Apprentissage automatique

Autres Fiches Conceptuelles

Posez une Question

(+)

Votre Publicité sur le Réseau

Traduction

Apprentissage automatique (Français) / Machine learning (Anglais) / تعلم الآلة (Arabe)

(+)

Traductions

Définition

Domaine, Discipline, Thématique

(+)

L'apprentissage automatique / apprentissage machine / apprentissage artificiel / apprentissage statistique / l'intelligence artificielle / Machine Learning / Apprentissage supervisé / boosting / bagging / régression logistique /

Justification

Définition écrite

• L'apprentissage automatique (en anglais : machine learning), apprentissage artificiel ou apprentissage statistique est un champ d'étude de l'intelligence artificielle qui se fonde sur des approches mathématiques et statistiques pour donner aux ordinateurs la capacité d'« apprendre » à partir de données, c'est-à-dire d'améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune. Plus largement, il concerne la conception, l'analyse, l'optimisation, le développement et l'implémentation de telles méthodes.
• L'apprentissage automatique comporte généralement deux phases. La première consiste à estimer un modèle à partir de données, appelées observations, qui sont disponibles et en nombre fini, lors de la phase de conception du système. L'estimation du modèle consiste à résoudre une tâche pratique, telle que traduire un discours, estimer une densité de probabilité, reconnaître la présence d'un chat dans une photographie ou participer à la conduite d'un véhicule autonome. Cette phase dite « d'apprentissage » ou « d'entraînement » est généralement réalisée préalablement à l'utilisation pratique du modèle. La seconde phase correspond à la mise en production : le modèle étant déterminé, de nouvelles données peuvent alors être soumises afin d'obtenir le résultat correspondant à la tâche souhaitée. En pratique, certains systèmes peuvent poursuivre leur apprentissage une fois en production, pour peu qu'ils aient un moyen d'obtenir un retour sur la qualité des résultats produits.

(+)

Selon les informations disponibles durant la phase d'apprentissage, l'apprentissage est qualifié de différentes manières. Si les données sont étiquetées (c'est-à-dire que la réponse à la tâche est connue pour ces données), il s'agit d'un apprentissage supervisé. On parle de classification ou de classement si les étiquettes sont discrètes, ou de régression si elles sont continues. Si le modèle est appris de manière incrémentale en fonction d'une récompense reçue par le programme pour chacune des actions entreprises, on parle d'apprentissage par renforcement. Dans le cas le plus général, sans étiquette, on cherche à déterminer la structure sous-jacente des données (qui peuvent être une densité de probabilité) et il s'agit alors d'apprentissage non supervisé. L'apprentissage automatique peut être appliqué à différents types de données, tels des graphes, des arbres, des courbes, ou plus simplement des vecteurs de caractéristiques, qui peuvent être des variables qualitatives ou quantitatives continues ou discrètes.

Apprentissage automatique - Historique (+)

Définition graphique

• 

  Les machines à noyau sont utilisées pour calculer des fonctions non linéairement séparables

• 

  La notion de leartning machine

• 

  Systhème de connaissance avec un programme d'apprentissage automatique

• 

  Examen du calcul de l’apprentissage dirigé

{{{AutresMedias}}}

Concepts ou notions associés

(+)

Machine Learning / L'apprentissage automatique / Apprentissage machine / Apprentissage artificiel / Apprentissage statistique / Intelligence artificielle / Algorithme d'apprentissage / Apprentissage supervisé / Apprentissage non supervisé / Apprentissage semi-supervisé /

Apprentissage automatique - Glossaire / (+)

