SlideShare une entreprise Scribd logo
1  sur  22
Intelligence
ARTIFICIEL
Apprentissage automatique
Nizar BECHIR
1
 Plan
Introduction
 Apprentissage automatique
 Apprentissage supervisé
Apprentissage non supervisé
Apprentissage par renforcement
Conclusion
2
 Apprentissage automatique
L'apprentissage automatique fait reference au developpement,
l'analyse et l'implementation des methodes qui permettent a une
machine (au sens large) d'evoluer et ainsi de remplir des taches
qu'il est difficile ou impossible de remplir par des moyens
algorithmiques plus classiques
3
Herbert Simon :
<<
L'apprentissage dénote des changements dans un systeme
qui ... lui permet de faire la mème tache plus efficacement
la prochaine fois.
>>
4
qu’est ce que c’est-à-dire
« machine apprend » ?
5
Pourquoi
l’apprentissage automatique ?
6
Exemple de systemes apprenant
Un robot ayant la capacite de bouger ses
membres mais ne sachant initialement rien de
la coordination des mouvements permettant la
marche,peut apprendre a marcher.
Le robot commencera par effectuer des
mouvements aleatoires, puis, en
selectionnant et privilegiant les mouvements lui
permettant d'avancer, mettra
peu a peu en place une marche de plus en plus
efficace. video
7
2 grands types d'apprentissage :
Apprentissage supervisé
Apprentissage non supervisé
Apprentissage par renforcement
8
◦ Apprentissage supèrvisé
Le but est de generaliser à des entrées inconnues ce qui a
pu etre appris grace aux donnees deja traitees par des
experts
donc, géneralement l’Objectif est de déterminer une
fonction de prediction f selon les données d'apprentissage
9
Selon ces données d'apprentissage qui sont N couples
entrée-sortie (xn ; yn ) le système va chercher la fonction
adéquate
A quelle fonction correspond cet ensemble de points ?
10
Le principe de ce système est que
11
« les hypothèses suffisantes les plus
simples sont les plus vraisemblables »
Quelques exemples classiques de techniques de
classification supervisée :
 Les réseaux de neurones, très utilisés dans les années
80-90, sont inspirés à l’origine du fonctionnement du
cerveau humain.
 Les arbres de décision modélisent la fonction à
apprendre par une succession de critères organisés
suivant une structure arborescente.
 Les « SVM » ou « machines à vecteurs supports » sont
les techniques les plus efficaces pour résoudre ce
problème à l’heure actuelle.
12
 Apprentissage par renforcement
Le système apprenant est agent en interaction
avec un environnement
Le problème est découpé en pas de temps
A chaque pas, l'agent
-perçoit l‘état de l'environnement,
-puis, exécute une action dans l'environnement
13
Le but de l'agent est de trouver un
comportement qui maximise le
renforcement (récompense)
14
./Principe de fonctionnement
1.L’agent décide d’effectuer une action en fonction de
son état pour interagir avec son environnement.
2.L'environnement renvoie un renforcement sous la
forme d’une récompense positive ou négative.
3.L’agent observe les effets de ses actions.
4.L’agent déduit de ses observations la qualité de ses
actions.
5.L’agent améliore ses actions futures.
15
Dans un problème d'apprentissage par
renforcement, un agent évoluant dans un
environnement aléatoire doit cumuler un
maximum de récompenses en choisissant
au fil du temps la meilleure politique,
c'est-à-dire la meilleure réaction possible
à ses observations. Une telle situation est
modélisée par un processus de décision
markovien
16
17
18
Récomponse
Exemple pratique..
19
20
Conclusion
L'apprentissage automatique regroupe les
techniques permettant a une machine
d'adapter et d'améliorer ses performances
par l'expèrience
21
Référence
 https://tel.archives-ouvertes.fr/tel-
00933937/document
 blog.octo.com/apprentissage-par-
renforcement-de-la-theorie-a-la-pratique/
22

Contenu connexe

Tendances

Intelligence Artificielle - Algorithmes de recherche
Intelligence Artificielle - Algorithmes de rechercheIntelligence Artificielle - Algorithmes de recherche
Intelligence Artificielle - Algorithmes de rechercheMohamed Heny SELMI
 
