Volume 7/vol7issue5/ijcsit20160705014.pdfhttps://skymind.ai/wiki/generative-adversarial-network-ganhttps://skymind.ai/wiki/generative-adversarial-network-ganhttps://www.oezratty.net/wordpress/2019/usages-intelligence-artificielle-2019/https://www.oezratty.net/wordpress/2019/usages-intelligence-artificielle-2019/
38
DNN : plus efficaces, comment, pourquoi ?
Andrew Ng
Les DNNs permettent de mieux tirer profit de
grandes quantités de données d'apprentissage.
1 chien
2 chat3 auto
4 bateau
1 chien
2 chat3 auto
4 bateau
Importance de la profondeur du réseau
"Do deep nets really need to be deep?" (2014)
Importance du volume des données d'apprentissage
Variantes
Les raison théoriques de l'efficacité des DNNs semblent complexes et sont encore mal connues. (2014)
DNN
extraction de caractéristiques
et classification
Avec les DNNs, les traitement sont plus adaptés et mieux intégrés (end-to-end learning model).
Approche classique
extraction de
caractéristiques
classification
https://www.researchgate.net/publication/333910044_Wireless_Networks_Design_in_the_Era_of_Deep_Learning_Model-Based_AI-Based_or_Bothhttps://www.researchgate.net/publication/333910044_Wireless_Networks_Design_in_the_Era_of_Deep_Learning_Model-Based_AI-Based_or_Bothhttp://cs229.stanford.edu/materials/CS229-DeepLearning.pdfhttp://cs229.stanford.edu/materials/CS229-DeepLearning.pdfhttps://www.deeplearning.ai/content/uploads/2018/09/Ng-MLY01-12.pdfhttps://www.deeplearning.ai/content/uploads/2018/09/Ng-MLY01-12.pdfhttps://media.nips.cc/Conferences/2016/Slides/6203-Slides.pdfhttps://media.nips.cc/Conferences/2016/Slides/6203-Slides.pdfhttps://blog.easysol.net/building-ai-applications/https://blog.easysol.net/building-ai-applications/https://medium.com/@rishavsapahia/10-min-recap-for-andrew-ngs-deep-learning-specialization-course-1-3fdae3c85853https://medium.com/@rishavsapahia/10-min-recap-for-andrew-ngs-deep-learning-specialization-course-1-3fdae3c85853https://arxiv.org/pdf/1312.6184.pdfhttps://arxiv.org/pdf/1312.6184.pdfhttps://hackernoon.com/%EF%B8%8F-big-challenge-in-deep-learning-training-data-31a88b97b282https://hackernoon.com/%EF%B8%8F-big-challenge-in-deep-learning-training-data-31a88b97b282https://datascience.stackexchange.com/questions/45774/where-does-the-deep-learning-needs-big-data-rule-come-from?noredirect=1&lq=1https://datascience.stackexchange.com/questions/45774/where-does-the-deep-learning-needs-big-data-rule-come-from?noredirect=1&lq=1https://arxiv.org/pdf/1410.3831.pdfhttps://arxiv.org/pdf/1410.3831.pdfhttps://stats.stackexchange.com/questions/218961/how-to-understand-end-to-end-in-deep-learninghttps://stats.stackexchange.com/questions/218961/how-to-understand-end-to-end-in-deep-learning
39
Pour en savoir plus…
16/10/2019
40
4 Traitement automatique du langage naturel
41
Traitement automatique du langage naturel (TALN, NLP)
= ensemble des techniques visant à modéliser et à reproduire, à l’aide de machines, la capacité humaine à produire
et à comprendre des énoncés linguistiques dans des buts de communication.
Syntaxe (syntax)- tokenization,
délimitation de la phrase (sentence breaking),
séparation des mots (word segmentation)
- lemmatisation (lemmatisation, lemmatization)
- racinisation (désuffixation, stemming)
- étiquetage morpho-syntaxique
(part-of-speech tagging, PoS tagging, POST)
- segmentation morphologique (morphological segmentation)
- analyse syntaxique (parsing)
- extraction terminologique (terminology extraction)
Sémantique (semantics)- traduction automatique (machine translation, MT)
- génération automatique de textes (GAT, natural language generation, NLG)
- résumé automatique de texte (automatic summarization),
reformulation et paraphrasage
- désambiguïsation lexicale (word-sense disambiguation)
- correction orthographique (spell checking)
- compréhension du langage naturel (interprétation du langage naturel,
natural language understanding, NLU, natural-language interpretation, NLI)
- agents conversationnels
(assistant virtuel, chatbot, chatterbot, bot, interactive agent),
systèmes de questions-réponses (question answering, QA)
- détection de coréférences (coreference detection),
résolution d'anaphores (anaphora resolution)
Extraction d'informations (information extraction, IE)- fouille de textes (text mining)
- recherche d'information (RI, information retrieval, IR)
- moteur de recherche (web search engine)
- reconnaissance d'entités nommées (named-entity recognition, NER)
- classification de documents (catégorisation de documents,
document classification, document classification)
- systèmes de tutorat intelligents (intelligent tutoring systems)
- analyse de sentiment (opinion mining, sentiment analysis)
- recommandation automatique de documents
(recommender system, recommendation system)
traitement automatique de la langue naturelle, traitement automatique des langues (TAL),
Natural Language Processing (NLP)
Traitement du signal (signal processing) - graphie
