---

page: 34 type: comment created: 2020-06-06T17:01:28.042Z

Voir  Méthodes statistiques dans : Ezratty, O. (n.d.). Les usages de l’intelligence artificielle. 522.

ref2006051301

--- page: 35 type: text-highlight created: 2020-06-06T17:05:42.902Z color: red Le cerveau met d’ailleurs en œuvre une logique bayésienne pour ses propres prises de décisi --- page: 6 type: text-highlight created: 2020-06-11T15:50:33.724Z color: red Il existe des problèmes trop complexes pour les ordinateur --- page: 6 type: comment created: 2020-06-11T15:53:16.291Z

Mon opinion là-dessus est simple, il y a des réalités dont la conclusion est : "nous ne savons pas" et le  mental de l'homme n'aime pas (ou doit s'en habituer) NE PAS SAVOIR.  

Il peut aussi y avoir des conflits structuraux qui gardent ceux qui réfléchissent ainsi dans un questionnement à propos du problème plutôt qu'en contraste se questionner sur ce à quoi il aspire à transcender.

--- page: 5 type: text-highlight created: 2020-06-12T21:45:04.350Z color: #FF6900 Les technologies et méthodes de l’IA sont méconnues ou assimilées à tors et à travers, y compris par la majorité des professionnels du numérique, d’où la propagation de nombreux mythes à son sujet, un peu trop directement inspi- rés par la science - fiction ou par les thèses singularistes 1 . --- page: 5 type: text-highlight created: 2020-06-12T21:50:20.950Z color: red On croit par exemple que le «deep lea r- ning » ou « apprentissage profond » raisonne alors qu’il ne fait qu’appliquer, en général, des mo- dèles probabilistes. --- page: 5 type: comment created: 2020-06-12T21:51:03.488Z

Mon instinct était vraie, l'apprentissage profond est un modèle de probabilité.

--- page: 6 type: text-highlight created: 2020-06-12T21:57:45.269Z color: green comprendre les usages et techniques de l’IA dans les entreprises et les aider à en tirer le meilleur parti --- page: 6 type: text-highlight created: 2020-06-12T21:58:30.676Z color: #FF6900 Leur création et inté- gration est encore une affaire de bricolage et de tâtonnements, si ce n’est d’un véritable artisanat. --- page: 7 type: text-highlight created: 2020-06-12T22:01:11.861Z color: #FF6900 Chercher un "expert en IA" 3 revient maintenant à demander "un expert en logiciels" ou un "expert en informatique" sans compter le top avec "l’expert en transformation digitale". --- page: 7 type: text-highlight created: 2020-06-12T22:02:46.517Z color: green de nombreux outils de développement et d’intégration arrivent sur le marché qui permettent à des développeurs moins qualifiés, voire même à des cadres, de créer eux - mêmes des solutions intégrant des briques d’IA. --- page: 8 type: text-highlight created: 2020-06-12T22:10:29.683Z color: #8ED1FC Comment se préparer au niveau des compétences ? --- page: 8 type: text-highlight created: 2020-06-12T22:11:47.605Z color: #8ED1FC Comment intégrer l’IA dans les autres dynamiques d’innovations liées au numérique ? --- page: 8 type: text-highlight created: 2020-06-12T22:12:05.164Z color: #8ED1FC Comment va évoluer le métier de développeur ? --- page: 9 type: text-highlight created: 2020-06-12T22:15:26.417Z color: red Pour certains, seul le deep learning est digne de faire partie de l’IA et le machine learning et même les moteurs de règles, pas du tout. --- page: 9 type: text-highlight created: 2020-06-12T22:16:16.914Z color: #9900EF Certaines ont une dimension anthropomorphique comme la vision artificielle --- page: 9 type: text-highlight created: 2020-06-12T22:16:41.553Z color: green identifier des corrélations, des tendances ou faire des prévisions --- type: area-highlight created: 2020-06-12T22:21:06.665Z color: image: file:///C:/Users/jeang/.polar/files/image/1GtALuTSoJg7rGhrM7pw.png --- page: 10 type: text-highlight created: 2020-06-12T22:27:59.712Z color: yellow TensorFlow --- page: 10 type: text-highlight created: 2020-06-12T22:28:01.916Z color: yellow PyTorch --- page: 10 type: text-highlight created: 2020-06-12T22:28:06.211Z color: yellow scik it-learn --- page: 10 type: text-highlight created: 2020-06-12T22:28:36.862Z color: yellow Keras --- page: 10 type: comment created: 2020-06-12T22:31:55.691Z

“[...] briques technologiques les plus génériques de l’IA” (Ezratty, 2018)

--- page: 10 type: comment created: 2020-06-12T22:32:04.884Z

“[...] briques technologiques les plus génériques de l’IA” (Ezratty, 2018)

--- page: 10 type: comment created: 2020-06-12T22:32:09.188Z

“[...] briques technologiques les plus génériques de l’IA” (Ezratty, 2018)

--- page: 10 type: comment created: 2020-06-12T22:32:13.748Z

“[...] briques technologiques les plus génériques de l’IA” (Ezratty, 2018)

--- page: 11 type: text-highlight created: 2020-06-13T01:06:23.171Z color: yellow L’ histoire moderne de l’intelligence artificielle a cependant véritablement démarrée au moment du Summer Campde Darmouth, organisé entre le 18 juin et le 17 août 1956 --- page: 12 type: text-highlight created: 2020-06-15T21:03:45.208Z color: green Elle recouvre les sciences et technologies qui permettent d’imiter, d’étendre et/ou d’augmenter l’intelligence humaine avec des machines. --- page: 12 type: text-highlight created: 2020-06-15T21:03:53.248Z color: #F78DA7 L’expression « intelligence artificielle » fut couchée sur papier le 31 août 1955 --- page: 12 type: comment created: 2020-06-15T21:06:21.725Z

IA.def

--- page: 12 type: comment created: 2020-06-15T21:10:59.688Z

Définition de l'IA

>Elle recouvre les sciences et technologies qui permettent d’imiter, d’étendre et/ou d’augmenter l’intelligence humaine avec des machines.

page: 12 type: flashcard created: 2020-06-15T21:29:16.602Z back:

>Elle recouvre les sciences et technologies qui permettent d’imiter, d’étendre et/ou d’augmenter l’intelligence humaine avec des machines.

>Une autre définition courante de l’IA est le champ aca-démique de la création de logiciels et matériels dotés de certaines formes d’intelligence

type: flashcard created: 2020-06-15T21:29:16.602Z front:

Définir l'IA

--- page: 12 type: text-highlight created: 2020-06-15T21:36:45.044Z color: #FF6900 L’IA est en fait une appellation créée par un chercheur afin de faire parler de son domaine et lui permettant d’éviter d’être assimilé à des disciplines voisines comme les m athématiques, les stati s- tiques ou l’informatique. --- page: 12 type: text-highlight created: 2020-06-15T21:38:06.115Z color: red L’IA a atteint l’âge de la retraite mais est encore adole s- cente et brouillonne. page: 12 type: flashcard created: 2020-06-15T21:38:26.835Z back: L’IA a atteint l’âge de la retraite mais est encore adole s- cente et brouillonne. type: flashcard created: 2020-06-15T21:38:26.835Z front:

L'IA est encore un brouillon

--- page: 13 type: text-highlight created: 2020-06-15T21:44:11.957Z color: #9900EF te notion d’intelligence augmenté page: 13 type: flashcard created: 2020-06-15T21:44:50.533Z back: [...] notion d’intelligence augmenté  (Champlain, 2018) type: flashcard created: 2020-06-15T21:44:50.533Z front:

>L'intelligence artificielle suscite nombre de prophéties déconnectées de la réalité technologique. Une partie de ces envolées prend des termes techniques au pied de la lettre, sans compréhension de leur réelle signification. Il y aurait moins de fantasmes si on avait parlé de « classification automatique de motifs complexes » plutôt que d'« intelligence artificielle ».(Champlain, 2018)

--- page: 13 type: text-highlight created: 2020-06-15T21:45:37.038Z color: yellow parfois dépasse largement des composantes isolées de l’intelligence humaine --- page: 13 type: text-highlight created: 2020-06-15T21:45:48.488Z color: #9900EF d’intelligence humaine augmentée page: 13 type: flashcard created: 2020-06-15T21:46:17.024Z back: d’intelligence humaine augmentée type: flashcard created: 2020-06-15T21:46:17.024Z front:

Quelle appellation puis-je donner dans mon cadre théorique ?

--- page: 13 type: text-highlight created: 2020-06-15T21:47:15.990Z color: green Dans le domaine du raisonnement automatisé, l’IA est censée apporter une rationnalité dont l’Homme ne fait pas toujours preuve. Là encore, nous somme s dans l’ordre de la complémentarité. page: 21 type: flashcard created: 2020-06-15T21:50:48.886Z back:

>Comme tout domaine scientifique complexe, l’IA n’a jamais été un terrain d’unanimité et cela risque de perdurer. Diverses écoles de pensée se disputent sur les approches à adopter.  

type: flashcard created: 2020-06-15T21:50:48.886Z front:

Enjeux sur les approches à adopter en IA.

--- page: 13 type: text-highlight created: 2020-06-15T23:06:29.549Z color: red Celle - ci est encore unique dans la capacité à réagir avec disce r- nement face à des situations nouvelles, à tirer profit de circonstances fortuites, à discerner le sens de messages ambigus ou contradictoires, à juger de l'importance relative de différents éléments d'une situation, à trouver des similitudes entre des situations malgré leurs différences, à établir des distin c- tions entre des situations malgré leurs similitudes, à synthétiser de nouveaux concepts malgré leurs différences ou à trouver de nouvelles idées page: 13 type: flashcard created: 2020-06-15T23:06:49.903Z back: >Celle - ci est encore unique dans la capacité à réagir avec disce r- nement face à des situations nouvelles, à tirer profit de circonstances fortuites, à discerner le sens de messages ambigus ou contradictoires, à juger de l'importance relative de différents éléments d'une situation, à trouver des similitudes entre des situations malgré leurs différences, à établir des distin c- tions entre des situations malgré leurs similitudes, à synthétiser de nouveaux concepts malgré leurs différences ou à trouver de nouvelles idées type: flashcard created: 2020-06-15T23:06:49.903Z front:

Les aspects de l'intelligence humaine

--- page: 13 type: text-highlight created: 2020-06-16T13:15:03.663Z color: yellow Vincent Champain, avril 2018 qui évoque cette notion d’intelligence augmentée --- page: 14 type: text-highlight created: 2020-06-16T13:49:37.984Z color: yellow réseaux de neurones pour la reconnaissance des formes, --- page: 14 type: text-highlight created: 2020-06-16T13:49:47.021Z color: yellow systèmes experts --- page: 14 type: text-highlight created: 2020-06-16T13:50:08.714Z color: yellow langage LISP qui servit pendant plusieurs décennies à développer des solutions logicielles d’IA travaillant en logique formelle et à base de règles. page: 14 type: flashcard created: 2020-06-16T13:52:01.525Z back:

McCarthy  [...] langage LISP qui servit pendant plusieurs décennies à développer des solutions logicielles d’IA travaillant en logique formelle et à base de règles. 

type: flashcard created: 2020-06-16T13:52:01.525Z front:

Qu'est-ce que la logique formelle ?

Qu'est-ce qu'une base de règles ?

--- page: 14 type: text-highlight created: 2020-06-16T13:54:11.277Z color: #9900EF stade de l’AGI (IA général iste). page: 14 type: flashcard created: 2020-06-16T13:54:29.555Z back: stade de l’AGI (IA général iste). type: flashcard created: 2020-06-16T13:54:29.555Z front:

Quels-sont les stades possible d'IA ?

