Introduction à l’intelligence artificielle

Une brève excursion dans le monde du machine learning

Kévin Polisano

kevin.polisano@cnrs.fr

CNRS, Laboratoire Jean Kuntzmann

December 26, 2024

Plan de la présentation

Introduction
Les modèles linéaires
Généalogie des réseaux de neurones artificiels
Deep learning – les réseaux de neurones convolutifs
Conclusion

Introduction

Définitions

Intelligence artificielle et apprentissage statistique

Intelligence artificielle (IA) : ensemble de théories et de techniques visant à réaliser des machines capables de simuler l’intelligence humaine.
Apprentissage statistique ou Machine Learning (ML) : champ d’étude de l’intelligence artificielle qui se fonde sur des approches mathématiques et statistiques pour donner aux ordinateurs la capacité d’« apprendre » à partir de données, c’est-à-dire d’améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune.

Panorama de l’intelligence artificielle

Le machine learning est une branche de l’IA

L’image illustre les relations entre l’Intelligence Artificielle (IA), le Machine Learning (apprentissage automatique), les réseaux neuronaux, et le Deep Learning (apprentissage profond), montrant comment ces concepts s’emboîtent et se distinguent.

Intelligence Artificielle (IA) : C’est comme je le disais un domaine large qui vise à créer des systèmes capables d’exécuter des tâches nécessitant normalement l’intelligence humaine, telles que la reconnaissance vocale, la vision par ordinateur, le traitement automatique du langage naturel (NLP), la planification et la robotique. L’IA englobe divers sous-domaines, y compris le Machine Learning, et s’étend à des systèmes experts qui ne se basent pas toujours sur des méthodes d’apprentissage, mais sur des règles programmées. Dans cet exposé nous ne traiterons pas ce type d’intelligence artifielle. Nous nous focaliserons sur le :

Machine Learning (Apprentissage automatique) : Il constitue une sous-partie de l’IA et se concentre sur le développement de modèles qui apprennent à partir de données. Contrairement aux approches traditionnelles de programmation, où des règles sont définies explicitement, le Machine Learning permet aux algorithmes de découvrir des modèles et de prendre des décisions à partir des données.

Neural Networks (Réseaux de neurones) : C’est une technique clé dans le Machine Learning inspirée par la structure du cerveau humain. Un réseau de neurones est constitué de couches de nœuds (neurones) interconnectés qui permettent d’approximer des fonctions complexes.

Deep Learning (Apprentissage profond) : des réseaux neuronaux profonds, c’est-à-dire qu’ils contiennent plusieurs couches de neurones. Les architectures de réseaux de neurones comme les réseaux convolutifs (CNN), les réseaux récurrents (RNN) et les réseaux adversaires génératifs (GAN) permettent de résoudre des tâches extrêmement complexes, notamment dans des domaines tels que la reconnaissance d’image, la traduction automatique, et les systèmes de recommandation. Le Deep Learning excelle là où les techniques traditionnelles de Machine Learning atteignent leurs limites, notamment dans le traitement de grandes quantités de données non structurées comme les images et les vidéos.

Effectuons un zoom sur l’espace du Machine Learning.

La carte du Machine Learning

Les modèles linéaires

La régression linéaire

Prédiction du prix d’une maison en fonction de sa superficie

Des données d’entrainement \(\color{red} (x_1,y_1),\dotsc,(x_n,y_n)\)

\(x_i\) : superficie de la maison
\(y_i\) : prix de la maison
\(n\) : nombre de données

La régression linéaire

Un modèle de prédiction linéaire \(\color{blue} f_{w,b}\)
Une fonction de coût mesurant l’erreur (quadratique moyenne) : \[ {\color{red}J({\color{blue}w},{\color{blue}b})} = \frac{1}{n} \sum_{i=1}^n {\color{red}\ell({\color{orange}y_i}, {\color{blue}f_{w,b} ({\color{orange}x_i})})}, \quad {\color{red}\ell(y,\hat y)=(y-\hat y)^2} \]