Cours 14 Apprentissage automatique et IA Flashcards
Qu’est ce que l’apprentissage?
Nous avons vu la position des béhavioristes comme quoi l’apprentissage serait :
- Une modification du comportement du sujet
- Plus ou moins durable
- Résultant de l’expérience du sujet
- Impliquant une connexion entre au moins deux stimuli
En fin de session, nous pouvons réviser cette définition pour la rendre conforme aux découvertes faites les cognitivistes, à savoir que l’apprentissage serait :
- Une modification du comportement du sujet
- Impliquant la mémoire long-terme et la mémoire de travail
- Résultant de l’acquisition de connaissances
- Impliquant la connexion d’au moins deux éléments d’information
Qu’est ce que l’apprentissage machine?
« L’apprentissage automatique (en anglais machine learning) ou apprentissage statistique, champ d’étude de l’intelligence artificielle, concerne la conception, l’analyse, le développement et l’implémentation de méthodes permettant à une machine (au sens large) d’évoluer par un processus systématique, et ainsi de remplir des tâches difficiles ou problématiques par des moyens algorithmiques plus classiques. »
Selon Pedro Domingos
Selon Pedro Domingos, professeur à Washington University, on peut comparer l’apprentissage machine au jardinage! - Professeur Domingos propose que:
- Les algorithmes seraient comme des graines
- Les données joueraient le rôle d’engrais
- Le chercheur/ingénieur serait le jardinier
- Les programmes/applications développés seraient les fruits de ce jardinage
Modèle traditionnel de l’ordinateur
- Le problème est qu’il faut créer le programme. Or cela prend beaucoup de temps et de ressources.
Comment l’AA change le développement des logiciels
- L’ordinateur développe le programme nécessaire pour exécuter la tâche désignée. Cela est rendu possible par l’intelligence artificielle.
Les applications de l’AA sont innombrables :
- Logiciels de recherche internet (p.e Google)
- Analyse financière, marchés boursiers
- La robotique
- Extraction/traitement de données (“Big Data”)
- Réseaux sociaux
- Reconnaissance visuelle (“le cas Facebook”)
- Reconnaissance du langage naturel
- Etc.
Les formes d’apprentissage automatique
Apprentissage supervisé
– Les données d’apprentissage contiennent aussi des informations sur le résultat visé
• Apprentissage semi-supervisé
– Les données d’apprentissage contiennent quelques informations sur le résultat visé
• Apprentissage non-supervisé
– Les données d’apprentissage ne contiennent pas d’information sur le résultat visé
• Apprentissage par renforcement
– Une forme de récompense est obtenue suite à une séquence d’actions
Apprentissage supervisé
- Ce type d’AA est utilisé si des exemples de données sont disponibles et permettent d’identifier à l’avance les catégories. On parle de processus d’étiquetage, fait généralement par un expert (humain). Une fois le modèle construit, il est testé en classant de nouvelles données et en validant l’exactitude de cette classification automatique.
Apprentissage semi-supervisé
- Comme l’AA de type non-supervisé, l’AA semi-supervisé est utilisé pour identifier la structure sous-jacente des données mais dans le cas ou il manque des données ou des étiquettes, et non pas en cas de totale absente.
Apprentissage non-supervisé
Ce type d’AA est utilisé si les exemples disponibles ne permettent pas de déterminer les catégories (c-a-d les étiquettes).
- On parle souvent de « clustering ».
- Le système d’intelligence artificiel doit alors identifier la structure sous-jacente des données lui-même en utilisant divers algorithmes appropriés.
Apprentissage par renforcement
- Dans ce type d’AA, on cherche à identifier les actions qu’un agent (type de logiciel intelligent) doit agir dans un environnement donné afin de maximiser à long-terme la récompense.
- Une particularité de ce type de AA est que l’agent intelligent ne se fait pas montré quoi faire et ses réponses sousoptimales ne sont pas corrigées par une source externe
Le cerveau de l’AA : des algorithmes spécialisés
L’apprentissage automatique repose sur le développement d’algorithmes spécialisés.
- Il en existe déjà un nombre énorme et chaque année on en découvre/invente des dizaines supplémentaires.
- Pour plus d’information sur les logiciels (plusieurs en « open-source ») contenant des algorithmes d’apprentissage automatique, veuillez consulter la page wikipedia suivante
https://en.wikipedia.org/wiki/Machine_learning#Reinforcement_learning
Le cerveau de l’AA : des algorithmes spécialisés (suite)
Dans son article de 2012 intitulé « A few useful things to know about Machine Learning », Professeur Pedro Domingos propose tout algorithme d’apprentissage machine possède trois composantes:
- Une méthode de représentation
- Une méthode d’évaluation
- Une méthode d’optimisation « Learning = Representation + Evaluation + Optimization »
Représentation
- La représentation est essentiellement l’espace des modèles possibles (l’espace des hypothèses), mais tient également compte du fait que nous exprimons ces modèles dans un langage formel qui peut encoder certains modèles plus facilement que d’autres (même dans cet ensemble possible). Cela s’apparente au paysage des modèles possibles, le terrain de jeu permis par une représentation donnée. «If a classifier is not in the hypothesis space, it cannot be learned.»
(Domingos, 2012, page 1)
Évaluation
L’évaluation est essentiellement comment on juge ou préfère un modèle par rapport à un autre. Ceci peut être basé sur une fonction d’utilité, un score, une capacité, etc. «An evaluation function (also called objective function or scoring function) is needed to distinguish good classifiers from bad ones.» (Domingos, 2012, page 1)