--- page: 14 type: text-highlight created: 2020-06-16T13:56:46.395Z color: yellow st plutôt spécialisée dans l’IA symbolique, un domaine dont on entend peu parler depuis le tsunami mondial du deep learning lancé à partir de 2006. Il recouvre diverses techniques de modélisation des connaissances et du raisonnement. page: 14 type: flashcard created: 2020-06-16T13:57:28.485Z back: [...]  l’IA symbolique, [...] Il recouvre diverses techniques de modélisation des connaissances et du raisonnement. type: flashcard created: 2020-06-16T13:57:28.485Z front:

Quels-sont les spécialités de l'IA ?

--- page: 15 type: text-highlight created: 2020-06-16T14:24:15.954Z color: yellow Premiers chatbots On vit aussi apparaître les ancêtres de catégories de solutions d’IA courantes aujourd’hui avec l’un des premiers chatbots, simulant un dialogue avec un psy, ELIZA entre 1964 et 1966 . --- page: 16 type: text-highlight created: 2020-06-16T14:32:06.776Z color: #9900EF transhumanisme --- type: area-highlight created: 2020-06-16T14:33:15.603Z color: image: file:///C:/Users/jeang/.polar/files/image/1sLNqWECWGT9Sx1d1wfJ.png --- page: 17 type: comment created: 2020-06-16T14:40:09.292Z

Promesse non-tenues

--- page: 17 type: text-highlight created: 2020-06-16T14:40:26.713Z color: #9900EF ystèmes experts e page: 17 type: flashcard created: 2020-06-16T14:41:04.561Z back: systèmes experts type: flashcard created: 2020-06-16T14:41:04.561Z front:

Qu'est-ce qu'un système expert ?

--- type: area-highlight created: 2020-06-16T14:43:01.853Z color: image: file:///C:/Users/jeang/.polar/files/image/12hF3xus9zfD1N1a7ppd.png --- page: 19 type: text-highlight created: 2020-06-16T14:50:11.266Z color: #FF6900 L’augmentation de la puissance du matériel qui a permis de diversifier la mise en œuvre de nombreuses méthodes jusqu’alors inaccessibles. Et page: 19 type: flashcard created: 2020-06-16T14:51:14.418Z back: L’augmentation de la puissance du matériel qui a permis de diversifier la mise en œuvre de nombreuses méthodes jusqu’alors inaccessibles. type: flashcard created: 2020-06-16T14:51:14.418Z front:

Cause des récentes avancées en IA.

--- page: 19 type: text-highlight created: 2020-06-16T14:53:02.382Z color: #9900EF ’IA co n- nexionniste e page: 19 type: flashcard created: 2020-06-16T14:53:29.022Z back: IA connexionniste type: flashcard created: 2020-06-16T14:53:29.022Z front:

Qu'est-ce que IA connexionniste ?

--- page: 20 type: text-highlight created: 2020-06-16T15:01:50.418Z color: green es chercheurs doivent publier des exemples de codes sources pour i l- lustrer leurs méthodes, sur Github qui peuvent alors être reproduits et vérifiés par la communa u- té des chercheurs et développeurs. page: 20 type: flashcard created: 2020-06-16T15:03:42.978Z back: Les chercheurs doivent publier des exemples de codes sources pour illustrer leurs méthodes, sur Github qui peuvent alors être reproduits et vérifiés par la communauté des chercheurs et développeurs. type: flashcard created: 2020-06-16T15:03:42.978Z front:

Méthodologie de recherche à source ouverte permettant la reproduction des résultats et leur validation scientifique par d'autres chercheurs ?

--- page: 20 type: text-highlight created: 2020-06-16T15:19:23.391Z color: green Les nombreuses applications commerciales de l’IA mêlant le machine learning, les objets connectés, la mobilité et le big data --- page: 21 type: text-highlight created: 2020-06-16T15:22:43.572Z color: #9900EF connexionnisme avec apprentissa ge par essais -erreurs ou par renforcement --- page: 21 type: text-highlight created: 2020-06-16T15:23:57.177Z color: red Connexionisme et symbolism --- page: 21 type: text-highlight created: 2020-06-16T15:25:33.010Z color: yellow Les partisans du connexionnisme --- page: 21 type: text-highlight created: 2020-06-16T15:25:36.829Z color: yellow Les partisans du symbolisme --- page: 21 type: text-highlight created: 2020-06-16T15:26:06.747Z color: green le raisonnement inductif qui réalise des prévisions et des généralisations à partir d’observations . page: 21 type: flashcard created: 2020-06-16T15:27:31.796Z back:

[...] le raisonnement inductif qui réalise des prévisions et des généralisations à partir d’observations .

Voir aussi: méthode probabiliste

type: flashcard created: 2020-06-16T15:27:31.796Z front: Que réalise le connexionisme ? --- page: 21 type: text-highlight created: 2020-06-16T15:29:08.224Z color: green L’IA symbolique modélise le raisonne- ment logique et représente les connaissances avec des objets et des symboles formels les asso- ciant entre eux (appartient à, fait partie de, est équivalent à, ...). C’est un raisonnement déductif qui s’appuie sur la logique reposant sur des faits et règles connu page: 21 type: flashcard created: 2020-06-16T15:31:27.160Z back: L’IA symbolique modélise le raisonnement logique et représente les connaissances avec des objets et des symboles formels les associant entre eux (appartient à, fait partie de, est équivalent à, ...). C’est un raisonnement déductif qui s’appuie sur la logique reposant sur des faits et règles connu. type: flashcard created: 2020-06-16T15:31:27.160Z front:

Qu'est-ce que l'IA symbolique ?

--- page: 22 type: text-highlight created: 2020-06-16T15:51:28.106Z color: red On utilise la logique connexionniste lorsque l’ on ne peut pas modéliser un système complexe avec des règles établies ou bien, lorsque ces règles chan- gent très souvent et rapidement page: 22 type: flashcard created: 2020-06-16T15:53:08.418Z back: On utilise la logique connexionniste lorsque l’on ne peut pas modéliser un système complexe avec des règles établies ou bien, lorsque ces règles changent très souvent et rapidement [...] type: flashcard created: 2020-06-16T15:53:08.418Z front:

Que fait-on quand les règles qui font qu'un système est intelligent changent ?

--- page: 22 type: text-highlight created: 2020-06-16T15:57:18.055Z color: #FF6900 le fonctionnement de l’intelligence humaine est toujours l’objet de désaccords scient i- fiques --- page: 22 type: text-highlight created: 2020-06-16T15:57:54.919Z color: yellow langages de programmation déclaratifs page: 22 type: flashcard created: 2020-06-16T15:58:15.462Z back: langages de programmation déclaratifs type: flashcard created: 2020-06-16T15:58:15.462Z front:

Qu'est-ce qu'un langages de programmation déclaratifs ?

--- page: 22 type: text-highlight created: 2020-06-16T15:58:20.972Z color: yellow oteurs d’inférences --- page: 22 type: text-highlight created: 2020-06-16T15:59:22.974Z color: yellow oteurs d’inférences utilisant des bases de règles page: 22 type: flashcard created: 2020-06-16T16:00:10.813Z back:

moteurs d’inférences

moteurs d’inférences utilisant des bases de règles

type: flashcard created: 2020-06-16T16:00:10.813Z front:

Qu'est-ce qu'un moteur d'inférence ? En existe-t-il qui n'utilise pas de règle ?

page: 12 type: flashcard created: 2020-06-16T18:05:56.939Z back: L’IA est en fait une appellation créée par un chercheur afin de faire parler de son domaine et lui permettant d’éviter d’être assimilé à des disciplines voisines comme les m athématiques, les stati s- tiques ou l’informatique. type: flashcard created: 2020-06-16T18:05:56.939Z front: Quelle a été la motivation derrière la création de l'appellation IA ? page: 16 type: flashcard created: 2020-06-16T18:22:24.169Z back:

>Le transhumanisme est un mouvement culturel et intellectuel international prônant l'usage des sciences et des techniques afin d'améliorer la condition humaine notamment par l'augmentation des capacités physiques et mentales des êtres humains.  

>Wikipedia. (2020). Transhumanisme

type: flashcard created: 2020-06-16T18:22:24.169Z front:

Qu'est-ce que le "transhumanisme" ?

--- page: 5 type: text-highlight created: 2020-06-16T20:12:33.632Z color: yellow anthropomorphiques --- page: 22 type: text-highlight created: 2020-06-17T16:14:11.141Z color: yellow méthodes statistiques --- page: 22 type: text-highlight created: 2020-06-17T16:15:07.974Z color: yellow réseaux bayésiens --- page: 22 type: comment created: 2020-06-17T16:16:36.454Z

Qu'est-ce qu'un moteur d'inférence ? En existe-t-il qui n'utilise pas de règle ?

--- page: 22 type: comment created: 2020-06-17T16:19:25.362Z

Enjeux de définition du fonctionnement de l'IH

--- page: 23 type: text-highlight created: 2020-06-17T16:28:41.649Z color: yellow TDNN --- page: 23 type: text-highlight created: 2020-06-17T16:29:33.650Z color: yellow cinq grands courants --- type: area-highlight created: 2020-06-17T16:30:21.964Z color: image: file:///C:/Users/jeang/.polar/files/image/123UCAGwL2M7P6CXUFvs.png --- page: 23 type: comment created: 2020-06-17T16:31:40.101Z

Les 5 grand courrants de l'IA.

--- page: 23 type: text-highlight created: 2020-06-17T16:32:48.279Z color: red En pratique, de nombreux chercheurs ambitionnent de fusionner les appr oches symboliques et connexionnistes pour gérer du raisonnement automatique page: 23 type: flashcard created: 2020-06-17T16:34:19.022Z back: En pratique, de nombreux chercheurs ambitionnent de fusionner les approches symboliques et connexionnistes pour gérer du raisonnement automatique type: flashcard created: 2020-06-17T16:34:19.022Z front:

Qu'est-ce que le raisonnement automatique et quelles approches permetraient de le réaliser ?

--- page: 23 type: text-highlight created: 2020-06-17T16:35:12.394Z color: yellow L’IA est un ensemble de techniques permettant de résoudre des problèmes complexes en s’inspirant de mécanismes cognitifs humains, agissant de manière rationnelle en fonction de faits , données et expériences, et capables d’atteindre de manière optimale un ou plusieurs objectif s donnés. page: 23 type: flashcard created: 2020-06-17T16:36:27.961Z back: L’IA est un ensemble de techniques permettant de résoudre des problèmes complexes en s’inspirant de mécanismes cognitifs humains, agissant de manièrerationnelle en fonction de faits,données et expériences, et capables d’atteindre de manière  optimaleun ou plusieurs objectifs donnés. type: flashcard created: 2020-06-17T16:36:27.961Z front:

Définition de l'IA (Ezratty, 2018)

--- page: 23 type: text-highlight created: 2020-06-17T16:37:22.462Z color: #FF6900 Cette rationalité est habituellement limitée par notre volonté, le poids émotionnel de notre cerveau limbique et notre capacité d’optimisation. page: 23 type: flashcard created: 2020-06-17T16:42:15.519Z back:

Concept de rationalité

La rationalité n’est pas l’omniscience mais la capacité à agir en fonction des informations dispo-nibles, y compris celles qui sont ambigües.

Limite

Cette rationalité est habituellement limitée par notre volonté, le poids émotionnel de notre cerveau limbique et notre capacité d’optimisation.

type: flashcard created: 2020-06-17T16:42:15.519Z front:

Quelles-sont les limites de l'intelligence humaine(IH) ?