Les reseaux profonds
Les reseaux profondsLes reseaux profonds
Les reseaux profondsStany Mwamba
 
BigData_Chp1: Introduction à la Big Data
BigData_Chp1: Introduction à la Big DataBigData_Chp1: Introduction à la Big Data
BigData_Chp1: Introduction à la Big DataLilia Sfaxi
 
Techniques du data mining
Techniques du data miningTechniques du data mining
Techniques du data miningDonia Hammami
 
Apprentissage supervisé.pdf
Apprentissage supervisé.pdfApprentissage supervisé.pdf
Apprentissage supervisé.pdfhanamettali
 
BigData_Chp2: Hadoop & Map-Reduce
BigData_Chp2: Hadoop & Map-ReduceBigData_Chp2: Hadoop & Map-Reduce
BigData_Chp2: Hadoop & Map-ReduceLilia Sfaxi
 
Les réseaux de neurones convolutifs CNN
Les réseaux de neurones convolutifs CNNLes réseaux de neurones convolutifs CNN
Les réseaux de neurones convolutifs CNNSALMARACHIDI1
 
Exposé réseaux des neurones (NN) - (RN)
Exposé réseaux des neurones (NN) - (RN)Exposé réseaux des neurones (NN) - (RN)
Exposé réseaux des neurones (NN) - (RN)Soumia Elyakote HERMA
 
Présentation sur le Data Mining
Présentation sur le Data MiningPrésentation sur le Data Mining
Présentation sur le Data MiningTakfarinas KENOUCHE
 
Cours Big Data Chap1
Cours Big Data Chap1Cours Big Data Chap1
Cours Big Data Chap1Amal Abid
 
BigData_Chp4: NOSQL
BigData_Chp4: NOSQLBigData_Chp4: NOSQL
BigData_Chp4: NOSQLLilia Sfaxi
 
Algorithme génétique
Algorithme génétiqueAlgorithme génétique
Algorithme génétiqueIlhem Daoudi
 
BigData_TP3 : Spark
BigData_TP3 : SparkBigData_TP3 : Spark
BigData_TP3 : SparkLilia Sfaxi
 
Data mining - Segmentation(k-means, cah)
Data mining - Segmentation(k-means, cah)Data mining - Segmentation(k-means, cah)
Data mining - Segmentation(k-means, cah)Mohamed Heny SELMI
 
Machine Learning et Intelligence Artificielle
Machine Learning et Intelligence ArtificielleMachine Learning et Intelligence Artificielle
Machine Learning et Intelligence ArtificielleSoft Computing
 
Les 10 plus populaires algorithmes du machine learning
Les 10 plus populaires algorithmes du machine learningLes 10 plus populaires algorithmes du machine learning
Les 10 plus populaires algorithmes du machine learningHakim Nasaoui
 
Introduction aux bases de données NoSQL
Introduction aux bases de données NoSQLIntroduction aux bases de données NoSQL
Introduction aux bases de données NoSQLAntoine Augusti
 

Tendances (20)

Intelligence Artificielle - Algorithmes de recherche
Intelligence Artificielle - Algorithmes de rechercheIntelligence Artificielle - Algorithmes de recherche
Intelligence Artificielle - Algorithmes de recherche
 
Les reseaux profonds
Les reseaux profondsLes reseaux profonds
Les reseaux profonds
 
BigData_Chp1: Introduction à la Big Data
BigData_Chp1: Introduction à la Big DataBigData_Chp1: Introduction à la Big Data
BigData_Chp1: Introduction à la Big Data
 
Techniques du data mining
Techniques du data miningTechniques du data mining
Techniques du data mining
 
Apprentissage supervisé.pdf
Apprentissage supervisé.pdfApprentissage supervisé.pdf
Apprentissage supervisé.pdf
 
Les BD NoSQL
Les BD NoSQLLes BD NoSQL
Les BD NoSQL
 
BigData_Chp2: Hadoop & Map-Reduce
BigData_Chp2: Hadoop & Map-ReduceBigData_Chp2: Hadoop & Map-Reduce
BigData_Chp2: Hadoop & Map-Reduce
 
