9 sur 51
BIBLIOGRAPHIE
· L' Intelligence Artificielle pour les
développeurs. Concepts et implémentations en C# (Virginie
MATHIVET, 2014, page 26.)
· Deep Learning (Ian Goodfellow, Yoshua Bengio
et Aaron Courville, 2015, page 9)
10 sur 51
(Document : Diagramme de Venn expliquant le lien entre une IA et
ses technologies).
|
|
Ce diagramme montre comment le Deep Learning (voir page
14) est une forme de Machine Learning (voir page 12),
utilisé pour de nombreuses approches de l'IA. Chaque section du
diagramme de Venn comprend un exemple des différentes technologies au
service du fonctionnement d'une IA.
Plus une intelligence artificielle à des couches de
technologies, plus elle est complexe. Plus une IA est complexe, plus elle est
performante.
Le Representation Learning est une technologie complexe
utilisée dans le Machine Learning qu'il n'est pas nécessaire de
développer pour comprendre le fonctionnement d'une IA.
|
|
Pour bien comprendre le schéma ci-dessus, nous allons
nous pencher sur les termes qui y sont employés.
(Document : Schéma du perceptron multicouche).
|
Le MPLs (MultiLayer Perceptrons ou Perceptron Multicouche en
français) est largement utilisée dans le domaine de
l'apprentissage automatique et de l'intelligence artificielle. Il s'agit d'un
type de réseau de neurones artificiels à propagation avant,
c'est-à-dire que l'information circule de la couche d'entrée vers
la couche de sortie sans boucle récurrente.
|
|
BIBLIOGRAPHIE
· L' Intelligence Artificielle pour les
développeurs. Concepts et implémentations en C# (Virginie
MATHIVET, 2014, page 26.)
· Deep Learning (Ian Goodfellow, Yoshua Bengio et
Aaron Courville, 2015, page 9)
11 sur 51
Le Logistic regression (régression logistique en
français) est un algorithme d'apprentissage supervisé
utilisé pour la classification binaire ou la prédiction de
probabilités. Contrairement à son nom, il ne s'agit pas d'une
technique de régression classique, mais plutôt d'une
méthode de classification.
Quant à la Knowledge bases (ou base de connaissances
en français), c'est un modèle de gestion des connaissances qui
joue un rôle de centralisation de l'information, pour la rendre
facilement accessible. C'est un mécanisme efficace pour exploiter au
mieux toutes les données disponibles d'un sytème intelligent.
En conclusion, nous pouvons dire que les intelligences
artificielles fonctionnent grâce au Deep Learning qui est une approche
spécifique du Machine Learning, utilisant des réseaux neuronaux
(voir page 17) profonds pour extraire des représentations
complexes des données et résoudre des tâches. Les
réseaux neuronaux sont l'un des outils clés utilisés dans
le Deep Learning pour modéliser et apprendre à partir des
données.
Nous allons désormais expliquer et analyser le
fonctionnement du Machines Learning, du Deep Learning et des réseaux de
neurones.
B) Le Machine Learning (ou apprentissage
automatique).
Le Machine Learning est un ensemble de techniques permettant
aux machines d'apprendre automatiquement un ensemble de règles à
partir de données, se distinguant ainsi de la programmation
traditionnelle qui repose sur l'exécution de règles
prédéterminées. Concrètement, il s'agit de
logiciels ou d'algorithmes capables d'être entraînés pour
effectuer des tâches complexes de traitement de données sans
intervention humaine. Bien que le concept du Machine Learning ne soit pas
récent, sa première définition formelle nous a
été donnée par Arthur Samuel en 1959,
considéré comme l'un des pionniers de l'intelligence
artificielle. Selon lui, « L'apprentissage automatique est la discipline
donnant aux ordinateurs la capacité d'apprendre sans qu'ils soient
explicitement programmés.»
Cette notion englobe un large éventail de
méthodes qui permettent de construire des modèles de la
réalité à partir de données, que ce soit en les
améliorant ou en les créant. Au coeur de cette technologie, nous
trouvons le Data Mining (ou fouille de données en français), un
concept qui englobe l'ensemble du processus d'extraction de connaissances
à partir de grandes quantités de données. Le Data Mining
est essentiel pour le Machine Learning, car il fournit les données
nécessaires pour entraîner les modèles et
générer des informations utiles.
Il est important de souligner que le Machine Learning repose
sur l'utilisation de bases de données solides. En effet, sans une
quantité suffisante de données pertinentes et de qualité,
le processus d'apprentissage automatique ne peut pas atteindre son plein
potentiel. Les données servent de matière première pour
alimenter les modèles et leur permettre de généraliser
à partir des exemples fournis. Ainsi, la qualité et la
diversité des données jouent un rôle crucial dans la
performance et la précision des modèles d'apprentissage
automatique.
| 