--- type: area-highlight created: 2020-06-17T16:59:07.058Z color: image: file:///C:/Users/jeang/.polar/files/image/12tiTiAaySVD9YLa8DD1.png --- type: area-highlight created: 2020-06-17T16:59:25.356Z color: image: file:///C:/Users/jeang/.polar/files/image/1nGgHiwG4GFWNmFD44NN.png --- type: area-highlight created: 2020-06-17T17:00:19.608Z color: image: file:///C:/Users/jeang/.polar/files/image/12ePb4pc8ehs3ufUo2JX.png --- page: 24 type: text-highlight created: 2020-06-17T17:01:12.475Z color: yellow segmentation du champ de l’IA, --- page: 23 type: text-highlight created: 2020-06-17T17:04:18.909Z color: #9900EF Le symbolisme qui se focalise sur la pensée abstraite et la gestion des symboles, --- page: 23 type: text-highlight created: 2020-06-17T17:05:21.685Z color: green Le symbolisme modélise notamment les concepts sous la forme d’objets reliés entre eux par des prédicats logiques ( appartient à, etc). --- page: 23 type: text-highlight created: 2020-06-17T17:05:41.133Z color: #9900EF Le connexionnisme qui se focalise sur la perception, dont la vision, la reconnaissance des formes et s’appuie notamment sur les réseaux neuronaux artificiels --- page: 24 type: text-highlight created: 2020-06-17T17:07:35.918Z color: #9900EF Le comportementalisme qui s’intéresse aux pensées subjectives de la perception. page: 13 type: flashcard created: 2020-06-18T19:09:51.662Z front:

L'IA complémente

type: flashcard created: 2020-06-18T19:09:51.662Z back: --- page: 25 type: text-highlight created: 2020-06-19T16:33:38.259Z color: yellow inventer l’IA qui segmente convenablement l’IA --- type: area-highlight created: 2020-06-19T16:34:38.540Z color: image: file:///C:/Users/jeang/.polar/files/image/12G5apUtPgPBMiKV8CDn.png --- page: 25 type: comment created: 2020-06-19T16:40:38.408Z

Apparition du "back-propagation" en 1985.

En francais, qu'est-ce que le "back-propagation" ?

--- type: area-highlight created: 2020-06-19T16:41:09.471Z color: image: file:///C:/Users/jeang/.polar/files/image/12RJu6sqdKFpqDGD63SR.png --- page: 25 type: comment created: 2020-06-19T16:41:49.806Z

Rapport France IA, 2017

--- type: area-highlight created: 2020-06-19T16:48:21.534Z color: image: file:///C:/Users/jeang/.polar/files/image/12D4UDnbQLbnDCd8kGum.png --- page: 34 type: comment created: 2020-06-19T16:49:22.260Z

Fig. Segmentation IA, Ezratty 2018

--- page: 26 type: text-highlight created: 2020-06-19T16:50:50.848Z color: #FF6900 Ces briques sont des plus nombreuses. A tel point que leur intégration est un enjeu technique et métier de taille, peut-être le plus complexe à relever page: 26 type: flashcard created: 2020-06-19T16:54:46.809Z front:

Enjeux d'intégration de l'IA dû au nombreuse librairies.

type: flashcard created: 2020-06-19T16:54:46.809Z back: >Ces briques sont des plus nombreuses. A tel point que leur intégration est un enjeu technique et métier de taille, peut-être le plus complexe à relever. (Maubant, 2014) --- page: 26 type: text-highlight created: 2020-06-19T16:55:28.791Z color: green . L’originalité est rarement dans la création des briques mais plutôt dans leur sélection, leur combinaison, leur assemblage --- page: 26 type: text-highlight created: 2020-06-19T16:59:35.533Z color: yellow re ex- trait des règles de données observées et généralement taggées par l’Hom --- page: 27 type: text-highlight created: 2020-06-19T17:04:09.278Z color: green Ces règles peuvent à leur tour alimenter une IA symbolique qui exploite des faits et règles connus et formalisés pour ré- soudre page: 26 type: flashcard created: 2020-06-19T17:06:20.903Z front:

Comment les différentes segmentations de l'IA peuvent-elles collaborer l'une avec l'autre ?

type: flashcard created: 2020-06-19T17:06:20.903Z back:

>[Connecxionniste] [...] extrait des règles de données observées [...]

Ensuite ces données sont récupérées par une IA symbolique qui utilise comme données les règles générées par l'IA symbolique.

>Ces règles peuvent à leur tour alimenter une IA symbolique qui exploite des faits et règles connus et formalisés pour résoudre [...]

--- page: 26 type: comment created: 2020-06-19T17:08:55.216Z

Fig.  Typologie (Segmantation de L'IA), (Ezratty, 2018)

--- page: 27 type: text-highlight created: 2020-06-19T17:19:31.539Z color: yellow En quelque sorte, le machine learning est une brique d’alimentation du raisonnement automatiqu --- page: 27 type: text-highlight created: 2020-06-19T17:26:39.669Z color: yellow L’expérimentation avec le monde réel permet d’en extraire des règles qui peuvent à leur tour également alimenter de l’IA symbolique. page: 26 type: flashcard created: 2020-06-19T17:27:02.408Z front:

Comment les différentes segmentations de l'IA peuvent-elles collaborer l'une avec l'autre ?

type: flashcard created: 2020-06-19T17:27:02.408Z back: --- type: area-highlight created: 2020-06-19T17:28:30.596Z color: image: file:///C:/Users/jeang/.polar/files/image/1ew8KmVdgvxAUWUaPrsi.png --- page: 28 type: comment created: 2020-06-19T20:57:14.320Z

Fig. Segmentation IA Ezratty, 2018

page: 27 type: flashcard created: 2020-06-19T21:22:21.477Z front:

TESTING ISSUES

type: flashcard created: 2020-06-19T21:22:21.477Z back: En quelque sorte, le machine learning est une brique d’alimentation du raisonnement automatique. (Buest 2017) page: 27 type: flashcard created: 2020-06-19T21:28:14.791Z front:

En IA, comment l'apprentissage automatique peut-il servir à raisonner ?

type: flashcard created: 2020-06-19T21:28:14.791Z back: En quelque sorte, le machine learning est une brique d’alimentation du raisonnement automatique.  (Buest 2017) --- page: 27 type: text-highlight created: 2020-06-19T21:34:27.470Z color: green l’élagage d’un arbre de décision page: 27 type: flashcard created: 2020-06-19T21:35:45.335Z front:

Qu'est-ce qu'un arbre de décision ?

Comment l'IA élague-t-elle un arbre de décision ?

type: flashcard created: 2020-06-19T21:35:45.335Z back: l’élagage d’un arbre de décision --- page: 27 type: text-highlight created: 2020-06-19T21:37:47.538Z color: green faire du réductionnisme, en réduisant par grandes approxim a- tions --- page: 29 type: text-highlight created: 2020-06-19T21:41:36.553Z color: yellow Est-ce que le système est dynamique ou statique ? page: 29 type: flashcard created: 2020-06-19T21:42:35.911Z front:

Qu'est-ce qu'un système dynamique ou statique ? 

>En pensée structurée, R.Fritz parlait des parties dynamiques et statique d'une structure.

type: flashcard created: 2020-06-19T21:42:35.911Z back: Est-ce que le système est dynamique ou statique ? --- type: area-highlight created: 2020-06-19T21:43:03.006Z color: image: file:///C:/Users/jeang/.polar/files/image/1Vmhu64P6UkL7DZxRYc9.png --- page: 29 type: text-highlight created: 2020-06-19T21:45:31.318Z color: red l’IA connexionniste est une manière de contourner l’impossibilité de simuler le monde physique. A page: 29 type: flashcard created: 2020-06-19T21:46:25.016Z front:

Il est impossible de simuler le monde physique.

type: flashcard created: 2020-06-19T21:46:25.016Z back: >[...] l’IA connexionniste est une manière de contourner l’impossibilité de simuler le monde physique. --- page: 29 type: text-highlight created: 2020-06-19T21:46:32.082Z color: #7BDCB5 Etat des lieux --- page: 29 type: text-highlight created: 2020-06-19T21:48:43.804Z color: #FF6900 Le raisonnement généraliste n’est pas encore possible avec l’IA actuelle 40 --- type: area-highlight created: 2020-06-19T21:50:22.708Z color: image: file:///C:/Users/jeang/.polar/files/image/12qPrMExAJ6K7TnGSwPF.png page: 27 type: flashcard created: 2020-06-20T17:32:12.233Z front:

Il existe des résolutions qui ne peuvent être atteinte, à ce moment, nous effecturons du réductionnisme.

type: flashcard created: 2020-06-20T17:32:12.233Z back: >[...] faire du réductionnisme, en réduisant par grandes approximations [...] --- page: 29 type: text-highlight created: 2020-06-20T17:37:50.228Z color: green on l’observe et on utilise des m éthodes probabilistes pour en déduire des règles empiriques et faire des prévisions approximatives page: 29 type: flashcard created: 2020-06-20T17:46:31.944Z front: Ce seront des probabilités qui nous permettra d'avoir un indice plus ou moins approximatifs de ce qui se produit dans la réalité observée.  Le résultat produit par cette couche d'IA s'appellera : **règles empiriques**.  Ces-dites règles pourront être utilisé par la couche (ou context suivant) afin d'en inférer un raisonnement quelquonque. type: flashcard created: 2020-06-20T17:46:31.944Z back: >[...] on l’observe (monde physique) et on utilise des méthodes probabilistes pour en déduire des règles empiriques et faire des prévisions approximatives. --- page: 29 type: text-highlight created: 2020-06-21T02:28:13.007Z color: yellow raisonnement spécialisé page: 29 type: flashcard created: 2020-06-21T02:29:01.390Z front:

Qu'est-ce que le raisonnement spécialisé ? Qu'est-ce que le raisonnement généralisé ?

type: flashcard created: 2020-06-21T02:29:01.390Z back: raisonnement spécialisé --- page: 30 type: text-highlight created: 2020-06-21T02:32:55.960Z color: yellow Ces techniques de machine learning sont basées sur des méthodes et outils probabilistes qui ne co r- respondent pas aux sens humains. page: 30 type: flashcard created: 2020-06-21T02:35:37.338Z front:

Beaucoup de technique d'apprentissage automatique n'ont aucune relation avec les sens humain et dans le cas des recommendations d'achat, c'est plutôt limitées en terme d'inspiration.

type: flashcard created: 2020-06-21T02:35:37.338Z back: >Ces techniques de machine learning sont basées sur des méthodes et outils probabilistes qui ne correspondent pas aux sens humains. --- page: 30 type: text-highlight created: 2020-06-21T02:36:54.402Z color: #9900EF ois catégories : les sens, le raisonnement et l’action. page: 30 type: flashcard created: 2020-06-21T02:39:38.175Z front: Quels-sont les catégories de l'IA en relation aux capacités humaines ? type: flashcard created: 2020-06-21T02:39:38.175Z back:

>[...] trois catégories : les sens, le raisonnement et l’action.

>L'IA pensera rationnellement, donc pas forcément comme des humains

--- page: 31 type: text-highlight created: 2020-06-21T02:39:49.392Z color: #7BDCB5 Algorithmes et logiciels de l’IA --- page: 31 type: text-highlight created: 2020-06-21T02:44:56.740Z color: yellow essentiel des solutions de traitement de l’image, du langage naturel et de la perception relèvent du deep learning, c --- page: 31 type: text-highlight created: 2020-06-21T02:45:11.913Z color: yellow gèrent des données structurées et notamment de la prévision relèvent du machine learning de --- page: 31 type: text-highlight created: 2020-06-21T02:45:42.973Z color: yellow qui relèvent du raisonnement et de la planification relèvent de différentes variati ons de m o- teurs de règles, solvers et outils associés --- page: 31 type: text-highlight created: 2020-06-21T02:49:54.905Z color: red Cette segmentation couvre les principaux usages actuels de l’IA p page: 31 type: flashcard created: 2020-06-21T03:18:02.455Z front: type: flashcard created: 2020-06-21T03:18:02.455Z back:

>Cette segmentation couvre les principaux usages actuels de l’IA

L'apprentissage profond traite entendre, voir, percevoir.

