Apprentissage automatique 31947 28092126 2008-04-02T00:57:34Z 212.198.139.69 /* Notes */ L''''apprentissage automatique''' (''machine-learning'' en anglais) est un des champs d'étude de l'[[intelligence artificielle]]. L'apprentissage automatique fait référence au développement, à l'analyse et à l'implémentation de méthodes qui permettent à une machine (au sens large) d'évoluer grâce à un processus d'apprentissage, et ainsi de remplir des tâches qu'il est difficile ou impossible de remplir par des moyens algorithmiques plus classiques. Voici deux exemples d'applications de l'apprentissage automatique: * On peut concevoir un système d'apprentissage automatique permettant à un robot, ayant la capacité de bouger ses membres mais ne sachant rien de la coordination des mouvements permettant la marche, d'apprendre à marcher. Le robot commencera par effectuer des mouvement aléatoires, puis, en privilégiant les mouvements lui permettant d'avancer, mettra peu à peu en place une marche de plus en plus efficace. * La [[reconnaissance de caractères]] est une tâche complexe car deux caractères similaires ne sont jamais exactement égaux. On peut concevoir un système d'apprentissage automatique qui apprend a reconnaître des caractères en observant des exemples, c'est à dire des caractères connus. Il est tentant de s'inspirer des êtres vivants pour concevoir des machines capables d'apprendre. Ainsi, même si l'apprentissage automatique est avant tout un sous-domaine de l'[[informatique]], il est également intimement liée aux [[sciences cognitives]], aux [[neuroscience]]s, à la [[biologie]] et à la [[psychologie]]. == Types d'apprentissage == Les algorithmes d'apprentissage peuvent se catégoriser selon le type d'apprentissage qu'ils emploient: * L'[[apprentissage supervisé]] : un expert (ou oracle) est employé pour étiqueter correctement des exemples. L'apprenant doit alors trouver ou approximer la fonction qui permet d'affecter la bonne étiquette à ces exemples. L'[[analyse discriminante linéaire]] ou les [[support vector machine|SVM]] sont des exemples typiques. * L'[[apprentissage non-supervisé]] (ou [[classification_automatique|classification automatique]]): Aucun expert n'est disponible. L'algorithme doit découvrir par lui-même la structure des données. Le [[partitionnement de données|clustering]] et les [[modèle de mélanges gaussiens|modèles de mélanges de gaussiennes]] sont des algorithmes d'apprentissage non supervisés. * L'[[apprentissage par renforcement]]<ref>Voir ''[[Référence:Machine Learning|Machine Learning]]'', chap. 13 ''Reinforcement Learning'', pp. 367-390</ref> : l'algorithme apprend un comportement étant donné une observation. L'action de l'algorithme sur l'environnement produit une valeur de retour qui guide l'algorithme d'apprentissage. L'algorithme de [[Q-learning]]<ref>Voir ''[[Référence:Machine Learning|Machine Learning]]'', pp. 373-380</ref> est est un exemple classique. Les algorithmes que l'on rencontre le plus souvent dans ce domaine sont : * les [[support vector machine|machines à vecteur de support]] * le [[boosting]] * les [[réseau de neurones|réseaux de neurones]]<ref>Voir ''[[Référence:Machine Learning|Machine Learning]]'', chap. 4 ''Artificial Neural Networks'', pp. 81-127</ref> pour un apprentissage supervisé ou non-supervisé * la [[méthode des k plus proches voisins]] pour un apprentissage supervisé * les [[arbre de décision|arbres de décision]]<ref>Voir ''[[Référence:Machine Learning|Machine Learning]]'', chap. 3 ''Decision Tree Learning'', pp. 52-80</ref> * les méthodes [[statistiques]] comme par exemple le [[modèle de mixture gaussienne]] * la [[régression logistique]] * l'[[analyse discriminante linéaire]] * la [[logique floue]] * les [[algorithme génétique|algorithmes génétiques]]<ref>Voir ''[[Référence:Machine Learning|Machine Learning]]'', chap. 9 ''Genetic Algorithms'', pp. 249-273</ref> et la [[programmation génétique]] Ces méthodes sont souvent combinées pour obtenir diverses variantes d'apprentissage. L'utilisation de tel ou tel algorithme dépend fortement de la tâche à résoudre (classification, estimation de valeurs, etc.). L'apprentissage automatique est utilisé dans un spectre très large d'applications: [[moteur de recherche]], aide au diagnostic, [[bio-informatique]], détection de fraudes, analyse des marchés financiers, [[reconnaissance de la parole]], de [[Reconnaissance de l'écriture manuscrite|l'écriture manuscrite]], analyse et indexation d'images et de vidéo, [[robotique]]... == Liens internes == * [[Théorème de Cox-Jaynes]] ==Notes== {{Références}} ==Bibliographie== * {{en}} Bishop, C. M. (1995). ''Neural Networks for Pattern Recognition'', Oxford University Press. ISBN 0198538642 *{{DudaHartStork}} *{{CornuéjolsMiclet}} *{{MacKay}} *{{Mitchell}} *{{Bishop06}} * {{en}} Huang T.-M., Kecman V., Kopriva I. (2006), ''Kernel Based Algorithms for Mining Huge Data Sets, Supervised, Semi-supervised, and Unsupervised Learning'', Springer-Verlag, Berlin, Heidelberg, 260 pp. 96 illus., Hardcover, ISBN 3-540-31681-7[http://learning-from-data.com] * {{en}} KECMAN Vojislav (2001), LEARNING AND SOFT COMPUTING, Support Vector Machines, Neural Networks and Fuzzy Logic Models, The MIT Press, Cambridge, MA, 608 pp., 268 illus., ISBN 0-262-11255-8[http://support-vector.ws] * {{en}}Sholom Weiss and Casimir Kulikowski (1991). ''Computer Systems That Learn'', Morgan Kaufmann. ISBN 1-55860-065-5 {{Portail informatique}} [[Catégorie:Intelligence artificielle]] [[ar:تعلم آلي]] [[bg:Машинно самообучение]] [[ca:Aprenentatge automàtic]] [[cs:Strojové učení]] [[de:Maschinelles Lernen]] [[el:Μηχανική Μάθηση]] [[en:Machine learning]] [[es:Aprendizaje automático]] [[et:Masinõppimine]] [[fa:یادگیری ماشینی]] [[fi:Koneoppiminen]] [[he:למידה חישובית]] [[it:Apprendimento automatico]] [[ja:機械学習]] [[ko:기계 학습]] [[lt:Sistemos mokymasis]] [[nl:Machinaal leren]] [[pl:Uczenie maszynowe]] [[pt:Aprendizagem de máquina]] [[ru:Машинное обучение]] [[sl:Strojno učenje]] [[sv:Maskininlärning]] [[th:การเรียนรู้ของเครื่อง]] [[uk:Машинне навчання]] [[vi:Học máy]] [[zh:机器学习]]