Recommandé
Recommandé
Contenu connexe
Similaire à IntroductionIA.pdf
Similaire à IntroductionIA.pdf (20)
IntroductionIA.pdf
- 1. Chapitre 1 : Introduction Intelligence Artificielle Apprentissage automatique 3ème année Géomatique Sonia Ben Ticha Azzouz Septembre 2023 Ministère de la défense nationale
- 2. Qu’est ce que l’intelligence artificielle L'intelligence artificielle ou informatique cognitive est la « recherche de moyens susceptibles de doter les systèmes informatiques de capacités intellectuelles comparables à celles des êtres humains ». Partie I Intelligence Artificielle Définitions Historique Domaines de recherches Domaines d’applications Partie II Apprentissage Plan du cours 2 Sonia Ben Ticha Azzouz
- 3. Partie I Intelligence Artificielle Définitions Historique Domaines de recherches Domaines d’applications Partie II Apprentissage Plan du cours Plusieurs définitions: quatre approches 3 Réussite mesurée par rapport à la rationalité Machines qui agissent comme les humains Test de Turing Machine qui pensent rationnellement Les lois de la pensée Machines qui agissent rationnellement Approche de l’agent rationnel Réussite mesurée par rapport aux humains Machines qui pensent comme les humains Approche cognitive Pensée et raisonnement Comportement Sonia Ben Ticha Azzouz
- 4. Partie I Intelligence Artificielle Définitions Historique Domaines de recherches Domaines d’applications Partie II Apprentissage Plan du cours Plusieurs définitions Machines qui agissent comme les humains « L’art de créer des machines capables de prendre en charge des fonctions exigeant de l’intelligence quant elles sont réalisées par des gens » (Kurzweil, 1990) « L’étude des moyens à mettre en œuvre pour faire en sorte que les ordinateurs accomplissent des choses pour lesquelles il est préférable de recourir à des personnes pour le moment » (Rich & Knight, 1991) 4 Sonia Ben Ticha Azzouz
- 5. Partie I Intelligence Artificielle Définitions Historique Domaines de recherches Domaines d’applications Partie II Apprentissage Plan du cours Plusieurs définitions Machines qui pensent comme les humains « La tentative nouvelle et passionnante d’amener les ordinateurs à penser…[d’en faire] des machines dotées d’un esprit au sens le plus littéral » (Haugeland, 1985) L’automatisation d’activités que nous associons à la pensée humaine, des activités telles que la prise de décision, la résolution de problèmes, l’apprentissage… » (Bellaman, 1978) 5 Sonia Ben Ticha Azzouz
- 6. Partie I Intelligence Artificielle Définitions Historique Domaines de recherches Domaines d’applications Partie II Apprentissage Plan du cours Plusieurs définitions Machines qui pensent rationnellement «L’étude des facultés mentales grâce à des modèles informatiques » (McDermott, 1985) « L’étude des moyens informatiques qui rendent possibles la perception, le raisonnement et l’action » (Winston, 1992) 6 Sonia Ben Ticha Azzouz
- 7. Partie I Intelligence Artificielle Définitions Historique Domaines de recherches Domaines d’applications Partie II Apprentissage Plan du cours Plusieurs définitions Machines qui agissent rationnellement « L’intelligence artificielle est l’étude de la conception d’agents intelligents » (Poole & al. 1998) « L’IA… étudie la comportement intelligent dans les artefacts » (Nilson, 1998) 7 Sonia Ben Ticha Azzouz
- 8. Partie I Intelligence Artificielle Définitions Historique Domaines de recherches Domaines d’applications Partie II Apprentissage Plan du cours Un peu d’histoire… Naissance 8 Terme introduit par John McCarthy (1927-2011) en 1956 à la conférence qui s'est tenue sur le campus de Dartmouth College pendant l'été 1956 à laquelle assistaient ceux qui vont marquer la discipline. C’est à cette date qu’a été créé le domaine de recherche en Intelligence Artificielle (IA) IA: est l’abréviation en français, et AI: Artificial Intelligence en anglais Sonia Ben Ticha Azzouz
