Machine Learning: Introduction PDF

Machine Learning: Introduction Pr. Asmae BENTALEB Année universitaire 2024-2025  Plan  L’Emergence de l’Intelligence Artificielle (IA)  Définitions de l’IA?  Les Types de l’IA selon la complexité  Les Domaines d’Applications de l’AI  L’historique du machine learning (ML)?...

Machine Learning: Introduction Pr. Asmae BENTALEB Année universitaire 2024-2025  Plan  L’Emergence de l’Intelligence Artificielle (IA)  Définitions de l’IA?  Les Types de l’IA selon la complexité  Les Domaines d’Applications de l’AI  L’historique du machine learning (ML)?  Qu’est ce que le ML?  Domaines d’Application du (ML)  L’Emergence de l’Intelligence Artificielle (IA)  L’IA a été introduite pour la première fois par John Mcarthy/ M. Minsky dans les années 1950.  À l'initiative de ces chercheurs, un colloque à Dartmouth College (New Hampshire) en 1956 a réunit psychologues et informaticiens, pour discuter des sujets d'intérêt commun, regroupés sous le nom d'intelligence Artificielle.  Au cours des dernières années, l'IA a explosé, surtout depuis 2015. Cela s'explique en grande partie par la disponibilité des GPU, qui rendent le traitement parallèle toujours plus rapide, moins cher et plus puissant.  Définitions de l’IA? ◦ L'IA est définie comme une branche de l'informatique qui traite la simulation du comportements humains intelligents dans les ordinateurs. ◦ L'IA fait référence à la capacité des machines à effectuer des tâches qui requièrent normalement l'intelligence humaine. ◦ C’est la science et l'ingénierie de la fabrication des machines intelligentes.  Plus de Définitions fournis par les chercheurs  "The exciting new effort to make computers think... machines with minds, in the full and literal sense" (Haugeland, 1985)  "The automation of activities that we associate with human thinking, activities such as decision-making, problem solving, learning..."(Bellman, 1978) "The study of the computations that makes it possible to perceive, reason, and act" (Winston, 1992)  "The branch of computer science that is concerned with the automation of intelligent behavior" (Luger and Stubblefield, 1993) Les types de l’IA selon la complexité Intelligence artificielle étroite (ANI) L'intelligence générale artificielle La Super Intelligence Artificielle Implique l'application de (ASI) est un Également connue sous le l'IA uniquement à des nom d'IA forte, terme désignant le moment implique des machines qui où la capacité des tâches spécifiques, ou des Suggests items to end ordinateurs surpassera les ont la users capacité based on their systèmes axés sur d'effectuer n'importe interests representedquelle humains. in their profiles and tâche ASI est actuellement un problème spécifique the items’ description. considérée comme une intellectuelle qu'un être étroitement défini. humain peut. situation hypothétique telle qu'elle est décrite Ex: Siri, Alexa dans les films et les livres de science-fiction.  Les Domaines d’Applications de l’IA L'IA comprend de nombreux sous-domaines qui sont aujourd'hui très populaires. Ces sous-domaines sont les suivants : La recherche et la planification, le raisonnement et la représentation des connaissances, la perception, le traitement du langage naturel (NLP) et, bien sûr, l'apprentissage automatique. L'apprentissage automatique s'infiltre dans d'autres domaines de l'IA, notamment le traitement du langage naturel et la perception, grâce à l'utilisation commune d'algorithmes d'auto-apprentissage. Les Domaines d’Applications de l’AI  Les Domaines d’Applications de l’AI (exemple: Système expert) Dans le domaine de l’intelligence artificielle, un système expert est une application conçue pour modéliser le raisonnement d’un spécialiste humain, en reproduisant ses mécanismes cognitifs. Le logiciel applique un raisonnement à partir de faits connus, et de règles implémentées au départ. Il peut réaliser des déductions ou conclusions, et expliquer la manière dont les résultats ont été obtenus. Use case: Dans le secteur financier, un système expert permet d’identifier des schémas de fraude et de calculer les risques pour l'affectation des crédits, voire de prédire les futures évolutions des marchés. Relations entre les domaines data Relations entre les domaines data (1) Relations entre les domaines data(2) Machine Learning?  