L'apprentissage automatique traite les données structurées et prédit.

Les moteurs de règles, solvers et outils associées vont raisonner et planifier.

|       |       |       |

|  ---  |  ---  |  ---  |

|   Apprentissage profond    |   Entendre, voir, percevoir    |       |

|   Apprentissage automatique    |    Traiter les structures et prévoir   |       |

|   Moteur de règles, solvers et outils associés    |   Raisonner et planifier    |       |

--- type: area-highlight created: 2020-06-21T03:19:44.179Z color: image: file:///C:/Users/jeang/.polar/files/image/12VoFjyCYT5xMWUcGyTQ.png --- page: 31 type: text-highlight created: 2020-06-21T03:21:35.832Z color: #9900EF Le transfer learning , ou apprentissage par transfert, est une variante du deep learning qui pe r- met d’entraîne r un réseau de neurones à partir d’un réseau de neurones dé jà entraîné pour le compléter , le mettre à jour ou l’utiliser dans un domaine voisin du domaine initial. page: 31 type: flashcard created: 2020-06-21T03:22:30.211Z front:

Qu'est-ce que l'apprentissage par transfert ?

type: flashcard created: 2020-06-21T03:22:30.211Z back: Le transfer learning , ou apprentissage par transfert, est une variante du deep learning qui permet d’entraîner un réseau de neurones à partir d’un réseau de neurones déjà entraîné pour le compléter , le mettre à jour ou l’utiliser dans un domaine voisin du domaine initial. --- page: 31 type: text-highlight created: 2020-06-21T03:22:49.076Z color: #9900EF L’ IA affective qui exploite une panoplie large d’outils du machine learning et du deep learning voire du raisonnement automatique pour cap ter et classifier des éléments extérieurs des émo- tions humaines et agir en conséquence page: 31 type: flashcard created: 2020-06-21T03:23:30.700Z front:

Qu'est-ce que l'IA affective ?

type: flashcard created: 2020-06-21T03:23:30.700Z back: L’ IA affective qui exploite une panoplie large d’outils du machine learning et du deep learning voire du raisonnement automatique pour capter et classifier des éléments extérieurs des émotions humaines et agir en conséquence --- page: 31 type: text-highlight created: 2020-06-21T03:23:53.190Z color: #9900EF La représentation de connaissances qui les extrait de données textuelles non structurées , par exemple, via du deep learning , et les exploite ensuite le plus souvent dans du raisonnement automatique avec l es outils de l’IA symbolique page: 31 type: flashcard created: 2020-06-21T03:26:00.288Z front:

Comment fonctionne la représentation de connaissances ?

type: flashcard created: 2020-06-21T03:26:00.288Z back: >La représentation de connaissances extrait de données textuelles non structurées via du deep learning et les exploite ensuite dans du raisonnement automatique avec les outils de l’IA symbolique --- page: 31 type: text-highlight created: 2020-06-21T03:26:19.978Z color: #9900EF Les algorithmes évolutionnaires ou génétiques qui peuvent s’appuyer sur du deep learning et qui testent plusieurs versions de solutions pour ne conserver que les meilleures page: 31 type: flashcard created: 2020-06-21T03:27:19.091Z front:

Qu'est-ce qu'un algorithme évolutionnaire ?

type: flashcard created: 2020-06-21T03:27:19.091Z back: Les algorithmes évolutionnaires ou génétiques qui peuvent s’appuyer sur du deep learning et qui testent plusieurs versions de solutions pour ne conserver que les meilleures --- page: 32 type: text-highlight created: 2020-06-21T03:28:48.708Z color: yellow Les briques du raisonnement et de la planification --- page: 32 type: text-highlight created: 2020-06-21T03:29:48.220Z color: green Le machine learning peut s’appuyer sur des réseaux de neurones simples pour les tâches complexes portant sur des do n- nées multidimentionnelles. --- page: 32 type: text-highlight created: 2020-06-21T03:31:37.523Z color: green Les réseaux de neurones constituent un sous -domaine du machine learning pour réaliser des tâches identiques, mais lorsque l’espace probabiliste géré est plus complexe. Ce page: 32 type: flashcard created: 2020-06-21T03:33:51.564Z front:

Lorsque l'espace probabiliste généré est plus complexe, quel sous-domaine de l'apprentissage automatique sera utilisé ?

type: flashcard created: 2020-06-21T03:33:51.564Z back: >Les réseaux de neurones constituent un sous-domaine du machine learning pour réaliser des tâches lorsque l’espace probabiliste géré est plus complexe. --- page: 32 type: text-highlight created: 2020-06-21T03:43:26.527Z color: yellow Le deep learning ou apprentissage profond, permet d ’aller plus loin que le machine learning pour reconnaît re des objets complexes comme les images, l’écriture manuscrite , la parole et le langage . Le deep learning exploite des réseaux de neurones multicouches , sachant qu’il en existe de très nombreuses variantes . Ce n’est cependant pas la solution à tous les problèmes que l’IA cherche à traiter 42 --- page: 32 type: text-highlight created: 2020-06-21T03:46:15.975Z color: #9900EF approches dites multimodales qui intègrent différents sens comme la vision et le langage.  page: 32 type: flashcard created: 2020-06-21T03:47:29.775Z front:

Qu'est-ce qu'une approche multimodales ?

type: flashcard created: 2020-06-21T03:47:29.775Z back: [...] approches dites multimodales qui intègrent différents sens comme la vision et le langage. --- page: 32 type: text-highlight created: 2020-06-21T03:48:09.623Z color: yellow Les réseaux d’agents ou systèmes multi -agents sont un domaine méconnu qui couvre la science de l’orchestration des briques techniques de l’IA pour créer des solutions complètes . page: 32 type: flashcard created: 2020-06-21T03:52:04.292Z front:

Qu'est-ce qu'un réseaux d’agents ?

type: flashcard created: 2020-06-21T03:52:04.292Z back: >Les réseaux d’agents ou systèmes multi-agents sont un domaine méconnu qui couvre la science de l’orchestration des briques techniques de l’IA pour créer des solutions complètes. [...] Les réseaux d’agents sont à la fois des objets conceptuels et des outils d’assemblage de briques logicielles de l’IA. Le principe d’un agent est qu’il est conceptuellement autonome, avec des entrées et sorties. L’assemblage d’agents dans des réseaux multi-agents est une version « macro » de la création de solutions d’IA. --- page: 32 type: text-highlight created: 2020-06-21T03:52:29.908Z color: #FF6900 Cette classification n’est pas la seule du marché. Il y en a quasiment autant que de spécialistes et non spécialistes du domaine de l’IA --- type: area-highlight created: 2020-06-21T03:53:59.738Z color: image: file:///C:/Users/jeang/.polar/files/image/1BGK1UdN1N8WCpyQCory.png --- page: 33 type: comment created: 2020-06-21T03:54:54.829Z

classification d’Ericsson (2012)

--- page: 33 type: text-highlight created: 2020-06-21T03:55:09.323Z color: #7BDCB5 Force brute et arbres de recherche --- page: 33 type: text-highlight created: 2020-06-21T19:17:43.817Z color: #9900EF La force brute est l’inverse métaphorique de l’intelligence. C’ est un moyen courant de simuler l’intelligence humaine ou de la dépasser. --- page: 33 type: text-highlight created: 2020-06-21T19:20:40.312Z color: #FF6900 La force brute n’est opérationnelle que si la combinatoire à tester reste dans l’ enveloppe de pui s- sance de l’ordinateur --- page: 33 type: text-highlight created: 2020-06-21T19:24:50.615Z color: yellow mélange de force brute et de deep lea r- ning permettant de faire des économies de combinatoires à tester pour identifier les page: 33 type: flashcard created: 2020-06-21T19:28:15.487Z front:

Pourquoi combiner la force brute et l'apprentissage automatique ?

type: flashcard created: 2020-06-21T19:28:15.487Z back: Il est possible de mélange la force brute et l'apprentissage automatique pour permettre une économies combinatoires (Ezratty, 2018) --- page: 34 type: text-highlight created: 2020-06-21T19:29:31.524Z color: #9900EF d’un apprentissage par renforcement, le système apprenant en jouant contre lui -même. --- page: 34 type: comment created: 2020-06-21T19:29:55.811Z

Concept de l'apprentissage par renforcement

--- page: 34 type: text-highlight created: 2020-06-21T19:30:17.957Z color: yellow élague son arbre de recherche de positions avec une architecture plus simple et unifiée à base de réseaux de neurones récursifs 44 --- page: 34 type: text-highlight created: 2020-06-21T19:40:47.430Z color: #FCB900 La force brute est utilisée dans de nombreux domaines comme dans les moteurs de recherche ou la découverte de mots de passe simples . --- page: 34 type: comment created: 2020-06-21T19:41:45.542Z

Exemple d'utilisation de la force brute.

--- page: 34 type: text-highlight created: 2020-06-21T19:42:31.574Z color: red 45 La force brute s’est aussi généralisée parce que la puissance de s ordinateurs le permet : ils tournent plus vite, sont distribuables, le stockage co ûte de moins en moins cher, les télécommunications sont abordables et le s capteurs de plus en plus nombreux, des appareils photo/vidéo des smartphones au x capteurs d’objets connectés divers --- page: 34 type: text-highlight created: 2020-06-21T19:59:37.152Z color: #9900EF Les méthodes statistiques et notamment bayésiennes permettent de prévoir la probabilité d’événement s en fonction de l’analyse d’événements passés. --- page: 34 type: comment created: 2020-06-21T20:18:28.647Z --- page: 34 type: text-highlight created: 2020-06-21T20:18:59.120Z color: yellow Les réseaux bayésiens utilisent des modèles à bas e de graphes pour décrire des relations d’interdépendances statistiques et de causalité entre facteurs (exemple ci-dessous ). --- page: 34 type: text-highlight created: 2020-06-21T20:22:45.659Z color: yellow l’analyse de risques page: 34 type: flashcard created: 2020-06-21T20:23:44.811Z front:

Comment décrire des relations de causalité ?

type: flashcard created: 2020-06-21T20:23:44.811Z back:

>Les réseaux bayésiens utilisent des modèles à base de graphes pour décrire des relations d’interdépendances statistiques et de causalité entre facteurs.

Entre autre ces réseaux peuvent faire une analyse de risques.