- 9. Partie I Intelligence Artificielle Définitions Historique Domaines de recherches Domaines d’applications Partie II Apprentissage Plan du cours Un peu d’histoire… Origine 9 Origine de l’IA 1950 par Alan Turing (1912-1954) dans « Computing Machinery and Intelligence » (octobre 1950) Alan Turing: père fondateur de l’informatique moderne avec la machine de Turing En voulant répondre à la question « Est-ce que la machine pense? » Sonia Ben Ticha Azzouz
- 10. Partie I Intelligence Artificielle Définitions Historique Domaines de recherches Domaines d’applications Partie II Apprentissage Plan du cours Un peu d’histoire… Test de Turing 10 Objectif du test: qualifier une machine d’intelligente en donnant une définition satisfaisante et opérationnelle de l’intelligence. Déroulement du test: jeu basé sur des questions- réponses Un humain (juge) pose des questions écrites à l’aveugle à une machine et à un humain Il reçoit des réponses écrites aux questions posées La machine réussit le test: Le test est réussi si au bout d’un certain nombre de questions, l’humain est dans l’incapacité de dire si les réponses écrites proviennent d’un humain ou d’une machine Sonia Ben Ticha Azzouz
- 11. Partie I Intelligence Artificielle Définitions Historique Domaines de recherches Domaines d’applications Partie II Apprentissage Plan du cours Un peu d’histoire… Test de Turing complet 11 Pas d’interaction physique directe entre le questionneur et l’ordinateur, car la simulation physique d’une personne n’est pas indispensable pour l’intelligence. Le test complet inclut Un signal vidéo permettant au questionneur de tester les capacités perceptives du sujet (machine ou homme) La possibilité du questionneur de passer des objets physiques par « un guichet » Sonia Ben Ticha Azzouz
- 12. Partie I Intelligence Artificielle Définitions Historique Domaines de recherches Domaines d’applications Partie II Apprentissage Plan du cours Domaines de recherche 12 Le traitement du langage naturel permettra de communiquer avec le questionneur La représentation des connaissances lui permettant de stocker ce qu’il sait et entend Le raisonnement automatisé pour répondre aux questions et tirer des conclusions L’apprentissage pour s’adapter à de nouvelles circonstances La vison par ordinateur pour percevoir des objets La robotique pour manipuler des objets et se déplacer Sonia Ben Ticha Azzouz
- 13. Partie I Intelligence Artificielle Définitions Historique Domaines de recherches Domaines d’applications Partie II Apprentissage Plan du cours Domaines d’applications 13 L’automobile: véhicules connectés et véhicules autonomes La santé: la médecine prédictive, les robots compagnons pour les personnes âgés, l’aide à la décision, la chirurgie assistée, la prévention des épidémies L’industrie: la maintenance prédictive pour anticiper les pannes Le Marketing: recommandation personnalisée, analyse d’audience, L’assurance: assurance prédictive & détection de la fraude Sonia Ben Ticha Azzouz
- 14. Partie I Intelligence Artificielle Définitions Historique Domaines de recherches Domaines d’applications Partie II Apprentissage Plan du cours Domaines d’applications 14 La Banque: améliorer les performances des conseillers Le Tourisme: e-tourisme et assistance personnelle via les chatbots Les Médias & Divertissements: contenus personnalisés L’éducation: orientation ciblée et apprentissage personnalisé L’Environnement: l’eau, l’agriculture, le changement climatique Arts: musique et arts visuels La Défense & l’Aéronautique: cybersécurité Sonia Ben Ticha Azzouz
- 15. Apprentissage & IA Partie I Intelligence Artificielle Partie II Apprentissage Définitions Plan du cours 15 Today’s IA is Deep Learning (a technique of Machine Learning) https://blog.alore.io/machine-learning-and-artificial-intelligence/ Sonia Ben Ticha Azzouz
