12 sur 51
BIBLIOGRAPHIE
Apprentissage artificiel. Concepts et algorithmes
éditions 2 (Antoine Cornuéjols - Laurent Miclet EYROLLES,
2010, page 18).
Data science : fondamentaux et étude de cas, machine
learning avec Python et R (Éric Biernat - Michel Lutz EYROLLES,
page 10.
13 sur 51
En 1997, Tom Mitchell, auteur et professeur à
l'université de Carnegie Mellon, propose une définition plus
précise de ce même concept technologique. Dans son livre,
Machine Learning, parut la même année, il cite, « On
dit qu'un programme informatique apprend de l'expérience (E) par rapport
à une classe de tâches (T) et à une mesure de performance
(P), si sa performance aux tâches dans (T), mesurée par (P),
s'améliore avec l'expérience (E). »
Tom Mitchell illustre ensuite cette définition par le
tableau ci-dessous :
(Document : Exemple de Machine Learning proposé par
Mitchell).
Cas d'application
|
Apprendre à jouer au Dames
|
Reconnaitre l'écriture manuscrite
|
Apprentissage de la conduite pour un robot
|
Tache (T)
|
Jouer au Dames
|
Reconnaître et classifier des mots écrits à
la main dans des images.
|
Conduite sur les autoroutes publiques à quatre voies
à l'aide de capteurs de vision
|
Mesure de la performance (P)
|
Pourcentage de matchs gagnés contre des adversaires
|
Pourcentage de mots classés correctement
|
Distance moyenne parcourue avant une erreur
(évaluée par un surveillant humain)
|
Expérience de formation (E)
|
S'entrainer à jouer contre lui même
|
Une base de données de mots manuscrits avec les
classifications données
|
Une séquence d'images et de commandes de direction
enregistrées tout en observant un conducteur humain
|
|
En conclusion, le Machine Learning représente une
avancée majeure dans le domaine de l'intelligence artificielle, offrant
aux machines la capacité d'apprendre à partir de données
et d'effectuer des tâches complexes sans une programmation explicite. En
utilisant des techniques de Data Mining et en s'appuyant sur des bases de
données solides, le Machine Learning peut générer des
modèles précis et informatifs, ouvrant ainsi la voie à de
nombreuses applications dans divers domaines.
Nous allons désormais expliquer ce qu'est le Deep
Learning.
BIBLIOGRAPHIE
Machine Learning (Tom M. Mitchell, 1997)
C) Le Deep Learning (ou apprentissage
profond).
Le deep Learning est un ensemble de techniques qui permettent
à un ordinateur d'apprendre automatiquement la solution à partir
de données. C'est une technique de Machine Learning reposant sur le
modèle des réseaux neuronaux : des dizaines, voire des centaines
de couches de neurones sont empilées pour apporter une plus grande
complexité à l'établissement des règles. Le terme
"apprentissage profond" possède plusieurs définitions en raison
de la complexité de cette technologie.
Mélanie Mitchell (auteure et professeure en sciences
informatiques à l'université de Portland) nous propose la
définition suivante : « L'apprentissage profond désigne
simplement des méthodes d'apprentissage destinées à des
réseaux neuronaux profonds , expression qui désigne des
réseaux neuronaux possédant plus d'une couche cachée.
»
FranceTerme (base de données terminologiques de la
délégation générale à la langue
française et aux langues de France du ministère de la Culture
français) nous propose une autre définition : «
L'apprentissage profond (Deep Learning) est un modèle d'apprentissage
automatique (Machine Learning), qui utilise un réseau de neurones
artificiels composé d'un grand nombre de couches dont chacune correspond
à un niveau croissant de complexité dans le traitement et
l'interprétation des données. »
Concrètement une technologie utilisant le Deep
Learning nous permettrait de demander à un ordinateur de classer des
images ou des sons à partir d'une base de connaissances (Knowledge
Bases), auquel il aurait accès. Cette base de connaissances est
établie à partir de l'activité sur le web par les
internautes. Nous pouvons prendre comme exemple très connu, le test de
CAPTCHA.
Le CAPTCHA, acronyme de l'anglais « Completely Automated
Public Turing test to tell Computers and Humans Apart », est une mesure de
sécurité de type « authentification par
question-réponse ».
(Documents : Exemple de test CAPTCHA).
|
|
|
|
| 