L’historique du machine learning?  En 1959, Arthur Samuel a publié un article dans l'IBM Journal of Research and Development avec un titre, à l'époque, obscur et curieux. L'article portait sur l'utilisation de l'apprentissage automatique dans un jeu pour achever des résultats meilleurs. Arthur Samuel présente l'apprentissage automatique comme un sous-domaine de l'informatique qui donne aux ordinateurs la capacité d'apprendre sans être explicitement programmés.  Le concept d'auto-apprentissage est une caractéristique clé de l'apprentissage automatique.  Qu’est-ce que le machine learning ?(1) Il s'agit de l'application de la modélisation statistique pour détecter des modèles et améliorer les performances sur la base de données et d'informations empiriques, le tout sans commandes de programmation directes. « L’apprentissage est une modification d’un comportement sur la base d’une expérience » Fabien Benureau (2015). L’apprentissage automatique, ou machine learning, quand le programme a la capacité d’apprendre sans que les modifications ne soient explicitement programmées (Arthur Samuel).  Qu’est-ce que le machine learning? (2) - Selon Samuel: La programmation traditionnelle Machine Learning  Overview du Machine Learning  Les données inputs sont transmises à la machine. Un algorithme est sélectionné, les hyperparamètres (paramètres) sont configurés et ajustés.  La machine procède au décryptage des modèles trouvés dans les données par le biais d'un processus d'essais et d'erreurs. Lorsque le modèle est identifié , il peut alors être utilisé pour prédire les valeurs futures.  (ML) Domaines d’Applications - Health care  Le ML aide les médecins à diagnostiquer les maladies à travers l’analyse des images médicales, ex: les radiographies et les IRMs, pour identifier les signes d'une maladie. Il peut également analyser les données des patients, telles que les résultats des tests sanguins, afin d'identifier les patients qui risquent de développer la maladie.  (ML) Domaines d’Applications - Reconnaissance et compréhension de textes/traitement du langage naturel: L'IA est meilleure que l'homme sur des critères de référence de compréhension de lecture de base tels que SuperGLUE et SQuAD, et ses performances sur des tâches linguistiques complexes sont presque équivalentes. Applications : GPT-3, M6, OPT-175B, Google Translate, Gmail Autocomplete, Chatbots.  (ML)Domaines d’Applications - Image Recognition:  (ML)Domaines d’Applications - Speech Recognition Machine Learning convertit le langage parlé en texte, notamment les assistants vocaux, les logiciels de dictée et la recherche vocale. Exemple : assistant intelligent Par Apple (Siri), Alexa (amazon), Assistant Google  (ML)Domaines d’Applications - Systèmes de Recommandation: L'apprentissage automatique recommande des produits, des films, de la musique et d'autres éléments aux utilisateurs. Plusieurs entreprises, dont Amazon, Netflix , youtube et Spotify, utilisent le système de recommandation.  (ML)Domaines d’Applications - Detection d’Anomalies et Fraud: Ml aide à reconnaître des modèles qui ne correspondent pas aux comportements attendus pour un système particulier, parmi des millions d'entrées ou de transactions différentes. Ex: réseaux financiers, détecter les fraudes dans les déclarations d'assurance ou les achats par carte de crédit, identifier les fausses critiques, marquer les données des capteurs dans les installations industrielles qui signifient qu'il y a un problème de sécurité. Exemple: https://nnaisense.com/technology/  (ML)Domaines d’Applications - Voitures auto-conduits (Self-driving cars)  Les développeurs utilisent l'apprentissage automatique (ML) pour mettre au point des voitures auto-conduites. Ces voitures utilisent divers capteurs, notamment des caméras et des radars, pour comprendre leur environnement. Les algorithmes d'apprentissage automatique décident ensuite de la manière dont la voiture doit naviguer