- 16. Objectif du module Présenter les bases de l'apprentissage artificiel Présenter les différents types d’apprentissages artificiels Comprendre les concepts de bases de certains algorithmes d’apprentissages artificiels (supervisés et non supervisés Implémenter certains algorithmes d’apprentissage artificiels (supervisés, non et supervisés) en python Partie I Intelligence Artificielle Partie II Apprentissage Plan du cours 16 Sonia Ben Ticha Azzouz
- 17. Références APPRENTISSAGE ARTIFICIEL CONCEPTS ET ALGORITHMES Antoine Cornuéjols et Laurent Miclet Editions Eyrolles, 2009 Partie I Intelligence Artificielle Partie II Apprentissage Plan du cours 17 Sonia Ben Ticha Azzouz
- 18. L’apprentissage: c’est quoi? Partie I Intelligence Artificielle Partie II Apprentissage Définitions Plan du cours 18 Une définition générale: ≪L’apprentissage automatique est la discipline donnant aux ordinateurs la capacité d’apprendre sans qu’ils soient explicitement programmés.≫ Arthur Samuel, 1959 Sonia Ben Ticha Azzouz
- 19. L’apprentissage: c’est quoi? Partie I Intelligence Artificielle Partie II Apprentissage Définitions Plan du cours 19 Une définition technique: « Un programme informatique est réputé apprendre (learn) d’une expérience E pour certaines classes de tâches T et une mesure de performance P, si ses performances aux tâches T, mesurée par P, s’améliorent avec l’expérience. » Tom Mitchell, 1997 Sonia Ben Ticha Azzouz
- 20. L’apprentissage: c’est quoi? Exemple: un robot qui apprend Partie I Intelligence Artificielle Partie II Apprentissage Définitions Plan du cours 20 Un robot doté d’un ensemble de capteurs et d’un algorithme d’apprentissage en ligne Tâche: jouer au football Performance: score Expérience: environnement actuel jeux passés Sonia Ben Ticha Azzouz
- 21. L’apprentissage: c’est quoi? Exemple: détection d’objets dans une image Partie I Intelligence Artificielle Partie II Apprentissage Définitions Plan du cours 21 Un algorithme de détection/reconnaissance Tâche: dire si un objet est présent ou non dans l’image Performance: nombre d’erreurs Expérience: ensemble d’images ’”labelisées” précédemment vues Sonia Ben Ticha Azzouz
- 22. L’apprentissage: c’est quoi? Exemple: reconnaissance de chiffres manuscrits Partie I Intelligence Artificielle Partie II Apprentissage Définitions Plan du cours 22 Un algorithme de reconnaissance de chiffres manuscrits Tâche: reconnaitre la valeur du chiffre manuscrit Performance: nombre d’erreurs Expérience: ensemble d’images ’”labelisées” précédemment vues, chaque image contenant un chiffre manuscrit et le label correspondant Sonia Ben Ticha Azzouz
- 23. L’apprentissage: c’est quoi? Partie I Intelligence Artificielle Partie II Apprentissage Définitions Plan du cours 23 Donner la capacité à un ordinateur à apprendre à exécuter des taches (classification, prédiction, détection,…) sans être explicitement programmé En fonction des données d’expérimentation que prendra l'algorithme d’apprentissage en entrée En construisant un modèle à partir de ses données en entrées Et, en améliorant ses performances au fil du temps Sonia Ben Ticha Azzouz
- 24. L’apprentissage: pourquoi? Approche algorithmique Partie I Intelligence Artificielle Partie II Apprentissage Définitions Plan du cours 24 Pour résoudre un problème: On écrit un algorithme puis on le traduit dans un langage de programmation Le programme est exécuté par un ordinateur Il donne en sortie les résultats L’algorithme doit traiter tous les cas possibles La machine ne pourra pas traité les cas non prévus, Si un cas non prévu survient une erreur surviendra (un bug) -- Parfois le problème est assez complexe, l’approche algorithmique peut être couteuse voir impossible computer Données programme résultats Approche algorithmique classique Sonia Ben Ticha Azzouz