Réseaux de neurones
Réseaux de neurones Réseaux de neurones
Réseaux de neurones
 
Les réseaux de neurones convolutifs CNN
Les réseaux de neurones convolutifs CNNLes réseaux de neurones convolutifs CNN
Les réseaux de neurones convolutifs CNN
 
Exposé réseaux des neurones (NN) - (RN)
Exposé réseaux des neurones (NN) - (RN)Exposé réseaux des neurones (NN) - (RN)
Exposé réseaux des neurones (NN) - (RN)
 
Présentation sur le Data Mining
Présentation sur le Data MiningPrésentation sur le Data Mining
Présentation sur le Data Mining
 
Cours Big Data Chap1
Cours Big Data Chap1Cours Big Data Chap1
Cours Big Data Chap1
 
BigData_Chp4: NOSQL
BigData_Chp4: NOSQLBigData_Chp4: NOSQL
BigData_Chp4: NOSQL
 
Algorithme génétique
Algorithme génétiqueAlgorithme génétique
Algorithme génétique
 
BigData_TP3 : Spark
BigData_TP3 : SparkBigData_TP3 : Spark
BigData_TP3 : Spark
 
Data mining - Segmentation(k-means, cah)
Data mining - Segmentation(k-means, cah)Data mining - Segmentation(k-means, cah)
Data mining - Segmentation(k-means, cah)
 
Machine Learning et Intelligence Artificielle
Machine Learning et Intelligence ArtificielleMachine Learning et Intelligence Artificielle
Machine Learning et Intelligence Artificielle
 
Arbre de décision
Arbre de décisionArbre de décision
Arbre de décision
 
Les 10 plus populaires algorithmes du machine learning
Les 10 plus populaires algorithmes du machine learningLes 10 plus populaires algorithmes du machine learning
Les 10 plus populaires algorithmes du machine learning
 
Introduction aux bases de données NoSQL
Introduction aux bases de données NoSQLIntroduction aux bases de données NoSQL
Introduction aux bases de données NoSQL
 

En vedette

Business Intelligence : décider en connaissance de cause - Réseaux Bayésiens.
Business Intelligence : décider en connaissance de cause - Réseaux Bayésiens.Business Intelligence : décider en connaissance de cause - Réseaux Bayésiens.
Business Intelligence : décider en connaissance de cause - Réseaux Bayésiens.arnaudm
 
Théorie de la decision
Théorie de la decisionThéorie de la decision
Théorie de la decisionSoufiane MIR
 
Machine intelligente d’analyse financiere
Machine intelligente d’analyse financiereMachine intelligente d’analyse financiere
Machine intelligente d’analyse financiereSabrine MASTOURA
 
Apprentissage Automatique et moteurs de recherche
Apprentissage Automatique et moteurs de rechercheApprentissage Automatique et moteurs de recherche
Apprentissage Automatique et moteurs de recherchePhilippe YONNET
 
Machine learning pour tous
Machine learning pour tousMachine learning pour tous
Machine learning pour tousDamien Seguy
 
Machine learning
Machine learningMachine learning
Machine learningebiznext
 
Analyse financière
Analyse financièreAnalyse financière
Analyse financièreAbdo attar
 
Introduction au Machine Learning
Introduction au Machine LearningIntroduction au Machine Learning
Introduction au Machine LearningMathieu Goeminne
 
Mahout classification presentation
Mahout classification presentationMahout classification presentation
Mahout classification presentationNaoki Nakatani
 
Mix it2014 - Machine Learning et Régulation Numérique
Mix it2014 - Machine Learning et Régulation NumériqueMix it2014 - Machine Learning et Régulation Numérique
Mix it2014 - Machine Learning et Régulation NumériqueDidier Girard
 
Machine learning, deep learning et search : à quand ces innovations dans nos ...
Machine learning, deep learning et search : à quand ces innovations dans nos ...Machine learning, deep learning et search : à quand ces innovations dans nos ...
Machine learning, deep learning et search : à quand ces innovations dans nos ...Antidot
 