--- page: 35 type: text-highlight created: 2020-06-21T20:25:25.015Z color: #FF6900 Cette partie mériterait sans doutes d’être développée --- page: 35 type: text-highlight created: 2020-06-21T20:25:51.890Z color: yellow combinaisons sont possibles comme lorsque l’on i ntègre la notion de logique floue aux moteurs de règles. --- page: 34 type: text-highlight created: 2020-06-21T20:43:38.048Z color: yellow Brian Bannon --- page: 35 type: text-highlight created: 2020-06-22T12:16:57.869Z color: #7BDCB5 Raisonnement automatiqu --- page: 35 type: text-highlight created: 2020-06-22T12:18:15.074Z color: #9900EF Le raisonnement automatique fait partie du vaste champ de l’IA symbolique appliquant de la l o- gique formelle. --- page: 35 type: text-highlight created: 2020-06-22T12:21:30.530Z color: yellow La formalisation du raisonnement humain remonte à Aristote et à l’identification de règles fo r- melles utilisées dans l’argumentation philosophique, à --- page: 35 type: text-highlight created: 2020-06-22T12:32:10.860Z color: yellow Suivirent les travaux de Georges Boole au 19 e siècle et son al gèbre formalisant l’usage de règles de raisonnement, puis de nombreux développements théoriques, notamment autour de la logique fo r- melle, des calculs de prédicats, de la logique du premier et du second ordre --- page: 36 type: text-highlight created: 2020-06-22T12:38:18.197Z color: #FF6900 ne sait toujours pas dire si l e raisonnement humain s’appuie sur une manipulation de symboles à haut niveau ou par assemblage de connexions de bas niveau dans le cerveau, que page: 36 type: flashcard created: 2020-06-22T12:45:41.940Z front:

Dans l'état de la connaissance sur le cerveau humain, nous ignorons encore aujourd'hui si l'approche du cerveau est de manipuler des symbôles ou de faire un assemblage de connexions.

type: flashcard created: 2020-06-22T12:45:41.940Z back: --- page: 36 type: text-highlight created: 2020-06-22T21:23:47.769Z color: #FF6900 Pe n- dant longtemps, les approches symboliques et connexionnistes se sont opposées. Les recherches les plus récente s en IA visent à les rapprocher. --- page: 37 type: text-highlight created: 2020-06-22T21:25:11.348Z color: yellow Prolog est un langage déclaratif qui sert à gérer de la logique du premier ordre avec la déclaration de relations, faits et règles. Il est notamment utilisé pour l’analyse du langage. Pro --- page: 37 type: text-highlight created: 2020-06-22T21:26:10.845Z color: green Premiers systèmes experts --- page: 37 type: text-highlight created: 2020-06-22T21:28:04.622Z color: yellow Ils répondent à des questions dans des domaines spécifiques dont on a codifié la co n- naissance. Cela permit à l’IA de se rendre utile dans des domaines spécifiques, --- page: 37 type: text-highlight created: 2020-06-22T21:29:49.733Z color: yellow Les moteurs de règles et les solveu rs sont couramment employés dans les systèmes experts depuis les années --- page: 37 type: text-highlight created: 2020-06-22T21:30:51.444Z color: yellow Les moteurs de règles s’appuient sur la notion de raisonnement contraint par des règles et exploitant des bases de faits . page: 37 type: flashcard created: 2020-06-22T21:34:20.722Z front:

Est-ce que les "solvers" Houdini sont des systèmes experts ?

type: flashcard created: 2020-06-22T21:34:20.722Z back:

>Les moteurs de règles et les solveurs sont couramment employés dans les systèmes experts depuis les années 1980 [...]

>Les moteurs de règles s’appuient sur la notion de raisonnement contraint par des règles et exploitant des bases de faits.

>On fournit au moteur un ensemble de règles et de faits pouvant par exemple représenter le savoir des experts dans un domaine donné. Avec des règles proches de la programmation logique [...]

--- page: 37 type: text-highlight created: 2020-06-22T21:39:16.262Z color: #00D084 On peut alors interroger le système en lui posant des questions genre “ est-ce que W est vrai ?” et il va se débrouiller pour exploit er les règles enregistrées pour répondre à la question. Les moteurs de règles utilisent la théorie des graphes et la gestion de contraintes. --- page: 37 type: comment created: 2020-06-22T21:39:56.844Z

Qu'est-ce qu'un graphes ?

--- page: 37 type: comment created: 2020-06-22T21:40:05.710Z

Qu'est-ce qu'une contrainte dans ce contexte ?

--- page: 38 type: text-highlight created: 2020-06-22T21:45:54.450Z color: #9900EF Un système expert s’appuie sur deux composantes clés : une base de connaissance , générée so u- vent manuellement ou éventuellement par exploitation de bases de connaissances existantes, et un moteur de règles , plus ou moins générique, qui va utiliser la base de connaissance pour rép ondre à des questions précises. --- page: 38 type: text-highlight created: 2020-06-22T21:46:14.751Z color: #9900EF Les systèmes experts peuvent expliquer le rationnel de leur réponse. La traçabilité est possible jusqu’au savoir codifié dans la base de connaissances , un avantage que les réseaux de neurones du deep learning et le machine learning n’ont pas encore . --- page: 38 type: text-highlight created: 2020-06-22T22:00:39.221Z color: yellow Systèmes experts d’aujourd’hui --- type: area-highlight created: 2020-06-22T22:00:55.258Z color: image: file:///C:/Users/jeang/.polar/files/image/12NeESmJ1xEmugyTKhZc.png --- page: 38 type: text-highlight created: 2020-06-22T22:04:24.043Z color: #FF6900 La mise en place de systèmes experts se heurtait à la difficulté de capter la connaissance des e x- perts --- page: 38 type: text-highlight created: 2020-06-22T22:05:57.026Z color: green Il existe d’autres types de systèmes e x- perts qui mettent en œuvre la notion de programmation par contrainte s, perme t- tant d’atteindre un objectif en fonction d’une base de règles, d’objectifs et de contraintes opérationnelles. --- page: 38 type: text-highlight created: 2020-06-22T22:06:52.696Z color: yellow Les logiciels de moteurs de règles du marché son t appelé BRMS pour Business Rule s Manag e- ment Systems . --- page: 38 type: text-highlight created: 2020-06-22T22:07:11.500Z color: yellow concept plus large de Decision Management Systems qui associent des moteurs de règles et des outils d’ analytics --- page: 39 type: text-highlight created: 2020-06-22T22:09:07.715Z color: yellow Cycorp est une sorte de laboratoire de recherche privé en IA financé par des contrats du gouvern e- ment US, dont la DARPA, et d’entreprises privées. Il propose une suite d’outils en open source et licence commerciale permett ant d’exploiter des dictionnaires, ontologies et bases de connaissances pour répondre à des questions d’analystes. --- page: 39 type: text-highlight created: 2020-06-22T22:10:10.001Z color: yellow L’initiative open source Schema.org lancée par Google, Microsoft, Yahoo et le Russe Yandex pro- pose de son côté des millions de types, descriptions de faits exploitables par les moteurs de r e- cherche et les moteurs de règles --- page: 39 type: text-highlight created: 2020-06-22T22:12:41.127Z color: yellow Les outils dotés de capacités de raisonnement continuent d’évoluer pour faire avancer le champ de la représentation des connaissances et du raison nement. Les techniques associées sont moins co n- nues que celles du machine learning et du deep learning, ce d’autant plus qu’elles sont de plus en plus hybrides. Ainsi, un moteur de règles peut - il exploiter des règles elles - mêmes générées par an a- lyse du lan gage dans des réseaux de neurones récurrents --- type: area-highlight created: 2020-06-22T22:13:07.253Z color: image: file:///C:/Users/jeang/.polar/files/image/1i8rSr9M4pUBVFsrtN5L.png --- page: 40 type: text-highlight created: 2020-06-22T22:16:08.678Z color: yellow Le deep learning et les réseaux de neurones récurrents que nous verrons plus loin alimentent mai n- tenant couramment les bases de connaissances et les moteurs de règles qu’ils ont contribué indire c- tement à faire décliner ! --- page: 40 type: text-highlight created: 2020-06-22T22:16:22.783Z color: yellow Knowledge Graph s --- page: 40 type: text-highlight created: 2020-06-22T22:18:17.193Z color: yellow Les systèmes experts peuvent aussi être alimentés par l’exploitation de données opérationnelles (big data, machine learning). --- page: 40 type: text-highlight created: 2020-06-22T22:19:13.208Z color: yellow CosML qui sert à représenter les états ainsi que les comportements des systèmes c om- plexes et à les étudier grâce à de la simulation . --- page: 40 type: text-highlight created: 2020-06-22T22:20:15.333Z color: #9900EF Le système exploite des règles métier et des corrél a- tions extraites de données de production via des techniques de machine learning ( schéma ci - dessous ). --- type: area-highlight created: 2020-06-22T22:20:50.080Z color: image: file:///C:/Users/jeang/.polar/files/image/1GJyrTgAHNGnLMweHS58.png --- page: 40 type: text-highlight created: 2020-06-22T22:22:21.148Z color: yellow Engine, qui exploite une représentation de la connaissance sous forme d’ontologies et adopte une structure en graphe et non d’arborescence, ce qui la rend très ouverte. Cela permet de gérer la contradiction et la n on complétude d’informations. page: 40 type: flashcard created: 2020-06-22T22:23:43.137Z front:

Concept de la non-complétude de l'information

type: flashcard created: 2020-06-22T22:23:43.137Z back: [...] K Engine, qui exploite une représentation de la connaissance sous forme d’ontologies et adopte une structure en graphe et non d’arborescence, ce qui la rend très ouverte. Cela permet de gérer la contradiction et la non complétude d’informations. --- page: 41 type: text-highlight created: 2020-06-22T22:27:12.439Z color: yellow 522 Logique floue --- page: 42 type: text-highlight created: 2020-06-22T22:28:06.236Z color: red la logique floue n’est pas utilisée de manière très courante, notamment du fait que les sy s- tèmes experts ne sont plus à la mode depuis une quinzaine d’année. J’ai --- page: 42 type: text-highlight created: 2020-06-22T22:29:13.787Z color: yellow Planification opérationnelle --- page: 42 type: text-highlight created: 2020-06-22T22:35:46.178Z color: #9900EF vise à résoudre des problèmes de logique et d’optimisa tion qui sont très nombreux dans les entreprises --- page: 42 type: text-highlight created: 2020-06-22T22:35:56.882Z color: #9900EF opérationnelle La planification est une autre branche de l’IA symbolique. --- page: 42 type: text-highlight created: 2020-06-22T22:36:07.186Z color: green Comment allouer ses ressources pour qu’elles soient les mieux utilisées ? --- page: 42 type: text-highlight created: 2020-06-22T22:37:29.871Z color: yellow peuvent faire appel à des algorithmes ad -hoc, à de la simulation, à des réseaux d’agents intelligents, une méthode qui est à la frontière entre l’intell igence artificielle et l’étude des systèmes complexes 58 --- page: 42 type: text-highlight created: 2020-06-22T22:38:14.048Z color: green d’hybridation d’algorithmes et technol o- gies pour résoudre page: 42 type: flashcard created: 2020-06-22T22:41:05.709Z front:

Quelles sont les composantes d'un hybride technologique pour l'application du raisonnement automatique appliqué en planification ?

type: flashcard created: 2020-06-22T22:41:05.709Z back:

>d’hybridation d’algorithmes et technologies pour résoudre

( aka :

* programmation par contrainte,

* logique propositionnelle,

* logiques monotone et nonmonotone,

* des notions de combinatoires et

* d’exploration d’arbres de décision),

* le traitement du langage et

* la modélisation des connaissances.