- 25. L’apprentissage: pourquoi? Approche IA (Système expert) Partie I Intelligence Artificielle Partie II Apprentissage Définitions Plan du cours 25 Pour résoudre un problème: On définit un ensemble de règles avec l’aide d’un expert humain du domaine Ces règles modélisent les connaissances du domaine Le programme est exécuté par un ordinateur Il donne en sortie les résultats Le doit traiter tous les cas possibles Toutes les règles doivent être au préalable exprimées par l’expert avant le traitement Les règles seront exprimées suivant une représentation des connaissances données (logique des prédicats) Le Si un cas non prévu survient une erreur surviendra (un bug) --Il est impossible de modéliser toutes les formes de connaissances -- Se limite aux domaines ou la modélisation des connaissances est possibles Domaine des sciences exactes: physique, mécanique, électronique, mathématique -- ne s’applique pas aux sciences dites « humaines » comme la médecine, la philosophie, la psychologie, l’art computer Base de connaissances Système expert résultats Approche IA (système expert) Sonia Ben Ticha Azzouz
- 26. L’apprentissage: pourquoi? Partie I Intelligence Artificielle Partie II Apprentissage Définitions Plan du cours 26 Ces deux approches ne suffisent pas à répondre à tous les problèmes Le domaine de la reconnaissance de formes (images, signaux) Du diagnostic, La traduction automatique, la compréhension du langage naturelle Même ceux évidents pour un enfant de 4 ans qui arrive à reconnaitre les visages des personnes qui lui sont familières Algorithmes d’apprentissage Données Sorties recherchées Modèle (programme) Machine Learning/ Apprentissage artificielle Sonia Ben Ticha Azzouz
- 27. Diagnostic médical Partie I Intelligence Artificielle Partie II Apprentissage Définitions Domaines d’applications Plan du cours 27 Détection du mélanome malin130 000 images dont plus de 2 000 cas de cancer Taux d'erreur 28 % (humain 34 %) Mammographie numérique DREAM Challenge640 000 mammographies (1209 participants)taux de faux positifs diminué de 5 % Analyse du rythme cardiaque500 000 ECGprécision 92,6 % (humain 80,0 %) sensibilité de 97 % Sonia Ben Ticha Azzouz
- 28. Désabonnement des clients (Marketing) Partie I Intelligence Artificielle Partie II Apprentissage Définitions Domaines d’applications Plan du cours 28 Le client reste ou pas Sonia Ben Ticha Azzouz
- 29. Segmentation des clients (Marketing) Partie I Intelligence Artificielle Partie II Apprentissage Définitions Domaines d’applications Plan du cours 29 Détecter des groupes de clients Sonia Ben Ticha Azzouz
- 30. Analyse des sentiments (Sentiment analysis) Partie I Intelligence Artificielle Partie II Apprentissage Définitions Domaines d’applications Plan du cours 30 Classer les avis stockés en fonction des sentiments des utilisateurs Sonia Ben Ticha Azzouz
- 31. Recommandations Partie I Intelligence Artificielle Partie II Apprentissage Définitions Domaines d’applications Plan du cours 31 Parce que vous avez aimez …. Vous aimeriez…… Sonia Ben Ticha Azzouz
- 32. Implémentation d’un projet de Machine Learning Partie I Intelligence Artificielle Partie II Apprentissage Définitions Domaines d’applications Concepts de base Plan du cours 32 Renforcement des données (Data strengthing) Ingénierie des données (Data Engineering) Business Collecte des données (Data Gathering) Monde réel Industries Assurance Internet Réseaux sociaux Médical … Capteurs Transactions Clics Web, traces (logs) Mobilité Open data Documents . . . Nettoyage Organisation Agrégation Gestion d'erreurs . . . Exploration Représentation Affichage Machine Learning Data mining . . . Interpretation Prise de decision Evaluation . . . Sonia Ben Ticha Azzouz
- 33. Processus d’apprentissage Partie I Intelligence Artificielle Partie II Apprentissage Définitions Domaines d’applications Concepts de base Plan du cours 33 1. Ccomprendre et analyser le but du projet 2. Pré-traitement/ visualisation /analyse des données 3. Quel type de ML problème? (régression, classification, clustering, réduction de dimension,…) 4. Concevoir la solution 5. Evaluer ses performances 6. Aller à 2 si nécessaire Apprentissage du modèle (Train Model) Evaluation du modèle (Evaluate the model) Modèle Pré-traitement des données (data pre- processing) Données (Data) Objectif du cours: étudier les étapes de 2 à 5 Sonia Ben Ticha Azzouz
