Apprentissage automatique

De Didaquest
Aller à la navigationAller à la recherche


Autres Fiches Conceptuelles
Posez une Question


(+)

Target Icon.pngVotre Publicité sur le Réseau Target Icon.png

Puce-didaquest.png Traduction


More-didaquest.png Traductions


Widget:Historique-Fiche

Modèle:Fiche Didactique historique


Puce-didaquest.png Définition

Domaine, Discipline, Thématique


More-didaquest.png Justification


Définition écrite

Emblem-important-blue.svg
  • 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.

More-didaquest.png Apprentissage automatique - Historique (+)


Définition graphique

Emblem-important-blue.svg

  • 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


Emblem-important-blue.svg


Emblem-important-blue.svg

{{{AutresMedias}}}


Puce-didaquest.png Concepts ou notions associés


More-didaquest.png Apprentissage automatique - Glossaire / (+)



Puce-didaquest.png 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.

(+)


Puce-didaquest.png Erreurs ou confusions éventuelles

Emblem-important-blue.svg

(+)



Puce-didaquest.png Questions possibles



Puce-didaquest.png Liaisons enseignements et programmes

Idées ou Réflexions liées à son enseignement

Emblem-important-blue.svg
  • L'apprentissage automatique s'intègre au sein de l’intégration de l’IA qui a une grande influance dans le secteur d'éducation.

L’IA, nous l’avons vu, est en émergence dans le domaine de l’éducation, notamment avec les applications à destination tant des apprenants que des enseignants. La cartographie IA en éducation réalisée nous montre la diversité des usages actuellement :

  • Traitement du langage naturel, comme par exemple Kialo-edu.com5 , qui soutient des activités d’argumentation en classe
  • Reconnaissance visuelle, comme dans le cas de Lexplore.com6, qui permet l’analyse de lecture des élèves.
  • Reconnaissance vocale, comme RoboTutor, qui s’adapte au niveau des apprenants tant sur des activités de langue que mathématiques
  • Systèmes experts; la création de déboires en mathématiques
  • Robotique, comme Rubi project

(+)



Aides et astuces

Emblem-important-blue.svg
  • Indicateurs dans le contexte de la classification
  • Matrice de confusionUne : matrice de confusion est utilisée pour avoir une image complète de la performance d'un modèle. Elle est définie de la manière suivant.
  • Indicateurs principaux : Les indicateurs suivants sont communément utilisés pour évaluer la performance des modèles de classification.
  • Courbe ROC : La fonction d'efficacité du récepteur, plus fréquemment appelée courbe ROC (de l'anglais Receiver Operating Curve), est une courbe représentant le taux de True Positives en fonction de taux de False Positives et obtenue en faisant varier le seuil.
  • AUC : L'aire sous la courbe ROC, aussi notée AUC (de l'anglais Area Under the Curve) ou AUROC (de l'anglais Area Under the ROC).
  • Indicateurs dans le contexte de la régression
  • Indicateurs de baseÉtant donné un modèle de régression ff, les indicateurs suivants sont communément utilisés pour évaluer la performance d'un modèle.
  • Coefficient de déterminationLe coefficient de détermination, souvent noté R^2R2 ou r^2r2 , donne une mesure sur la qualité du modèle
  • Indicateurs principauxLes indicateurs suivants sont communément utilisés pour évaluer la performance des modèles de régression.



Education: Autres liens, sites ou portails




Puce-didaquest.png Bibliographie

Emblem-important-blue.svg

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
  • « apprentissage automatique » [archive], Le Grand Dictionnaire terminologique, Office québécois de la langue française (consulté le 28 janvier 2020).
  • Commission d'enrichissement de la langue française, « Vocabulaire de l’intelligence artificielle (liste de termes, expressions et définitions adoptés) », Journal officiel de la République française no 0285 du 9 décembre 2018 [lire en ligne [archive]] [PDF].
  • « classement » est la traduction correcte du terme anglais classification ; la « classification » française correspond plutôt au clustering en anglais. Voir par exemple la BDL [archive] québécoise.
  • https://www.cs.virginia.edu/~robins/Turing_Paper_1936.pdf [archive]
  • https://www.csee.umbc.edu/courses/471/papers/turing.pdf [archive]
  • (en) « Neural Networks » [archive], sur standford.edu (consulté le 11 mai 2018).
  • (en) « Arthur Lee Samuel » [archive], sur history.computer.org (consulté le 11 mai 2018).
  • (en) « Arthur Samuel: Pioneer in Machine Learning » [archive], sur standford.edu (consulté le 11 mai 2018).
  • (en-US) « IBM100 - Deep Blue » [archive], sur www-03.ibm.com, 7 mars 2012 (consulté le 11 mai 2018).
  • (en-US) John Markoff, « On ‘Jeopardy!’ Watson Win Is All but Trivial », The New York Times,‎ 16 février 2011 (ISSN 0362-4331, lire en ligne [archive], consulté le 11 mai 2018).
  • (en) « Google's Artificial Brain Learns to Find Cat Videos » [archive], sur wired.com, 20 juin 2012 (consulté le 11 mai 2018).
  • (en) Jamie Condliffe, « Google's Artificial Brain Loves to Watch Cat Videos » [archive], sur gizmodo.com, 26 juin 2012 (consulté le 11 mai 2018).
  • (en) Doug Aamoth, « Interview with Eugene Goostman, the Fake Kid Who Passed the Turing Test » [archive], sur time.com, 9 juin 2014 (consulté le 11 mai 2018).
  • (en) Christof Koch, « How the Computer Beat the Go Master » [archive], sur scientificamerican.com, 19 mars 2016 (consulté le 11 mai 2018).
  • (en) Jamie Condliffe, « AI Has Beaten Humans at Lip-reading » [archive], sur technologyreview.com, 21 novembre 2016 (consulté le 11 mai 2018).
  • (en) « A history of machine learning » [archive], sur cloud.withgoogle.com (consulté le 11 mai 2018).
  • Yann Le Cun sur l'apprentissage prédictif [archive], 2016.
  • « Retour d'expérience sur l'étude de la base MNIST pour la reconnaissance de chiffres manuscrits


Récupérée de « https://didaquest.org/w/index.php?title=Apprentissage_automatique&oldid=81710 »