--- page: 42 type: text-highlight created: 2020-06-22T22:41:30.491Z color: red programmation par contrainte --- page: 42 type: text-highlight created: 2020-06-22T22:41:36.537Z color: red logique propositionnelle --- page: 42 type: text-highlight created: 2020-06-22T22:41:44.356Z color: red logiques monotone et non - monotone --- page: 42 type: text-highlight created: 2020-06-22T22:41:56.941Z color: red notions de combinatoires et d’exploration d’arbres de décision) --- page: 42 type: text-highlight created: 2020-06-22T22:42:24.175Z color: red traitement du langage --- page: 42 type: text-highlight created: 2020-06-22T22:42:31.088Z color: red modélisation des connaissan ces --- page: 42 type: text-highlight created: 2020-06-22T22:42:52.855Z color: yellow Machine learning --- page: 42 type: text-highlight created: 2020-06-24T18:54:44.244Z color: #9900EF ilise des méthodes probabilistes pour apprendre à partir des données sans être pr o- grammé explicitement --- page: 42 type: text-highlight created: 2020-06-24T18:58:39.721Z color: #9900EF e machine learning vise notamment à identifier des tendances, à faire des prévisions sur des données (régressions linéaires et non linéaires), à découvrir des corrélations entre données et événements (comme pour déterminer si un logiciel est un virus, si un client risque de quitter un service sur abonnement ou au contraire, s’il sera inté ressé par telle ou telle offre ou qu’un tableau clinique d’un patient est symptomatique de l’émergence d’une pathologie de longue durée), à segmenter des jeux de données (comme une base clients), à re connaître des objets (des lettres, des objets dans des i mages), le tout en exploitant des données d’ entraînement. --- page: 42 type: text-highlight created: 2020-06-24T18:59:59.290Z color: green donne aux machines la capacité d’apprendre sans être explicitement programmées. --- page: 42 type: text-highlight created: 2020-06-24T19:00:30.743Z color: #FF6900 Le choix des méthodes reste pour l’instant manuel, même si certaines startups essayent d’automatiser ce processus --- page: 42 type: text-highlight created: 2020-06-24T19:01:34.172Z color: green L’apprentissage automatique s’appuie sur des données existantes. --- page: 42 type: text-highlight created: 2020-06-24T19:03:20.037Z color: red Les données sont donc absolument cr i- tiques pour la qualité des résultats. --- page: 43 type: text-highlight created: 2020-06-24T19:04:35.079Z color: yellow doit pouvoir s’adapter à différentes contraintes comme une évolution permanente des données d’ entraînement, ainsi que leur incomplétude et leur imperfection --- page: 43 type: text-highlight created: 2020-06-24T22:14:13.276Z color: #9900EF L’ apprentissage supervisé avec la classification qui permet de labelliser des objets --- page: 43 type: text-highlight created: 2020-06-24T22:14:22.140Z color: #9900EF la régression qui permet de réaliser des prévisions sur des valeurs numériques . --- page: 43 type: text-highlight created: 2020-06-24T22:14:38.975Z color: green L’apprentissage est supervisé car il exploite des bases de données d’ entraînement qui contie n- nent des labels ou des données contenant les réponses aux questions que l’on se pose. En gros, le système exploite des exemples et acquiert la capacité à les généraliser e nsuite sur de nou- velles données de production. --- page: 43 type: text-highlight created: 2020-06-24T22:14:50.163Z color: #9900EF L’ apprentissage non supervisé avec le clustering et la réduction de dimensions. --- page: 43 type: text-highlight created: 2020-06-24T22:14:57.455Z color: yellow bases de données non labellisées --- page: 43 type: text-highlight created: 2020-06-24T22:15:04.287Z color: red Ce n’est pas un équivalent fonctionnel de l’apprentissage s u- pervisé qui serait automatique --- page: 43 type: text-highlight created: 2020-06-24T22:15:24.419Z color: yellow Le clustering permet d’isoler des segments de données spatialement séparés entre eux --- page: 43 type: text-highlight created: 2020-06-24T22:15:35.604Z color: #9900EF La réduction de dimensions (ou embedding) vise à ré duire la dimension de l’espace des données, en choisissant les dimensions les plus pertinentes. --- page: 43 type: text-highlight created: 2020-06-24T22:15:50.622Z color: #9900EF L’ apprentissage par re nforcement pour l’ajustement de modèles déjà entraînés en fonction des réactions de l’environnement --- page: 43 type: text-highlight created: 2020-06-24T22:16:03.631Z color: #9900EF forme d’apprentissage supervisé incrémental --- page: 43 type: text-highlight created: 2020-06-24T22:18:12.024Z color: yellow L’une des variantes de l’apprentissage par renforcement est l’a pprentissage s u- pervisé autonome notamment utilisé en robotique où l’IA entraîne son modèle en déclenchant d’elle - même un jeu d’actions pour vérifier ensuite leur résultat et ajuster son compor tement. --- type: area-highlight created: 2020-06-24T22:18:20.622Z color: image: file:///C:/Users/jeang/.polar/files/image/14ANPcsyoFGn64oSUs4w.png --- page: 43 type: text-highlight created: 2020-06-24T22:19:12.527Z color: #7BDCB5 Classification --- page: 43 type: text-highlight created: 2020-06-24T22:20:20.917Z color: #9900EF Il s’agit de pouvoir associer une donnée complexe comme une image ou un profil d’uti lisateur à une classe d’objet, les différentes classes possibles étant fournies a priori par le concepteur. --- page: 44 type: text-highlight created: 2020-06-24T22:21:19.641Z color: #9900EF génère un modèle qui permet de prédire la classe d’une nouvelle donnée fournie en entrée. --- page: 44 type: text-highlight created: 2020-06-24T22:29:26.459Z color: #9900EF Les arbres de décision que l’on appelle aussi les CART (Classification And Regres sion Tree) exploitent des cri tères discriminants, comme dans un moteur de règles. Ils permettent de classifi er un objet en se posant successivement des questions (comparaison de données, ...). --- type: area-highlight created: 2020-06-24T22:33:28.837Z color: image: file:///C:/Users/jeang/.polar/files/image/12YucSzYn78VgaW5cf51.png --- page: 44 type: text-highlight created: 2020-06-24T22:34:26.202Z color: #9900EF Les Support Vector Machines (SVM) linéaires cherchent à identifier une droite ou un hyperplan dans le cas d’un modèle à plusieurs dimen sions qui permett e de distin guer les classes d’objets les unes des autres de manière binaire en essayant de les séparer par une marge, --- type: area-highlight created: 2020-06-24T22:36:50.815Z color: image: file:///C:/Users/jeang/.polar/files/image/1uB3raiLu5z9Gs63QDmT.png --- page: 44 type: text-highlight created: 2020-06-24T22:37:56.565Z color: #9900EF Les SVM peuvent utiliser un modèle non linéaire lorsque les objets à séparer dans l’espace ne peuvent pas être isolés de part et d’autre d’un hyperplan. On recherche alors une fonction qui va transformer ces données, par exemple en 2D (x1, x2), dans un espace à deux ou trois dimension --- page: 44 type: text-highlight created: 2020-06-24T22:39:34.703Z color: #9900EF Les classifications naïves bayésiennes utilisent les probabilités pour d épartager les objets dans des classes en fonction de caractéristiques bien établies --- type: area-highlight created: 2020-06-24T22:39:46.097Z color: image: file:///C:/Users/jeang/.polar/files/image/17HmeyhNuZC67e2W5hgZ.png --- type: area-highlight created: 2020-06-24T22:40:36.534Z color: image: file:///C:/Users/jeang/.polar/files/image/12t3md2gE12AVy8M8ZUi.png --- page: 45 type: text-highlight created: 2020-06-24T22:41:58.737Z color: yellow chaque hypothèse de départ, on associe une probabilité. L’observation d’une ou de plusieurs instances peut modifier cette probabilité. On peut parler de l’hypothèse la plus probable au vu des instances observées. Les probabilités bayésiennes présupposent l’indépendance des attributs utilisés . --- page: 45 type: text-highlight created: 2020-06-24T22:46:31.200Z color: #9900EF es méthodes des ensembles combinent plusieurs méthodes de classification pour en panacher les résultats et renforcer le poids des meilleures méthodes sans dépendre d’une seule d’entre elles --- page: 45 type: text-highlight created: 2020-06-24T22:48:18.641Z color: green Les méthodes des ensembles peuvent combiner des méthodes dites algébriques (avec une moyenne, une moyenne pondérée, un maximum, un minimum ou une médiane) et des méthodes par vote (utili sant la majorité, un vote pondéré, ...), --- page: 45 type: text-highlight created: 2020-06-24T22:49:21.573Z color: yellow Un modèle mathématique de machine learning est entraîné avec un jeu de données d’apprentissage. Cet entraînement consiste à déter miner la bonne méthode à utiliser ainsi que les paramètres mathé matiques du modèle retenu. Il va générer un modèle entraîné, et ses variables de fonctionnement pour faire une prévision ou une classificati on. page: 45 type: flashcard created: 2020-06-24T22:51:33.751Z front: Dans la conception d'un système, plusieurs méthodes seront utilisées et ensemble serviront à bien classifier ou prédire. type: flashcard created: 2020-06-24T22:51:33.751Z back: --- page: 45 type: text-highlight created: 2020-06-24T22:51:59.497Z color: green Les spécialistes du machine learning testent habituellement différentes méthodes de classification pour identifier celle qui est la plus efficace compte-tenu du jeu de données d’entraînement --- page: 45 type: comment created: 2020-06-24T22:52:30.393Z

Ces données n'ont pas servi à entrainer le modèle.

--- type: area-highlight created: 2020-06-25T12:34:41.947Z color: image: file:///C:/Users/jeang/.polar/files/image/121BG3CXAfUGrv7hfSkr.png --- page: 45 type: text-highlight created: 2020-06-25T13:06:40.959Z color: yellow Régression page: 45 type: flashcard created: 2020-06-25T13:07:05.233Z front:

J'en comprend que le réseau a été entrainé et que dans la réalité, nous n'avons qu'une variable et désirons en connaître d'autre, la régression permettrait cela.

type: flashcard created: 2020-06-25T13:07:05.233Z back: --- page: 46 type: text-highlight created: 2020-06-25T13:07:35.234Z color: yellow es régressions utilisent plusieurs paramètres en entrée --- page: 46 type: text-highlight created: 2020-06-25T13:07:49.979Z color: #9900EF différentes formes de régression, nota mment linéaire et non linéaire. --- page: 46 type: text-highlight created: 2020-06-25T13:08:29.034Z color: yellow décrit les méthodes de régression qui suivent plus ou moins de près les variations observées --- page: 46 type: text-highlight created: 2020-06-25T13:09:27.500Z color: yellow Les régressions peuvent être aussi réalisées avec des arbres de décision (CART), des modèles SVM, des réseaux de neurones, etc --- page: 46 type: text-highlight created: 2020-06-25T21:53:20.883Z color: yellow Clustering --- page: 46 type: text-highlight created: 2020-06-25T21:55:16.638Z color: #9900EF Le clustering ou la segmentation automatique est une méthode d’apprentissage non supervisé qui permet à partir d’un jeu de données non labellisé d’identifier des groupes de données proches les unes des autres , les clusters de données --- page: 46 type: text-highlight created: 2020-06-25T21:56:10.228Z color: yellow La technique la plus répandue est l’algorithme des k - moyennes (k-means). --- page: 46 type: text-highlight created: 2020-06-25T21:56:20.849Z color: #9900EF Les méthodes de clustering perme t- tent d’identifier les paramètres di s- criminants de ces différents se g- ments --- page: 46 type: text-highlight created: 2020-06-25T21:56:58.540Z color: green pr é- voir l’appartenance à un segment d’une n ouvelle donnée entrée dans le système. --- page: 46 type: text-highlight created: 2020-06-25T21:58:16.577Z color: #FF6900 le clust e- ring peut être automatisé, en mode non supervisé, le choix du modèle de clustering ne l’est pas nécessa i- rement pour autant --- page: 46 type: text-highlight created: 2020-06-25T21:59:19.585Z color: yellow Prevision.io. --- type: area-highlight created: 2020-06-25T22:00:12.154Z color: image: file:///C:/Users/jeang/.polar/files/image/12GCT4dPuDg7qDTHhWWw.png --- page: 46 type: text-highlight created: 2020-06-25T22:43:44.591Z color: red Le machine learning à base de réseaux de neurones permet de son côté de segmenter des données avec une répartition quasi -arbitraire alors que les méthodes élémentaires ci -dessus sont limitées de ce point de vue -là. page: 46 type: flashcard created: 2020-06-25T22:45:24.877Z front:

L'apprentissage automatique à partir de réseau de neurone segmentera avec beaucoup plus de liberté que les méthodes élémentaires de segmentation.

