Please enable JavaScript.

Coggle requires JavaScript to display documents.

CH 5 IA : Machine Learning, 👉Plus les exemples sont nombreux et…

- - - - des images,
      - des textes,
      - des messages (SMS),
      - ou d’autres types de données.
- - - - La machine observe des millions d’exemples annotés.
        
        Elle ajuste progressivement son modèle pour réduire les erreurs.
        *Plus il y a d’exemples : plus le modèle devient précis
    - - Importation d’un Dataset annoté (x, y).
        
        Création d’un modèle avec des paramètres initiaux.
        
        Définition d’une fonction coût (mesure l'erreur entre prédiction et réalité)
        
        Utilisation d’un algorithme d’apprentissage : ajuste les paramètres, minimise la fonction coût.
    - - Régression :
        
        la sortie est une valeur réelle.
        
        exemples : prix, poids, température.
      - Classification :
        
        la sortie est une catégorie.
        
        exemples : spam / non spam, positif / négatif.
  - - - Modèle de McCulloch et Pitts.
      - Le neurone formel :
        
        reçoit plusieurs entrées,
        
        associe un poids à chaque connexion,
        
        calcule une sortie à partir d’une fonction simple.
      - Les poids déterminent l’influence de chaque entrée.
    - - Structure composée de :
        
        une couche d’entrée (inputs),
        
        une ou plusieurs couches intermédiaires,
        
        une couche de sortie (outputs).
      - Les entrées sont :
        
        codées,
        
        traitées par le réseau,
        
        décodées en sortie pour produire une réponse.
    - - L’apprentissage consiste à :
        
        mettre à jour les poids des connexions.
        
        Les poids sont ajustés de manière itérative ,à partir de données d’entraînement.
        
        Deux grandes approches :
        
        Apprentissage supervisé :
        
        une sortie désirée est connue,
        
        l’erreur entre sortie obtenue et sortie souhaitée est calculée.
        
        Apprentissage non supervisé :
        
        aucune sortie n’est connue à l’avance,
        
        le réseau découvre des structures dans les données.
    - - Un réseau de neurones contient : une couche d'entrée,une couche de sortie,
        des couches cachées (hidden layers).
        Plus il y a de couches cachées, plus le système peut résoudre des problèmes complexes.
        Chaque couche: traite des résultats précédente, transmet ses résultats à la suivante.
        ce fonctionnement en couches successives donne la profondeur du réseau et le terme de deep learning
      - RNA & Deep learning: les réseaux de neurones sont:
        
        des structures organisées en couches ,composées de neurones simples, capables de résoudre des tâches complexes par combinaison d'opérations élémentaires.