Cours Big Data Chap4 - Spark
Cours Big Data Chap4 - SparkCours Big Data Chap4 - Spark
Cours Big Data Chap4 - SparkAmal Abid
 
TP2 Big Data HBase
TP2 Big Data HBaseTP2 Big Data HBase
TP2 Big Data HBaseAmal Abid
 
Machine Learning and Apache Mahout : An Introduction
Machine Learning and Apache Mahout : An IntroductionMachine Learning and Apache Mahout : An Introduction
Machine Learning and Apache Mahout : An IntroductionVarad Meru
 

En vedette (15)

Business Intelligence : décider en connaissance de cause - Réseaux Bayésiens.
Business Intelligence : décider en connaissance de cause - Réseaux Bayésiens.Business Intelligence : décider en connaissance de cause - Réseaux Bayésiens.
Business Intelligence : décider en connaissance de cause - Réseaux Bayésiens.
 
Théorie de la decision
Théorie de la decisionThéorie de la decision
Théorie de la decision
 
Machine intelligente d’analyse financiere
Machine intelligente d’analyse financiereMachine intelligente d’analyse financiere
Machine intelligente d’analyse financiere
 
Apprentissage Automatique et moteurs de recherche
Apprentissage Automatique et moteurs de rechercheApprentissage Automatique et moteurs de recherche
Apprentissage Automatique et moteurs de recherche
 
Machine learning pour tous
Machine learning pour tousMachine learning pour tous
Machine learning pour tous
 
Mahout clustering
Mahout clusteringMahout clustering
Mahout clustering
 
Machine learning
Machine learningMachine learning
Machine learning
 
Analyse financière
Analyse financièreAnalyse financière
Analyse financière
 
Introduction au Machine Learning
Introduction au Machine LearningIntroduction au Machine Learning
Introduction au Machine Learning
 
Mahout classification presentation
Mahout classification presentationMahout classification presentation
Mahout classification presentation
 
Mix it2014 - Machine Learning et Régulation Numérique
Mix it2014 - Machine Learning et Régulation NumériqueMix it2014 - Machine Learning et Régulation Numérique
Mix it2014 - Machine Learning et Régulation Numérique
 
Machine learning, deep learning et search : à quand ces innovations dans nos ...
Machine learning, deep learning et search : à quand ces innovations dans nos ...Machine learning, deep learning et search : à quand ces innovations dans nos ...
Machine learning, deep learning et search : à quand ces innovations dans nos ...
 
Cours Big Data Chap4 - Spark
Cours Big Data Chap4 - SparkCours Big Data Chap4 - Spark
Cours Big Data Chap4 - Spark
 
TP2 Big Data HBase
TP2 Big Data HBaseTP2 Big Data HBase
TP2 Big Data HBase
 
Machine Learning and Apache Mahout : An Introduction
Machine Learning and Apache Mahout : An IntroductionMachine Learning and Apache Mahout : An Introduction
Machine Learning and Apache Mahout : An Introduction
 

Similaire à Ia project Apprentissage Automatique

Ch3 sma-architectures-2012
Ch3 sma-architectures-2012Ch3 sma-architectures-2012
Ch3 sma-architectures-2012Sofia Zahid
 
Comment quelqu'un s'y prend pour apprendre?
Comment quelqu'un s'y prend pour apprendre?Comment quelqu'un s'y prend pour apprendre?
Comment quelqu'un s'y prend pour apprendre?CREPS de Montpellier
 
Séminaire IA & VA- Dominique Gruyer, Univ Gustave Eiffel
Séminaire IA & VA- Dominique Gruyer, Univ Gustave EiffelSéminaire IA & VA- Dominique Gruyer, Univ Gustave Eiffel
Séminaire IA & VA- Dominique Gruyer, Univ Gustave EiffelMahdi Zarg Ayouna
 
Tech4Exec - Etat de l’art et vulgarisation du Machine Learning
Tech4Exec - Etat de l’art et vulgarisation du Machine LearningTech4Exec - Etat de l’art et vulgarisation du Machine Learning
Tech4Exec - Etat de l’art et vulgarisation du Machine LearningPublicis Sapient Engineering
 