type: flashcard created: 2020-06-25T22:45:24.877Z back: Le machine learning à base de réseaux de neurones permet de son côté de segmenter des données avec une répartition quasi-arbitraire alors que les méthodes élémentaires ci-dessus sont limitées de ce point de vue-là.  --- page: 46 type: text-highlight created: 2020-06-26T00:22:10.749Z color: yellow Réduction de la dimensionalité --- page: 46 type: text-highlight created: 2020-06-26T00:22:26.173Z color: #FF6900 dimensionalité La dimension des données devient de plus en plus grande à cause de la variété des big data. --- page: 46 type: text-highlight created: 2020-06-26T00:22:40.058Z color: yellow méthodes de réduction de dimension --- page: 46 type: text-highlight created: 2020-06-26T00:23:08.285Z color: green plonger les données (on parle d’ embedding) dans un espace de plus faible d i- mension, de façon à préserver certaines propriétés. --- page: 47 type: text-highlight created: 2020-06-26T00:23:24.632Z color: green préserver au mieux la discrimination entre les classes. --- page: 47 type: text-highlight created: 2020-06-26T00:23:47.268Z color: #9900EF préserve le mieux la variance ou la dispersion des données --- page: 47 type: text-highlight created: 2020-06-26T00:24:09.503Z color: yellow les variables discriminantes ou facteurs de corrélation ne sont pas forcément des facteurs de causalité --- page: 47 type: text-highlight created: 2020-06-26T00:24:29.509Z color: yellow Les techniques de réduction de dimension, et notamment la PCA, sont très largement utilisées dans le machine learning et le deep learning --- page: 47 type: text-highlight created: 2020-06-26T00:24:49.599Z color: #7BDCB5 Outils du machine learning --- page: 47 type: text-highlight created: 2020-06-26T00:25:49.148Z color: #9900EF bien déterminer la typologie page: 47 type: flashcard created: 2020-06-26T00:27:34.900Z front:

Qu'est-ce qui est important de déterminer dès le départ en concevant une IA basé sur l'apprentissage automatique ?

type: flashcard created: 2020-06-26T00:27:34.900Z back:

>bien déterminer la typologie à résoudre et des données disponibles.

La réalité doit être connue et quels seront les buts à atteindre.

--- type: area-highlight created: 2020-06-26T00:28:09.593Z color: image: file:///C:/Users/jeang/.polar/files/image/12re2TPZzNFN97yn2wfb.png --- page: 47 type: comment created: 2020-06-26T00:29:02.671Z

Le schéma ci-dessous originaire de scikit-learnest un exemple d’arbre de décision permetant de déterminer la méthode à utiliser

--- page: 48 type: text-highlight created: 2020-06-26T00:29:41.252Z color: yellow langage Julia associé aux bibliothèques JuliaStats qui permettent de créer des applications stati s- tiques et de machine learning --- page: 48 type: text-highlight created: 2020-06-26T00:29:50.523Z color: yellow langages de programmation comme Python, Java, C++ --- page: 48 type: text-highlight created: 2020-06-26T00:30:02.872Z color: yellow Des bibliothèques ass o- ciées, c omme scikit - learn, d’origine française, qui permettent de développer les modèles d’appren - tissage ou d’autoappren - tissage et de les mettre e n- suite en production. --- page: 48 type: text-highlight created: 2020-06-26T00:30:21.345Z color: yellow bibliothèques --- page: 48 type: text-highlight created: 2020-06-26T00:30:41.706Z color: yellow environnements de travail --- page: 48 type: text-highlight created: 2020-06-26T00:31:06.805Z color: yellow environnements de travail Apache Zeppelin PyCharm Azure Machine Learning Studio Amazon Machine Learning Google Cloud Machine Learning --- page: 48 type: text-highlight created: 2020-06-26T00:31:48.111Z color: yellow bibliothèques Scikit -Learn / Python TensorFlow Mlpack / C++ RapidMiner / Java Weka / Java Spark MLLib / Scala Torch / Lua JuliaStats / Julia --- page: 48 type: text-highlight created: 2020-06-26T00:32:52.505Z color: yellow outils d’automatisation de la recherche de méthodes d’apprentissage comme DataRobot --- page: 48 type: text-highlight created: 2020-06-26T00:33:13.996Z color: yellow outils récupèrent les données du client et permettent de tester diverses méthodes d’apprentissage relevant du m a- chine learning pour trouver celles qui sont les plus pertinentes par rapport à un objectif à a t- teindre, --- page: 48 type: text-highlight created: 2020-06-26T00:33:39.034Z color: #FF6900 outils destinés aux utilisateurs pour leur permettre d’analyser leurs données et de produire des rapports graphiques pertinents en se passant théoriquement de data scientists --- page: 49 type: text-highlight created: 2020-06-26T00:34:01.695Z color: yellow Data Science Studio s'adressant aux utilisateurs qui peuvent ainsi prototyper, créer, déployer et gérer leurs modèles de données grâce à une interface graphique accessible et personnalisable --- page: 49 type: text-highlight created: 2020-06-26T00:34:19.326Z color: yellow création de solutions de machine learning pour les objets connectés, comme ceux de Numericcal (2016, USA). --- page: 49 type: text-highlight created: 2020-06-26T00:35:26.211Z color: yellow big data. En son cœur, elle relève de la data science et des data scientists, qui exploitent ces données avec les logiciels du machine learning. --- page: 49 type: text-highlight created: 2020-06-26T00:35:36.343Z color: green aval subsistent des développeurs qui créent des solutions logicielles exploitables par les utilisateurs des entreprises ou le grand public. --- page: 49 type: text-highlight created: 2020-06-26T00:35:53.284Z color: yellow Une bonne solution de machine learning doit être alimentée par des sources de données adaptées a --- page: 49 type: text-highlight created: 2020-06-26T00:36:05.880Z color: green Ces données doivent contenir suffisamment d’informations à valeur stati s- tiques permettant de faire des régressions, segmentations ou prévisions --- page: 49 type: text-highlight created: 2020-06-26T00:36:21.791Z color: #FF6900 Leur bonne distribution spatiale dans l’univers du possible qui est étudié est encore plus importante que leur précision à l’échelle unitaire. --- page: 49 type: text-highlight created: 2020-06-26T00:36:29.205Z color: #7BDCB5 Réseaux de neurones --- page: 49 type: text-highlight created: 2020-06-26T07:20:26.397Z color: #9900EF Les réseaux de neurones visent à reprodui re approximativement par bio - mimétisme le fonctionne- ment des neurones biologiques avec des sous - ensembles matériels et logiciels capables de faire des calculs à partir de données en entrées et de générer un résultat en sortie. --- page: 50 type: text-highlight created: 2020-06-26T07:20:42.278Z color: yellow 522 Les neurones artificiels --- page: 50 type: text-highlight created: 2020-06-26T07:21:11.613Z color: yellow Le principe d’un neurone artificiel est de récupérer différentes variables numériques en entrée ( x 1 , ..., x n ) associées à un poids ( w 1, ..., w n ) et à combiner ces v aleurs pour générer une valeur en sortie . C’est un objet logiciel. --- page: 50 type: text-highlight created: 2020-06-26T07:21:43.695Z color: yellow La non linéarité de la fonction d’activation est une caractéristique clé des réseaux de neurones pour leur permettre de réaliser des fon c- tions complexes, et pas seulement linéaires. --- page: 50 type: text-highlight created: 2020-06-26T07:21:55.369Z color: yellow Un réseau de neurone s de machine learning comprend souvent plusieurs couches de neurones. --- page: 50 type: text-highlight created: 2020-06-26T07:22:08.771Z color: yellow connectés aux neurones de la couche suivante. --- page: 50 type: text-highlight created: 2020-06-26T07:22:16.446Z color: yellow réseaux récurrents --- page: 50 type: text-highlight created: 2020-06-26T07:22:23.995Z color: yellow réseau en boucle lors de son apprentissage --- page: 50 type: text-highlight created: 2020-06-26T07:22:41.409Z color: #9900EF Une couche cachée permet de gé nérer une méthode de classification non linéaire complexe --- page: 50 type: text-highlight created: 2020-06-26T07:22:54.445Z color: yellow On parle de deep learning lorsque le réseau de neurones comprend plus d’une couche cachée. --- page: 51 type: text-highlight created: 2020-06-26T07:23:39.660Z color: yellow conn aissance pur e- ment probabiliste. --- page: 51 type: text-highlight created: 2020-06-26T07:24:59.589Z color: #9900EF La connaissance d’un ré seau de neurones n’est pas symbolique. --- page: 51 type: text-highlight created: 2020-06-26T07:25:22.568Z color: yellow ne sait pas donner de sens aux objets qu’il détec te ou aux calculs qu’il réalise ni expliquer les raisons de sa décision --- page: 51 type: text-highlight created: 2020-06-26T07:29:06.484Z color: yellow La « connaissance » du réseau de neurones est acquise via un processus d’apprentissage permettant d’ajuster le poids des interconnexions entre neurones pour que les objets en entrée du réseau de ne u- rones soient reconnus en sortie, en général avec un tag descriptif , aussi appelé une classe, ou une valeur, comme le descriptif d’un objet pour une image en entrée . Il s’agit d’une conn aissance pur e- ment probabiliste. --- page: 51 type: text-highlight created: 2020-06-26T07:29:34.600Z color: yellow Les perceptrons --- page: 51 type: text-highlight created: 2020-06-26T07:29:49.201Z color: #9900EF principe de modulation des connexions entre ne u- rones, permettant aux neurones de mémoriser de l’expérience. --- page: 51 type: text-highlight created: 2020-06-26T07:30:58.301Z color: #9900EF n outil de classification linéaire utilisant un seul extracteur de caractéristique --- type: area-highlight created: 2020-06-26T07:31:44.715Z color: image: file:///C:/Users/jeang/.polar/files/image/12oKtyYPfft86YRKyHk9.png --- type: area-highlight created: 2020-06-26T07:34:40.543Z color: image: file:///C:/Users/jeang/.polar/files/image/1FDrEhxVLJcCmZGinrE4.png --- page: 51 type: text-highlight created: 2020-06-26T07:36:06.169Z color: yellow voie vers les réseaux multi -couches qui, en effet, peuvent calculer un XOR. --- page: 52 type: text-highlight created: 2020-06-26T07:36:13.646Z color: yellow Du machine learning au deep learning --- page: 51 type: text-highlight created: 2020-06-26T07:36:51.339Z color: yellow Une porte XOR détecte si les deux entrées binaires sont identiques : 0, 0 et 1, 1 deviennent 1 et 0,1 ou 1, 0 deviennent 0. --- page: 52 type: text-highlight created: 2020-06-26T07:40:49.962Z color: #9900EF le deep learning, qui exploite des réseaux de neurones avec un grand nombre de couches. --- page: 52 type: text-highlight created: 2020-06-26T07:44:41.735Z color: yellow Dans le machine learning, les réseaux de neurones à une ou deux couches cachées permettent de créer des méthodes de classification d’obj ets plus sophistiquées. --- type: area-highlight created: 2020-06-26T07:45:20.836Z color: image: file:///C:/Users/jeang/.polar/files/image/12tBsfQnReZvVZekiqNZ.png --- page: 52 type: text-highlight created: 2020-06-26T07:46:44.887Z color: yellow les réseaux de neurones multi - modes qui exploitent des sources d’informations co m- plémentaires, classiquement, de l’audio et de la vidéo, pour améliorer la qualité de la captation --- type: area-highlight created: 2020-06-26T07:47:14.143Z color: image: file:///C:/Users/jeang/.polar/files/image/12VyB6o4VnQTMrsBbxuC.png --- type: area-highlight created: 2020-06-26T07:47:44.872Z color: image: file:///C:/Users/jeang/.polar/files/image/12Y8gNwAyCMfcwCdvarD.png --- page: 52 type: comment created: 2020-06-26T07:48:46.008Z

