Intelligence Artificielle - Chapitre 2 PDF
Document Details
Uploaded by ReasonedFlute
VISIPLUS Academy
Tags
Related
- Acculturation à l'intelligence artificielle générative - IA, ChatGPT et leurs impacts pour les entreprises PDF
- Intelligence artificielle — Wikipédia.pdf
- Chapitre 1 Recherche Adversariale en Intelligence Artificielle PDF
- Présentation IA - CNS815 PDF
- Formation Former Avec L'Intelligence Artificielle 2024 PDF
- Intelligence Artificielle - IA_ch1_ch2 PDF
Summary
Ce chapitre introduit les concepts fondamentaux de l'intelligence artificielle, en se concentrant sur le machine learning et le deep learning. Il compare les approches traditionnelles de programmation à l'apprentissage automatique, illustrant comment les modèles peuvent trouver des corrélations dans les données pour effectuer des prédictions.
Full Transcript
Vous avez sans doute entendu le terme intelligence artificielle qu'on mélange souvent avec machine en ligne. Pour y voir plus clair, je vais vous lire la définition de l'intelligence artificielle selon Wikipédia. L'intelligence artificielle, il y a est un ensemble de théories et de technique mise en...
Vous avez sans doute entendu le terme intelligence artificielle qu'on mélange souvent avec machine en ligne. Pour y voir plus clair, je vais vous lire la définition de l'intelligence artificielle selon Wikipédia. L'intelligence artificielle, il y a est un ensemble de théories et de technique mise en œuvre en vue de réaliser des machines capables de simuler l'intelligence humaine. Je ne sais pas si vous y voyez plus clair. Moi c'est pas vraiment le cas en fait. C'est pas vrai cette définition, elle est assez vague assez floue. Le terme qui me qui m'interpelle, c'est simuler l'intelligence humaine qu'est-ce que l'intelligence humaine. C'est assez dur puisqu'il n'y a pas qu'une seule intelligence intelligence. Humaine, elle est multiple intelligence logique cognitive sociale ou spatial. Social donc c'est pour ça que je n'aime pas trop le terme intelligence artificielle qui a un petit peu utilisé à tort et à travers. Une concentré et ça tombe bien puisque c'est les titres de cette formation. Machine de Learning qu'est-ce que c'est encore une fois je me méfie Wikipédia. L'apprentissage automatique 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 ou résoudre des tâches sans être explicitement programmé pour chacune. Moi, je vous l'accorde. La définition n'est pas forcément simple appréhender. Les deux parties de phrases qui me semblent primordiale, c'est la capacité d'apprendre. Et la deuxième partie, c'est sans être explicitement programmé pour le moment, c'est peut-être flou mais vous verrez que ça va petit à petit s'éclaircir. Si on fait un peu d'histoire l'intelligence artificielle, ce n'est pas un domaine qu'il y a apparu. Il y a quelques années. C'est un domaine qui a émergé dans les années 1950 le but des chercheurs était de simuler l'intelligence humaine grâce à l'apparition des premiers ordinateurs. Vaste mission petit à petit c'est développé un sous-domaine le machin learning le but était justement de développer automatiquement des algorithmes qui allait apprendre. Et depuis les années 2010, il y a un vrai.boom J'en parle de d'explosion de l'intelligence artificielle, mais je préfère parler d'explosion du Deep learning car c'est vraiment se sous-domaine du machine learning qui a explosé grâce à la quantité phénoménale de données qu'on avait grâce à internet et aussi grâce aux ordinateurs qui étaient devenus beaucoup plus puissant puissant puissant.que dans l année 50 Il est important de garder ce schéma en tête l'intelligence artificielle, c'est le secteur global dedans, on va retrouver le machin learning l'objet de cette formation.et dans le machine learning on trouve le deep learning Pour bien comprendre le machine learning, on va le comparer à la programmation traditionnelle que vous faites avec votre langage préféré. Qu'est-ce que nous avons non en général on a des données et on va recevoir un cahier des charges dans lequel on va nous donner des instructions instructions à programmer son point d'exemple pour je sais pas calculer le prix d'un bien immobilier, on va nous donner c'est bien mobilier et un expert va nous dire un ensemble de règles typiquement si le bien c'est plus de 50 mètres carrés. Alors le prix un peu plus