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.