Parlez-vous le langage IA ? 30 notions pour comprendre l'IA
Parlez-vous le langage IA ? 30 notions pour comprendre l'IAParlez-vous le langage IA ? 30 notions pour comprendre l'IA
Parlez-vous le langage IA ? 30 notions pour comprendre l'IABigBrain Evolution
 
Decision Making 2018 2019 (FR)
Decision Making 2018 2019 (FR)Decision Making 2018 2019 (FR)
Decision Making 2018 2019 (FR)Roger Claessens
 
Reinforcement Learning - Apprentissage par renforcement
Reinforcement Learning - Apprentissage par renforcementReinforcement Learning - Apprentissage par renforcement
Reinforcement Learning - Apprentissage par renforcementYakoubAbdallahOUARDI
 
Comprendre l’intelligence artificielle [webinaire]
Comprendre l’intelligence artificielle [webinaire]Comprendre l’intelligence artificielle [webinaire]
Comprendre l’intelligence artificielle [webinaire]Technologia Formation
 
He! coach, avez-vous des questions?
He! coach, avez-vous des questions?He! coach, avez-vous des questions?
He! coach, avez-vous des questions?Frederick Lussier
 

Similaire à Ia project Apprentissage Automatique (14)

L'apprentissage
L'apprentissageL'apprentissage
L'apprentissage
 
Ch3 sma-architectures-2012
Ch3 sma-architectures-2012Ch3 sma-architectures-2012
Ch3 sma-architectures-2012
 
Comment quelqu'un s'y prend pour apprendre?
Comment quelqu'un s'y prend pour apprendre?Comment quelqu'un s'y prend pour apprendre?
Comment quelqu'un s'y prend pour apprendre?
 
Séminaire IA & VA- Dominique Gruyer, Univ Gustave Eiffel
Séminaire IA & VA- Dominique Gruyer, Univ Gustave EiffelSéminaire IA & VA- Dominique Gruyer, Univ Gustave Eiffel
Séminaire IA & VA- Dominique Gruyer, Univ Gustave Eiffel
 
Agents intelligents
Agents intelligentsAgents intelligents
Agents intelligents
 
Tech4Exec - Etat de l’art et vulgarisation du Machine Learning
Tech4Exec - Etat de l’art et vulgarisation du Machine LearningTech4Exec - Etat de l’art et vulgarisation du Machine Learning
Tech4Exec - Etat de l’art et vulgarisation du Machine Learning
 
Parlez-vous le langage IA ? 30 notions pour comprendre l'IA
Parlez-vous le langage IA ? 30 notions pour comprendre l'IAParlez-vous le langage IA ? 30 notions pour comprendre l'IA
Parlez-vous le langage IA ? 30 notions pour comprendre l'IA
 
test
testtest
test
 
Decision Making 2018 2019 (FR)
Decision Making 2018 2019 (FR)Decision Making 2018 2019 (FR)
Decision Making 2018 2019 (FR)
 
Aide au diagnostic
Aide au diagnosticAide au diagnostic
Aide au diagnostic
 
Reinforcement Learning - Apprentissage par renforcement
Reinforcement Learning - Apprentissage par renforcementReinforcement Learning - Apprentissage par renforcement
Reinforcement Learning - Apprentissage par renforcement
 
Le Machine Learning... tous aux fourneaux !
Le Machine Learning... tous aux fourneaux !Le Machine Learning... tous aux fourneaux !
Le Machine Learning... tous aux fourneaux !
 
Comprendre l’intelligence artificielle [webinaire]
Comprendre l’intelligence artificielle [webinaire]Comprendre l’intelligence artificielle [webinaire]
Comprendre l’intelligence artificielle [webinaire]
 
He! coach, avez-vous des questions?
He! coach, avez-vous des questions?He! coach, avez-vous des questions?
He! coach, avez-vous des questions?
 