- 34. Les données (espace de représentation) Partie I Intelligence Artificielle Partie II Apprentissage Définitions Domaines d’applications Concepts de base Type d’apprentissage Plan du cours 34 Données sont des exemples, instances, objets ou observations Ils sont décrits par des attributs L’ensemble des données (data set) est composé de N exemples Attribut Un attribut est une propriété ou une caractéristique observée. Synonyme: feature ou variable indépendante Désignation : xi ième variable décrivant un objet x Exemple C’est une entité caractérisant un objet et composé d’attributs Synonyme: Objet, instance, observation, vecteur, point Notation x={x1,……….., xi,……., xd} généralement dans Sonia Ben Ticha Azzouz
- 35. Types de données Partie I Intelligence Artificielle Partie II Apprentissage Définitions Domaines d’applications Concepts de base Type d’apprentissage Plan du cours 35 Descripteurs : variables qualitatives et quantitatives nominales et ordinales Texte: Chaîne de caractères Parole: Des séries chronologiques Images :Données 2D Vidéos : Données 2D + temps Réseaux : graphe Flux: trace, logs Étiquettes ou label: Sortie attendue (apprentissage supervisé) Sonia Ben Ticha Azzouz
- 36. Apprentissage supervisé Supervised learning Partie I Intelligence Artificielle Partie II Apprentissage Définitions Domaines d’applications Concepts de base Type d’apprentissage Plan du cours 36 Principe Etant donnée N exemples pour l’apprentissage SN={(xi,yi) ∈XxY, i=1…N} Xi est l’entrée, et yi=f(xi) est la sortie de la fonction appliquée à xi (xi,yi) est un exemple, une observation, un objet, une instance La fonction f est inconnue, L’objectif est de trouver une fonction h qui approxime f, c’est-à-dire h(x) soit le plus proche possible de y=f(x) La fonction h est appelée hypothèse Difficulté: Trouver l’hypothèse h parmi un ensemble d’hypothèses H qui approxime le mieux f c’est le problème de l’induction L’apprentissage est dit supervisé car il y ‘ a un oracle (un expert) qui fournit pour chaque x le label y (f(x)) correspondant Sonia Ben Ticha Azzouz
- 37. Apprentissage supervisé Exemples: reconnaissance de forme Partie I Intelligence Artificielle Partie II Apprentissage Définitions Domaines d’applications Concepts de base Type d’apprentissage Plan du cours 37 Les labels sont fournis par un expert (un superviseur) Voici les données d’apprentissage (Training set): l’algorithme d’apprentissage va apprendre sur ces 5 observations Le processus d’apprentissage supervisé consiste à trouver l’hypothèse h qui prédit pour un X donné la forme correspondante Les x1 FormeA (label)(y1) X2 FormeA y2 FormeA Y3 XX4 Forme B (label) Y4 X5 Forme B (label) Y5 Sonia Ben Ticha Azzouz
- 38. Apprentissage supervisé Exemples: reconnaissance de forme Partie I Intelligence Artificielle Partie II Apprentissage Définitions Domaines d’applications Concepts de base Type d’apprentissage Plan du cours 38 Et maintenant une fois l’apprentissage terminé…. Quelle est l’étiquette correspondant à cette image? (Forme A ou forme B)? Que représente Forme A? Que représente Forme B? ? Sonia Ben Ticha Azzouz
- 39. Apprentissage supervisé Architecture Partie I Intelligence Artificielle Partie II Apprentissage Définitions Domaines d’applications Concepts de base Type d’apprentissage Plan du cours 39 Sonia Ben Ticha Azzouz
- 40. Apprentissage supervisé Exemple1: apprendre à classifier des champignons Partie I Intelligence Artificielle Partie II Apprentissage Définitions Domaines d’applications Concepts de base Type d’apprentissage Plan du cours 40 Durant la phase d’apprentissage: l’agent apprenant commence par observer une série de champignons, classés comestibles ( C), non comestibles (N), toxiques (T) ou mortels (M) Sonia Ben Ticha Azzouz