élevé, c'est un métro se trouve à proximité, alors il faudra augmenter le prix etc donc tous ces règles vont.fournir un output Une sortie trop bien immobilier, c'est la programmation traditionnelle. le machine learning opère un petit peu différemment différemment cette fois-ci, on ne va pas développer le programme. En tout cas l'homme le développeur humain ne va pas écrire des des ifs ou ds ce qu'on va prendre, c'est directement là Outlook donc le prix des biens immobiliers également les données donc les caractéristiques de ces biens immobiliers. On va fournir ces données brutes à la machine au modèle de machine learning et le modèle va automatiquement trouver les corrélations entre le prix et la caractéristique et donc il va se rendre compte assez naturellement que la présence d'un métro augmente le prix d'un bien immobilier. Cette machine se programme, on l'appelle en général modèle de prédiction. Ou alors Dit qu'il est entraîné, on va pouvoir lui fournir une nouvelle donnée, il n'a jamais vu et ainsi il va pouvoir me faire une prédiction musculaire. Le machine learning c'est une grande famille, on va trouver différentes catégories la première catégorie, c'est l'apprentissage automatique supervisé dans ce cas-là, la valeur cible est connue. C'est ce qu'on avait tout à l'heure. On cherche à déterminer le prix d'un bien immobilier le modèle va faire une prédiction et on va pouvoir a posteriori comparer cette prédiction avec la vraie valeur. Ça marche également par exemple pour la détection de spam le modèle va automatiquement en mettre un email dans l'espace et nous a posteriori on va pouvoir lui dire si il avait raison ou pas. Non, c'est le cas.de machine learning le plus courant il Juste une deuxième famille le nom supervisé, c'est un peu plus compliqué appréhender puisque cette fois-ci, il n'a pas de valeur cible le modèle va faire une proposition..e.s par exemple vous êtes un célèbre opérateur téléphonique, vous avez développé 4 nouveaux forfaits. Envoyer une campagne marketing différente plus ou moins concernées. Dans ce cas-là, vous allez pouvoir utiliser un modèle de clôturing de machine learning modèles de clôture, il va automatiquement créer des clusters créer des sous-groupes de clients qui se ressemblent et qui vont être adaptés à vos offres de marketing. Et c'est une proposition, vous ne pouvez pas vérifier si cette séparation est idéale. un autre cas d'usage C'est la réduction de dimensions si un agent immobilier ou donne un excel avec énormément de bien immobilier qui ont eux-mêmes des milliers et des milliers de caractéristiques extrêmement précises, il se peut que vous ne puissiez pas les analyser, il y a trop d'informations un algorithme de réduction dimension va permettre de réduire justement toutes ces caractéristiques pour garder que celles qui. Qui existent d'autres types de machines le premier c'est l'apprentissage par renforcement dans les algorithmes de jeux vidéo les algorithme qui s'entraînent automatiquement à jouer à des jeux vidéo comme sur alphago par exemple. Si vous êtes parti mettre un autre exemple, c'est l'apprentissage semi supervisée.c est un cas Un peu particulier, il faut imaginer que nous nous avons énormément de photos par exemple mais on ne sait pas ce qu'il a sur ces photos. Il y a soit des chiens, il y a pas de label sur ces photos mis à part sur 10 % de ses photos ce qu'on va faire, c'est qu'on peut entraîner un premier modèle sur les 10 photos les 10 % de photos et une fois que ce modèle est entraîné, on va l'appliquer sur toutes les autres photos qui n'ont pas de label c'est l'apprentissage semi.superviser learning Le dernier exemple c'est l'apprentissage auto supervisé celle-ci. Cette fois-ci, on va demander au modèle d'apprendre lui-même, ça peut paraître un peu bizarre mais ces trucs très utilisé par exemple pour faire du bruitage. On prend une image on vient la dégrader artificiellement et on demande aux modèles de reconstruire à l'image initiale donc la sortie devient l'entrée en quelque sorte. Ce qu'il faut retenir, c'est que le machine learning est un type d'intelligence artificielle. Le machine learning est diffère de la programmation traditionnelle puisque ici le programme il est généré, c'est le modèle de prédiction. On distingue deux grandes familles l'apprentissage supervisé et l'apprentissage non supervisé.