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]]