- reconnaissance de l'écriture manuscrite
(handwriting recognition, HWR)
- reconnaissance optique de caractères
(ROC, optical character recognition, OCR)
- lecture automatique de document (LAD)
- traitement de la parole (speech processing)
- reconnaissance automatique de la parole
(speech recognition, automatic speech recognition,
ASR, speech to text, STT)
- synthèse vocale
(speech synthesis, text-to-speech, TTS)
- reconnaissance du locuteur (speaker recognition)
- détection des langues et des dialectes
(language and dialect identification)
source : Wikipedia
https://fr.wikipedia.org/wiki/Traitement_automatique_du_langage_naturelhttps://fr.wikipedia.org/wiki/Traitement_automatique_du_langage_naturel
42
Illustrations en Python
scikit-learn
● Traitement élémentaires : tokénisation, fonction grammaticale des mots, lemmatisation
● Analyse de sentiment
nombre d’occurrences des verbes dans un texte
Barack Obama’s Speech on Race
Philadelphia, Pennsylvania
March 18, 2008
“We the people, in order to form a more perfect union. ”Two hundred and twenty one years
ago, in a hall that still stands across the street, a group of men gathered and, with these
simple words, launched America’s improbable experiment in democracy. Farmers and
scholars; statesmen and patriots who had traveled across an ocean to escape tyranny and
persecution finally made real their declaration of independence at a Philadelphia convention
that lasted through the spring of 1787.The document they produced was eventually signed
but ultimately unfinished. It was stained by this nation’s original sin of slavery, a question
that divided the colonies and brought the convention to a stalemate until the founders chose
to allow the slave trade to continue for at least twenty more years, and to leave any final
resolution to future generations. Of course, the answer to the slavery question was already
embedded within our Constitution – a Constitution that had at its very core the ideal of equal
citizenship under the law; a Constitution that promised its people liberty, and justice, and a
union that could be and should be perfected over time.
…
40 lignes de code
verbatims de clients
60 lignes de code
- Modèle du sac de mots
- Matrice documents-termes binaire
- Classifieur naïf de Bayes (MNB)
- Validation croisée :
80% → apprentissage
20% → test
mesure moyenne
de justesse→
43
Conclusion
44
L'Intelligence Artificielle…
- domaine d'étude étendu, aux contours flous
- à la croisée de nombreuses disciplines
- très nombreux outils et algorithmes
- nombreuses applications
Un vaste sujet
- par définition : « …résoudre des problèmes qui sont
aujourd’hui l’apanage de l’intelligence humaine. »
- des résultats parfois déroutants, difficiles à interpréter
- une fiabilité incertaine
- des algorithmes sophistiqués,
développés par des spécialistes
- beaucoup de mathématiques (probabilités, …)
Un sujet complexe
- pour la programmation :
- l'importance des librairies, des APIs
- Python : un bon langage pour assembler
des briques logicielles (“glue” language)
Un sujet à la mode
https://futurism.com/artificial-intelligence-hypehttps://futurism.com/artificial-intelligence-hype
45
L'Intelligence Artificielle…
Un sujet prometteur (parfois trop ?)
Un sujet en pleine accélération ?
- progrès matériels
- progrès algorithmiques
- explosion des données
- effet cumulatif des
nouvelles technologies
- …
2016
Venture Funding for AI Startups
2018
2018
2016
http://reports.weforum.org/digital-transformation/wp-content/blogs.dir/94/mp/files/pages/files/wef-digital-transformation-2016-exec-summary.pdfhttp://reports.weforum.org/digital-transformation/wp-content/blogs.dir/94/mp/files/pages/files/wef-digital-transformation-2016-exec-summary.pdfhttps://www.theverge.com/2018/12/12/18136929/artificial-intelligence-ai-index-report-2018-machine-learning-global-progress-researchhttps://www.theverge.com/2018/12/12/18136929/artificial-intelligence-ai-index-report-2018-machine-learning-global-progress-researchhttps://waitbutwhy.com/2015/01/artificial-intelligence-revolution-1.htmlhttps://waitbutwhy.com/2015/01/artificial-intelligence-revolution-1.htmlhttps://www.kdnuggets.com/2018/02/current-hype-cycle-artificial-intelligence.htmlhttps://www.kdnuggets.com/2018/02/current-hype-cycle-artificial-intelligence.htmlhttps://www.objectstyle.com/machine-learning/artificial-intelligence-discussion-do-we-expect-too-muchhttps://www.objectstyle.com/machine-learning/artificial-intelligence-discussion-do-we-expect-too-muchhttps://blog.piekniewski.info/2018/05/28/ai-winter-is-well-on-its-way/https://blog.piekniewski.info/2018/05/28/ai-winter-is-well-on-its-way/https://www.alexirpan.com/2018/02/14/rl-hard.htmlhttps://www.alexirpan.com/2018/02/14/rl-hard.htmlhttps://mattermark.com/blood-sweat-years-raising-money-deep-learning-startup/https://mattermark.com/blood-sweat-years-raising-money-deep-learning-startup/
46
merci