5/17/2015

Apprentissage Automatique

Par Harun Köksal

L’apprestisage automatique est une champ des études de l’intelligence artificielle . Cette technologie est la discipline scientifique concernée par le développement, l'analyse et l'implémentation de méthodes automatisables qui permettent à une machine (au sens large) d'évoluer grâce à un processus d'apprentissage, et ainsi de remplir des tâches qu'il est difficile ou impossible de remplir par des moyens  algorithmiques plus classiques.



L’apprentisage automatique se focalise ces sujets qui sont se faire percevoir des systèmes complexes et se faire décider judicieusement sur des données . Des systèmes complexes peuvent être analysés, y compris pour des données associées à des valeurs symboliques (des valeurs numeriques,des probablités) ou un ensemble de modalités possibles sur un attribut numérique ou catégoriel. L'analyse peut même concerner des données présentées sous forme de graphes ou d'arbres, ou encore de courbes. Par exemple, la courbe des données présentées , on parle alors de données continues, par opposition aux données discrètes associées à des attributs-valeurs classiques.

Cette technologie intéresse plusieurs champs comme statistiques, théorie des probabilités, l'exploration de données, reconnaissance de formes, intelligence artificielle, contrôle adaptatif, et des sciences de l'informatique théorique.

Principes

Les algorithmes utilisés permettent, dans une certaine mesure, à un système piloté par ordinateur (un robot éventuellement), ou assisté par ordinateur, d'adapter ses analyses et comportements en réponse, en se fondant sur l'analyse de données empiriques provenant d'une base de données ou de capteurs.

La difficulté réside dans le fait que l'ensemble de tous les comportements possibles compte tenu de toutes les entrées possibles devient rapidement trop complexe à décrire  dans les langages de programmation disponibles. On confie donc à des programmes le soin d'ajuster un modèle permettant de simplifier cette complexité et de l'utiliser de manière opérationnelle. De plus, ce modèle est adaptatif, de façon à prendre en compte l'évolution de la base des informations pour lesquelles les comportements en réponse ont été validés, ce que l'on appelle apprendre ; ceci permet d'auto-améliorer le système d'analyse ou de réponse (commande adaptative…), ce qui est une des formes que peut prendre l'intelligence artificielle.

Ces programmes, selon leur degré de perfectionnement, intègrent éventuellement des capacités de traitement probabiliste des données, d'analyse de données issues de capteurs, d'informatique théorique, etc.

Application

Les champs utilisées principales de l’apprentisage automatique, ces sont dans ce domaine : vision, reconnaissance d'objets (visages, schémas etc.) ; moteurs de recherche ; aide aux diagnostics, médical notamment, bio-informatique, chémoinformatique ; interfaces cerveau-machine ; détection de fraudes à la carte de crédit, analyse financière, dont analyse du marché boursier ; classification des séquences d'ADN ; jeu ; génie logiciel ; sites Web adaptatifs ou mieux adaptés ; locomotion de robots ; etc.

Type d’apprentisage

Les algorithmes d’appresntissage peuvent se catégorise des issues qui sont butés , selon le mode d’apprentissage qu’ils emploient souvent :
L’apprentisage supervisé : Entrées génère une fonction qui mappe la sortie cible.

L’apprentisage non supervisé (ou classification automatique) : Un ensemble de modèles d'entrée.

L’apprentissage semi-supervisé : Étiquetés et non étiquetés échantillons pour former des fonctions ou des classificateurs appropriés poignées ensemble.

L’apprentissage partiellement supervisé : L’étiquetage des données est partiel.

L’apprentissage par renforcement : Un style d'apprentissage basé sur la perception du monde. Chaque action génère un impact sur l'environnement et de l'environnement, montrant le chemin de donner une rétroaction sous la forme d'algorithme d'apprentissage de récompense.

L’apprentisage par transfert :  L’apprentissage par transfert peut être vu comme la capacité d’un système à reconnaître et appliquer des connaissances et des competences, apprises à partir de tâches antérieures, sur de nouvelles tâches ou domaines partageant des similitudes.

Facteurs de Pertinence et d’Efficacité

La qualité de l'apprentissage et de l'analyse dépendent du besoin en amont et a priori de la compétence de l'opérateur pour préparer l'analyse. Elle dépend aussi de la complexité du modèle (spécifique ou généraliste), de son adéquation et de son adaptation au sujet à traiter. In fine, la qualité du travail dépendra aussi du mode (de mise en évidence visuelle) des résultats pour l'utilisateur final (un résultat pertinent pourrait être caché dans un schéma trop complexe, ou mal mis en évidence par une représentation graphique inappropriée).
Avant cela, la qualité du travail dépendra de facteurs initiaux contraignants, liées à la base de données :
Nombre d’exemples

Nombre et qualité des attributs


Pourcentage de données renseignées

« Bruit » : le nombre et la « localisation » des valeurs douteuses

Prospective

Il est tentant de s'inspirer des êtres vivants pour concevoir des machines capables d'apprendre.

Ainsi, même si l'apprentissage automatique est encore avant tout un sous-domaine de l'informatique, il est également intimement lié 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 plus performants.
Note et référence : www.wikipedia.fr

Aucun commentaire:

Enregistrer un commentaire