- 41. Apprentissage supervisé Exemple1: apprendre à classifier des champignons Partie I Intelligence Artificielle Partie II Apprentissage Définitions Domaines d’applications Concepts de base Type d’apprentissage Plan du cours 41 La performance de l’agent est mesurée par sa capacité à classifier correctement de nouveaux champignons. Sonia Ben Ticha Azzouz
- 42. Apprentissage supervisé Exemple2: apprendre à reconnaitre des chiffres manuscrits Partie I Intelligence Artificielle Partie II Apprentissage Définitions Domaines d’applications Concepts de base Type d’apprentissage Plan du cours 42 Sonia Ben Ticha Azzouz
- 43. Apprentissage supervisé Exemple3: Analyse des sentiments Partie I Intelligence Artificielle Partie II Apprentissage Définitions Domaines d’applications Concepts de base Type d’apprentissage Plan du cours 43 Classification: le commentaire est positif ou non, Régression: prédire la note du commentaire Sonia Ben Ticha Azzouz
- 44. Apprentissage non supervisé Unsupervised learning Partie I Intelligence Artificielle Partie II Apprentissage Définitions Domaines d’applications Concepts de base Type d’apprentissage Plan du cours 44 Principe Les entrées ne sont pas étiquetées On dispose uniquement des xi N exemples pour l’apprentissage SN={xi ∈X, i=1…N} L’objectif est de décrire comment les données sont organisées et d'en extraire des sous-ensembles homogènes. Sonia Ben Ticha Azzouz
- 45. Apprentissage non supervisé Exemple1: Reduction de dimension /visualisation/segmentation Partie I Intelligence Artificielle Partie II Apprentissage Définitions Domaines d’applications Concepts de base Type d’apprentissage Plan du cours 45 Sonia Ben Ticha Azzouz
- 46. Apprentissage non supervisé Exemple2: Segmentation de clients Partie I Intelligence Artificielle Partie II Apprentissage Définitions Domaines d’applications Concepts de base Type d’apprentissage Plan du cours 46 Clustering Sonia Ben Ticha Azzouz
- 47. Apprentissage par renforcement Reinforcement learning Partie I Intelligence Artificielle Partie II Apprentissage Définitions Domaines d’applications Concepts de base Type d’apprentissage Plan du cours 47 L’apprentissage par renforcement est une méthode qui permet de trouver, par un processus d’essais/erreurs, la politique de contrôle d’un agent en cherchant à maximiser un signal de renforcement (récompense) provenant de l’environnement. L’algorithme apprend un comportement étant donnée une observation. L'action de l'algorithme sur l'environnement produit une valeur de retour qui guide l'algorithme d'apprentissage. Sonia Ben Ticha Azzouz
- 48. Approches pour le ML/Deep learning Partie I Intelligence Artificielle Partie II Apprentissage Définitions Domaines d’applications Concepts de base Type d’apprentissage Plan du cours 48 Sonia Ben Ticha Azzouz
- 49. Choix en fonctions des données Partie I Intelligence Artificielle Partie II Apprentissage Définitions Domaines d’applications Concepts de base Type d’apprentissage Plan du cours 49 Méthodes pour le ML Grand catalogue de méthodes, Besoin de définir la performance, Design des features. (attributs).. Sonia Ben Ticha Azzouz
- 50. Plan du cours Le prétraitement des données (Preprocessing): pour bien préparer les données de sorte à faciliter l'apprentissage du modèle. Apprentissage supervisé Régression : pour prédire une valeur réelle continue. Linéaire Simple Linéaire Multiple Régression polynomiale Evaluation Classification: pour prédire une catégorie. Régression logistique SVM Linéaire Arbre de décision KNN Apprentissage non supervisé Clustering: pour identifier des segments d'observations groupées par similarité. Kmeans Partie I Intelligence Artificielle Partie II Apprentissage Plan du cours 50 Sonia Ben Ticha Azzouz