Exemples, applications, utilisations

L'apprentissage automatique est utilisé dans un large spectre d'applications pour doter des ordinateurs ou des machines de capacité d'analyser des données d'entrée comme : perception de leur environnement (vision, Reconnaissance de formes tels des visages, schémas, segmentation d'image, langages naturels, caractères dactylographiés ou manuscrits ; moteurs de recherche, analyse et indexation d'images et de vidéo, en particulier pour la recherche d'image par le contenu ; aide aux diagnostics, médical notamment, bio-informatique, chémoinformatique ; interfaces cerveau-machine ; détection de fraudes à la carte de crédit, cybersécurité, analyse financière, dont analyse du marché boursier ; classification des séquences d'ADN ; jeu ; génie logiciel ; adaptation de sites Web ; robotique (locomotion de robots, etc.) ; analyse prédictive dans de nombreux domaines (financière, médicale, juridique, judiciaire). Un système d'apprentissage automatique peut permettre à un robot ayant la capacité de bouger ses membres, mais ne sachant initialement rien de la coordination des mouvements permettant la marche, d'apprendre à marcher. Le robot commencera par effectuer des mouvements aléatoires, puis, en sélectionnant et privilégiant les mouvements lui permettant d'avancer, mettra peu à peu en place une marche de plus en plus efficace La reconnaissance de caractères manuscrits est une tâche complexe car deux caractères similaires ne sont jamais exactement identiques. Il existe des systèmes d'apprentissage automatique qui apprennent à reconnaître des caractères en observant des « exemples », c'est-à-dire des caractères connus. Un des premiers système de ce type est celui de reconnaissance des codes postaux US manuscrits issu des travaux de recherche de Yann Le Cun, un des pionniers du domaine 18,19, et ceux utilisés pour la reconnaissance d'écriture ou OCR. La voiture autonome paraît en 2016 réalisable grâce à l’apprentissage automatique et les énormes quantités de données générées par la flotte automobile, de plus en plus connectée. Contrairement aux algorithmes classiques (qui suivent un ensemble de règles prédéterminées), l’apprentissage automatique apprend ses propres règles. (+)

Erreurs ou confusions éventuelles

• Confusion entre Apprentissage supervisé - Apprentissage non supervisé
• Confusion entre Apprentissage semi-supervisé - Apprentissage partiellement supervisé
• Erreur fréquente: Apprentissage par renforcement

(+)

Questions possibles

• Comment transférer la connaissance de la ou des tâche(s) source(s) vers la ou les tâche(s) cible(s)?
• Comment réagit-elle une voiture autonome en cas de situations dangereuses?
• Que peut faire l'apprentissage automatique?

(+)

Liaisons enseignements et programmes

Idées ou Réflexions liées à son enseignement

• Dans les années 2000-2010, l'apprentissage automatique est encore une technologie émergente, mais polyvalente, qui est par nature théoriquement capable d'accélérer le rythme de l'automatisation et de l'autoaprentissage lui-même. Combiné à l'apparition de nouveaux moyens de produire, stocker et faire circuler l'énergie, ainsi qu'à l'informatique ubiquiste, il pourrait bouleverser les technologies et la société comme l'ont fait la machine à vapeur et l'électricité, puis le pétrole et l'informatique lors des révolutions industrielles précédentes. L'apprentissage automatique pourrait générer des innovations et des capacités inattendues, mais avec un risque selon certains observateurs de perte de maitrise de la part des humains sur de nombreuses tâches qu'ils ne pourront plus comprendre et qui seront faites en routine par des entités informatiques et robotisées. Ceci laisse envisager des impacts spécifiques complexes et encore impossibles à évaluer sur l'emploi, le travail et plus largement l'économie et les inégalités.

• .................

• Il est tentant de s'inspirer des êtres vivants sans les copier naïvement37 pour concevoir des machines capables d'apprendre. Les notions de percept et de concept comme phénomènes neuronaux physiques ont d'ailleurs été popularisés dans le monde francophone par Jean-Pierre Changeux. L'apprentissage automatique reste avant tout un sous-domaine de l'informatique, mais il est étroitement lié opérationnellement aux sciences cognitives, aux neurosciences, à la biologie et à la psychologie, et pourrait à la croisée de ces domaines, nanotechnologies, biotechnologies, informatique et sciences cognitives, aboutir à des systèmes d'intelligence artificielle ayant une assise plus vaste. Des enseignements publics ont notamment été dispensés au Collège de France, l'un par Stanislas Dehaene38 orienté sur l'aspect bayésien des neurosciences, et l'autre par Yann LeCun39 sur les aspects théoriques et pratiques de l'apprentissage profond.

• .................

(+)

Aides et astuces

• ..................

• .................

• ..................

• .................

Education: Autres liens, sites ou portails

• ..................
• ..................
• ..................

Bibliographie

Pour citer cette page: (automatique)

ABROUGUI, M & al, 2022. Apprentissage automatique. In Didaquest [en ligne]. <http:www.didaquest.org/wiki/Apprentissage_automatique>, consulté le 21, novembre, 2024

• ..................
• ..................
• ..................
• ..................

Donnez votre avis sur les fiches conceptuelles