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

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. Les principaux innovateurs dans le domaine insistent sur le fait que le progrès provient de l’automatisation des processus. Ceci présente le défaut que le processus d’apprentissage automatique devient privatisé et obscur. Privatisé, car les algorithmes d’AA constituent des gigantesques opportunités économiques, et obscurs car leur compréhension passe derrière leur optimisation. Cette évolution peut potentiellement nuire à la confiance du public envers l’apprentissage automatique, mais surtout au potentiel à long terme de techniques très prometteuses. La voiture autonome présente un cadre test pour confronter l’apprentissage automatique à la société. En effet, ce n’est pas seulement l’algorithme qui se forme à la circulation routière et ses règles, mais aussi l’inverse. Le principe de responsabilité est remis en cause par l’apprentissage automatique, car l’algorithme n’est plus écrit mais apprend et développe une sorte d’intuition numérique. Les créateurs d’algorithmes ne sont plus en mesure de comprendre les « décisions » prises par leurs algorithmes, ceci par construction mathématique même de l’algorithme d’apprentissage automatique. Dans le cas de l’AA et les voitures autonomes, la question de la responsabilité en cas d’accident se pose. La société doit apporter une réponse à cette question, avec différentes approches possibles. Aux États-Unis, il existe la tendance à juger une technologie par la qualité du résultat qu’elle produit, alors qu’en Europe le principe de précaution est appliqué, et on y a plus tendance à juger une nouvelle technologie par rapport aux précédentes, en évaluant les différences par rapport à ce qui est déjà connu. Des processus d’évaluation de risques sont en cours en Europe et aux États-Unis. La question de responsabilité est d’autant plus compliquée que la priorité chez les concepteurs réside en la conception d’un algorithme optimal, et non pas de le comprendre. L’interprétabilité des algorithmes est nécessaire pour en comprendre les décisions, notamment lorsque ces décisions ont un impact profond sur la vie des individus. Cette notion d’interprétabilité, c’est-à-dire de la capacité de comprendre pourquoi et comment un algorithme agit, est aussi sujette à interprétation. La question de l’accessibilité des données est sujette à controverse : dans le cas des voitures autonomes, certains défendent l’accès public aux données, ce qui permettrait un meilleur apprentissage aux algorithmes et ne concentrerait pas cet « or numérique » dans les mains d’une poignée d’individus, de plus d’autres militent pour la privatisation des données au nom du libre marché, sans négliger le fait que des bonnes données constituent un avantage compétitif et donc économique. (+)

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

• ..................?
• ..................?
• ..................?

(+)

Liaisons enseignements et programmes

Idées ou Réflexions liées à son enseignement

• ..................

• .................

• ..................

• .................

(+)

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 24, novembre, 2024

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

Donnez votre avis sur les fiches conceptuelles