Ia project Apprentissage Automatique

  • 2.  Plan Introduction  Apprentissage automatique  Apprentissage supervisé Apprentissage non supervisé Apprentissage par renforcement Conclusion 2
  • 3.  Apprentissage automatique L'apprentissage automatique fait reference au developpement, l'analyse et l'implementation des methodes qui permettent a une machine (au sens large) d'evoluer et ainsi de remplir des taches qu'il est difficile ou impossible de remplir par des moyens algorithmiques plus classiques 3
  • 4. Herbert Simon : << L'apprentissage dénote des changements dans un systeme qui ... lui permet de faire la mème tache plus efficacement la prochaine fois. >> 4
  • 5. qu’est ce que c’est-à-dire « machine apprend » ? 5
  • 7. Exemple de systemes apprenant Un robot ayant la capacite de bouger ses membres mais ne sachant initialement rien de la coordination des mouvements permettant la marche,peut apprendre a marcher. Le robot commencera par effectuer des mouvements aleatoires, puis, en selectionnant et privilegiant les mouvements lui permettant d'avancer, mettra peu a peu en place une marche de plus en plus efficace. video 7
  • 8. 2 grands types d'apprentissage : Apprentissage supervisé Apprentissage non supervisé Apprentissage par renforcement 8
  • 9. ◦ Apprentissage supèrvisé Le but est de generaliser à des entrées inconnues ce qui a pu etre appris grace aux donnees deja traitees par des experts donc, géneralement l’Objectif est de déterminer une fonction de prediction f selon les données d'apprentissage 9
  • 10. Selon ces données d'apprentissage qui sont N couples entrée-sortie (xn ; yn ) le système va chercher la fonction adéquate A quelle fonction correspond cet ensemble de points ? 10
  • 11. Le principe de ce système est que 11 « les hypothèses suffisantes les plus simples sont les plus vraisemblables »
  • 12. Quelques exemples classiques de techniques de classification supervisée :  Les réseaux de neurones, très utilisés dans les années 80-90, sont inspirés à l’origine du fonctionnement du cerveau humain.  Les arbres de décision modélisent la fonction à apprendre par une succession de critères organisés suivant une structure arborescente.  Les « SVM » ou « machines à vecteurs supports » sont les techniques les plus efficaces pour résoudre ce problème à l’heure actuelle. 12
  • 13.  Apprentissage par renforcement Le système apprenant est agent en interaction avec un environnement Le problème est découpé en pas de temps A chaque pas, l'agent -perçoit l‘état de l'environnement, -puis, exécute une action dans l'environnement 13
  • 14. Le but de l'agent est de trouver un comportement qui maximise le renforcement (récompense) 14
  • 15. ./Principe de fonctionnement 1.L’agent décide d’effectuer une action en fonction de son état pour interagir avec son environnement. 2.L'environnement renvoie un renforcement sous la forme d’une récompense positive ou négative. 3.L’agent observe les effets de ses actions. 4.L’agent déduit de ses observations la qualité de ses actions. 5.L’agent améliore ses actions futures. 15
  • 16. Dans un problème d'apprentissage par renforcement, un agent évoluant dans un environnement aléatoire doit cumuler un maximum de récompenses en choisissant au fil du temps la meilleure politique, c'est-à-dire la meilleure réaction possible à ses observations. Une telle situation est modélisée par un processus de décision markovien 16
  • 17. 17
  • 20. 20
  • 21. Conclusion L'apprentissage automatique regroupe les techniques permettant a une machine d'adapter et d'améliorer ses performances par l'expèrience 21

Notes de l'éditeur

  1. un économiste et sociologue américain ayant reçu le « prix Nobel » d'économie
  2. On dira qu'une machine apprend des lors qu'elle change sa structure, son programme ou ses donnees en fonction de donnees en entree de sorte a ce que ses performance futures deviennent meilleures
  3. L'objectif de l'apprentissage automatique est de concevoir des programmes pouvant s'ameliorer automatiquement avec l'experience
  4. Statique ///////par observation par renforcement
  5. Par exemple le robot , quand il s’agit d’une x et y spécifique déjà tester et ne donne pas un resultat, c’est a eliminer
  6. Pour le nettoyage d’une salté Endommager les meuble terroriser un chat