7. www.cetic.be
Machine Learning?
• Expérience.
• Basée sur les causes.
• Pro: processus cognitif
« facile »
• Pro: le bon sens et les
conventions à la rescousse.
• Cons: complexité croissante du
contexte et des relations entre
les différentes données.
• Cons: trop de données pour
baser les « lois » sur (tous) les
faits.
• Connaissance.
• Basée sur les corrélations.
• Cons: processus cognitif très
difficile.
• Pro: potentiellement plus
rationnel.
• Pro: traite des milliers/millions
d’entrées.
7
Approche « expert » Approche « machine learning »
15. www.cetic.be
Apprentissage supervisé?
• Le problème revient à trouver les bonnes valeurs pour les paramètres de poids
et de seuil.
• Méthode:
1. Commencer par des valeurs choisies au hazard.
2. Faire varier légèrement les valeurs.
3. Soumettre en entrée les caractéristiques d’une situation bien connue.
4. Comparer le résultat des valeurs courantes avec celui des valeurs
précédentes.
• Si le nouveau résultat est plus proche de la réalité que le précédent,
« récompenser » le paramétrage actuel et continuer dans cette
direction.
• Sinon, « affaiblir » le paramétrage actuel et chercher d’autres valeurs
légèrement différentes qui pourraient donner de meilleurs résultats.
5. Recommencer en (3) jusqu’à ce que les résultats du réseau soient
suffisamment proches des résultats attendus.
15
26. www.cetic.be 26
« Il est une chose dont nous avons maintenant la certitude:
les robots changent la face du monde et nous mènent vers un
avenir que nous ne pouvons encore clairement définir. »
— Isaac Asimov