Apprendre à partir des données

Comprendre l'intelligence artificielle

Maarten Van den Broeck

Senior Content Developer at DataCamp

Fonctions d'IA et domaines concernés

Domaines et fonctions de l'IA

Fonctions d'IA et domaines concernés

Domaines et fonctions de l'IA

Place au Machine Learning (ML)

Machine Learning : apprendre des données et repérer des motifs

Domaines du Machine Learning

Place au Machine Learning (ML)

Machine Learning : apprendre des données et repérer des motifs

Domaines du Machine Learning

Place au Machine Learning (ML)

Machine Learning : apprendre des données et repérer des motifs

Domaines du Machine Learning

Place au Machine Learning (ML)

Machine Learning : apprendre des données et repérer des motifs

Domaines du Machine Learning

Place au Machine Learning (ML)

Machine Learning : apprendre des données et repérer des motifs

Domaines du Machine Learning

Apprentissage supervisé : classification

Classification : attribuer à chaque observation la catégorie (classe) à laquelle elle appartient

Classification binaire : deux classes, p. ex. positif/négatif, homme/femme, etc.

Classification binaire

Apprentissage supervisé : classification

Classification : attribuer à chaque observation la catégorie (classe) à laquelle elle appartient

Classification binaire : deux classes, p. ex. positif/négatif, homme/femme, etc.
Classification multiclasse : plusieurs classes mutuellement exclusives, p. ex. espèces multiples

Apprentissage supervisé : annotation des données (obtenir des observations étiquetées avec une classe connue a priori) nécessaire pour entraîner un modèle capable de faire des inférences

Classification multiclasse

Apprentissage supervisé : régression et prévision

Régression : attribuer à chaque observation une sortie numérique ou étiquette selon ses entrées

Régression pour estimer le prix d'une maison

Prévision de séries chronologiques : prédire les valeurs futures d'une variable selon son comportement passé

Prévoir le nombre quotidien de passagers d'autobus

Apprentissage non supervisé et par renforcement

Regroupement (clustering) : trouver des sous-groupes de données aux caractéristiques semblables (p. ex. algorithme k-means)

Regroupement des données sur les manchots

Détection d'anomalies : repérer des observations anormales, p. ex. des transactions par carte inhabituelles

Détection d'anomalies

Découverte de règles d'association : trouver les cooccurrences d'articles fréquentes dans des données de transactions

Découvrir des produits souvent achetés ensemble

Apprentissage par renforcement : apprendre par expérience (essais et erreurs) pour maîtriser une tâche complexe

Apprentissage par renforcement pour naviguer dans un labyrinthe

Et l'apprentissage profond ?

Modèles très évolués fondés sur des réseaux neuronaux profonds : résoudre des tâches ardues où les modèles ML classiques atteignent leurs limites
Apprendre des données un peu comme le ferait un cerveau humain

Beaucoup de données nécessaires pour apprendre : parfois des millions d'observations

Tâches d'apprentissage profond

Et l'apprentissage profond ?

Modèles très évolués fondés sur des réseaux neuronaux profonds : résoudre des tâches ardues où les modèles ML classiques atteignent leurs limites

Beaucoup de données nécessaires pour apprendre : parfois des millions d'observations

Tâches d'apprentissage profond

Passons à la pratique !

Comprendre l'intelligence artificielle