Figure. Réseaux de neurones multi-modes

--- page: 52 type: comment created: 2020-06-26T07:49:05.241Z

Figure. Réseau de neurone et évaluation d'un prix

--- page: 52 type: text-highlight created: 2020-06-26T07:49:27.645Z color: #9900EF critères clé s discriminants --- page: 53 type: text-highlight created: 2020-06-26T07:49:58.440Z color: yellow réseaux multi-couches dits feed forward --- page: 53 type: text-highlight created: 2020-06-26T07:50:21.262Z color: #9900EF réseaux multi-couches dits feed forward : on les alimente en amont avec des données qui rentrent dans l es neurones de la première couche puis passent aux neurones de la couche su i- vante via leurs synapses, ainsi de suite jusqu’à la dernière couche qui donne une réponse --- page: 53 type: text-highlight created: 2020-06-26T07:50:47.607Z color: yellow l’information circule de gauche à droite pendant l’exécution du réseau de neurone. On appelle aussi cela une inférence. page: 53 type: flashcard created: 2020-06-26T07:51:06.223Z front:

Qu'est-ce qu'une inférence ?

type: flashcard created: 2020-06-26T07:51:06.223Z back: l’information circule de gauche à droite pendant l’exécution du réseau de neurone. On appelle aussi cela une inférence. --- page: 53 type: text-highlight created: 2020-06-26T08:00:52.204Z color: #8ED1FC Comment entraîne-t-on un réseau de neurones, à savoir, comment ajuste -t-on le poids de chacune des synapses de chaque neurone du réseau ? --- page: 53 type: text-highlight created: 2020-06-26T08:02:04.928Z color: yellow Programmation de réseaux de neu rones --- page: 53 type: text-highlight created: 2020-06-26T08:02:39.897Z color: red programmation de réseaux de neurones s’appuie sur des bibli o- thèques logicielles spécialisées comme cuDNN, MKL ou OpenNN. --- page: 53 type: text-highlight created: 2020-06-26T08:02:59.011Z color: red Synaptic qui est une bibliothèque utilisable avec node.js dans un navigateur en JavaScript --- type: area-highlight created: 2020-06-26T12:48:41.270Z color: image: file:///C:/Users/jeang/.polar/files/image/1gHot6uAuUPjrsw4dZ4V.png --- page: 53 type: comment created: 2020-06-26T12:49:25.777Z

bibliothèques  de  réseaux  de  neurones  sont  souvent  exploitées  elles-mêmes  par  des  biblio-thèques de machine learning ou de deep learning, comme TensorFlow

--- page: 53 type: text-highlight created: 2020-06-26T12:55:08.040Z color: yellow Ces bibliothèques de réseaux de neurones sont souvent exploitées elles - mêmes par des bibli o- thèques de machine learning ou de deep learning, comme TensorFlow, qui masquent la complexité du pilotage de réseaux de neurones à bas niveau et permett ent par exemple de définir les modèles de réseaux de neurones convolutionnels de reconnaissance d’images et de les entraîner --- page: 53 type: comment created: 2020-06-26T12:56:02.119Z

C’est illustré dans le schéma ci-dessusqui empile les couches utilisées dans le développement de solutions d’IA avec un développement comprenant un framework d’asbtraction élevé utilisant un framework, comme le framework Kerasqui se situe au-dessus de TensorFlow, puis une biblio-thèque de réseau de neurones, suivie d’une bibliothèque de pilotage de GPU comme CUDA chez Nvidia, et enfin, un GPU ou un CPU au niveau matériel.

--- page: 53 type: text-highlight created: 2020-06-26T12:56:21.926Z color: yellow framework d’asbtraction élevé utilisant un framework, comme le framework Keras --- page: 54 type: text-highlight created: 2020-06-26T12:59:49.330Z color: yellow Deep learning --- page: 54 type: text-highlight created: 2020-06-26T21:59:48.358Z color: #9900EF Le deep learning est un sous - ensemble des techniques de machine learning à base de réseaux de neurones qui s’appuient sur des réseaux de neurones à plusieurs couches dites cachées. --- page: 54 type: text-highlight created: 2020-06-26T22:00:08.779Z color: #9900EF permettent par exemple de décomposer de manière hiérarchique le contenu d’une donnée complexe comme de la voix ou une image pour la classifier --- page: 54 type: text-highlight created: 2020-06-26T22:01:26.564Z color: #9900EF un réseau de neurones profond de type convolutionnel comprend plusieurs couches "cachées" qui transforment les données en entrée en données ayant un niveau d'abstraction supérieur --- page: 54 type: text-highlight created: 2020-06-26T22:02:04.085Z color: yellow Le deep learning sert le plus souvent au traitement du langage, de la parole, du bruit, de l’écriture et des images. --- page: 54 type: text-highlight created: 2020-06-26T22:02:14.051Z color: yellow d’autres usages dans les outils d’aide à la décision, --- page: 55 type: text-highlight created: 2020-06-26T22:02:47.001Z color: green Le deep learning permet aussi de générer des contenus artificiels, extrapolés à partir de contenus réels --- page: 55 type: text-highlight created: 2020-06-26T22:03:18.657Z color: yellow l s’appuie sur des modèles probabi listes comme son papa le machine learning --- page: 55 type: text-highlight created: 2020-06-26T22:03:39.032Z color: #FF6900 n’est pour l’instant pas adapté au raisonnement --- page: 55 type: text-highlight created: 2020-06-26T22:04:38.600Z color: yellow le dee p learning doit tout aux progrès du matériel et à l’abondance de données pour entraîner les systèmes --- page: 56 type: text-highlight created: 2020-06-26T22:05:38.060Z color: #F96676 des progrès conceptuels et pratiques font ava n- cer les réseaux de neurones et le deep learning, ne serait -ce qu’avec les réseaux génératifs. --- page: 56 type: text-highlight created: 2020-06-26T22:06:33.079Z color: #FF6900 Chaque année, un nouveau r é- seau de neurones rend obsolète ceux de l’année précédente. C’est un monde de remise en cause permanente de l’état de l’art. --- page: 56 type: text-highlight created: 2020-06-26T22:07:54.976Z color: yellow Cette rétropropagat ion fonctionne en ajustant un par un les poids des neurones de chaque couche et en scannant un par un les objets du jeu de test pour optimiser le taux de reconnaissance, en minim i- sant ce que l’on appelle la « fonction d’erreur », soit la différence entre c e que génère le réseau pe n- dant sa phase d’ entraînement et la bonne réponse dont on dispose déjà dans la base d’ entraînement --- type: area-highlight created: 2020-06-26T22:10:44.766Z color: image: file:///C:/Users/jeang/.polar/files/image/12Wqwn1RpaTZ1kn8S8ez.png --- page: 56 type: text-highlight created: 2020-06-26T22:11:23.395Z color: yellow L’apprentissage des réseaux de neurones est généralement supervisé et automatique ! --- page: 56 type: text-highlight created: 2020-06-26T22:11:41.377Z color: yellow les poids syna p- tiques des neurones sont ajustés automatiquement grâce à ces méthodes de rétropropagation pro- grammées dans le système d’entraînement --- page: 57 type: text-highlight created: 2020-06-26T22:12:47.161Z color: yellow La plus couramment utilisée aujourd’hui est la descente stochastique de gradient (ou SGD pour stochastic gradient descent en anglais) , vue un peu plus loin, et qui permet d’améliorer la vitesse de convergence des réseaux lors de leur en- traînement --- page: 57 type: text-highlight created: 2020-06-26T22:12:57.409Z color: yellow Réseaux de neurones récurrents et à mémoire --- page: 57 type: text-highlight created: 2020-06-26T22:13:19.546Z color: #9900EF Ces RNN (Recurrent Neural Networks) permettent d’analyser des informations évoluant dans le temps comme la voix au niveau des phonèmes e t le langage au niveau de l’assemblage des mots. Ils sont en effet très utilisés dans les systèmes de reconnaissance de la parole, pour la traduction aut o- matique et la reconnaissance de l’écriture manuscrite. --- type: area-highlight created: 2020-06-26T22:13:49.022Z color: image: file:///C:/Users/jeang/.polar/files/image/1dB9zyFX62TccxWWDw5y.png --- type: area-highlight created: 2020-06-26T22:14:58.788Z color: image: file:///C:/Users/jeang/.polar/files/image/1iiqtA2xE7bYrH9VxJgs.png --- type: area-highlight created: 2020-06-26T22:16:04.894Z color: image: file:///C:/Users/jeang/.polar/files/image/1jRyJ61mkazRm7xJnzym.png --- page: 59 type: text-highlight created: 2020-06-26T22:18:04.318Z color: red Je vous épargne les détails de toutes ces variantes de réseaux récurrents, ce d’autant plus que je n’ai pas encore très bien compris leur fonctionnement dans le détail . I ls sont difficiles à vulgariser 81 , bien plus que les réseaux de neurones convolutionnels que nous verrons un peu plus loin, --- page: 59 type: text-highlight created: 2020-06-26T22:18:21.234Z color: green Ces réseaux transforment généralement les mots et phrases en vecteurs --- page: 59 type: text-highlight created: 2020-06-26T22:18:45.723Z color: green L’un des points clés de ces réseau x est leur capacité à mémoriser des co n- textes 82 --- page: 59 type: text-highlight created: 2020-06-26T22:21:58.180Z color: yellow M achines de Boltzmann restreintes --- page: 60 type: text-highlight created: 2020-06-26T22:22:34.495Z color: yellow Time Delay Neural Networks (1989) --- page: 60 type: text-highlight created: 2020-06-26T22:23:27.926Z color: yellow les TDNN permettent notamment de reconnaître des phonèmes dans la parole sans avoir à les positionner explicitement dans le temps 83 --- page: 60 type: text-highlight created: 2020-06-26T22:23:34.171Z color: yellow précurseurs des réseaux convolutionnels --- page: 60 type: text-highlight created: 2020-06-26T22:23:40.507Z color: yellow Réseaux de neurones convolutionnels --- page: 60 type: text-highlight created: 2020-06-27T01:36:58.967Z color: yellow établissant la supéri o- rité des réseaux de convolution pour la reconnaissance d’images face aux méthodes traditionnelles du machine learning. --- page: 60 type: text-highlight created: 2020-06-27T01:37:23.064Z color: #9900EF principalement à réaliser de la classification d’objets, --- page: 61 type: text-highlight created: 2020-06-27T01:37:46.707Z color: #9900EF 522 Les CNN, appelés aussi ConvNets (convolutional neuron networks), utilisent p lusieurs techniques encha înées les unes avec les autres avec notamment des filtres et des feature maps qui consistent à identifier des formes dans les images , avec des niveaux d’abstraction allant du plus petit au plus grand. --- page: 61 type: text-highlight created: 2020-06-27T01:37:56.468Z color: #9900EF Une feature map est une matrice de pixels qui cartographie de l’apparition d’un filtre donné dans l’image analysée --- page: 61 type: text-highlight created: 2020-06-27T01:40:14.050Z color: #FF6900 Cet entraînement est très consommateur de ressources machine et aussi d’accès à la mémoire mais bien plus efficace qu’un s imple réseau de neurones multicouches --- page: 61 type: text-highlight created: 2020-06-27T01:40:43.042Z color: yellow Cela vient du fait que le réseau comprend moins de paramètres. --- type: area-highlight created: 2020-06-27T01:40:58.548Z color: image: file:///C:/Users/jeang/.polar/files/image/1qT8v5cV41tLbrzbpTEL.png --- page: 62 type: text-highlight created: 2020-06-27T01:42:41.831Z color: #FF6900 Chaque feature map générée par l’application des filtres sur l’image de départ se voit appliquée une réduction de résolution ( Pooling)