Apprentissage Automatique en Vision et Robotique

Dimension: px

Commencer à balayer dès la page:

Download "Apprentissage Automatique en Vision et Robotique"

Alexandre Leroy
il y a 7 ans
Total affichages :

1 IAVO p.1/?? Apprentissage Automatique en Vision et Robotique Séminaire en DEA Imagerie-Vision-Robotique. Cathérine Garbay - Augustin Lux - Georges Quenot INPG-UJF

2 IAVO p.2/?? Qu est-ce que l apprentissage? Un thème... fort complexe de grande actualité... par exemple en vision et en robotique. en pleine ébullition pas de science établie.

3 IAVO p.3/?? Qu est-ce qu un séminaire? Plus recherche qu un cours magistral. Nous voulons Approfondir à partir de publications: articles, rapports, thèses programmes existants travail concret de thésards et de chercheurs. Créer un animation scientifique autour d exposés. présentations demonstrations (si possible) questions

4 IAVO p.4/?? Organisation du séminaire Séances autour d un thème - exposés avec 2 acteurs (ou plus): présentation questions.

5 IAVO p.4/?? Organisation du séminaire Séances autour d un thème - exposés avec 2 acteurs (ou plus): présentation questions. 4 séances de 3 heures (aujourd hui): présentations par le staff. Choix des thèmes 2. mercredi 8-2 9h-12h Exposés I : SVM - Renforcement 3. mercredi h-12h Exposés II : Applications 4. mercredi h-12h Exposés III : applis Prima/toolkits

6 IAVO p.4/?? Organisation du séminaire Séances autour d un thème - exposés avec 2 acteurs (ou plus): présentation questions. Les thèmes 1. méthodes génétiques 2. methodes symboliques 3. SVM Support Vector Machines 4. apprentissage par renforcement 5. statistique, bayésien, neuronal, connexioniste boites à outils

7 Qu est-ce que l apprentissage automatique? IAVO p.5/??

8 IAVO p.6/?? Qu est-ce que l apprentissage automatique? L apprentissage n est pas un problème, au sens où il y aurait une solution. L apprentissage est une problématique - une façon d aborder un problème, avec une multitude d approches et de solutions. beaucoup de travaux très grande variété de méthodes pas de méthode établie beaucoup de surprises...

9 Un peu d histoire IAVO p.7/??

10 IAVO p.8/?? Bref Historique Les travaux sur l apprentissage automatique commencent dès le tout début de l informatique. Alan Turing (1950). Lire l article Computing Machinery and Intelligence toujours pertinent! Mais: c est la partie naïve dans un papier visionnaire: l apprentissage est inscrire sur une feuille blanche. Arthur Samuel dès 1947(!): jeu de dames Mais: ces premiers travaux restent isolés. C est un travail de pionniers, pas un métier.

11 IAVO p.9/?? Les classiques: 1 A. Samuel: jeu de dames jeu de dames 10 annéee de travaux de recherche techniques modernes: il y a du neuronal programmation en assembleur! travail personnel d un ingénieur IBM

12 IAVO p.10/?? Les classiques: 2 Feigenbaum EPAM (1963) Feigenbaum EPAM (1965) The simulation of verbal behavior Dans: Computers and Thought (1963) Voir: Models of Incremental Concept Formation Gennari, Langley, Fisher Art.Int. 40(1989) Données: exemples sous forme de listes attribut - valeur Résultat: description hiérarchique de classes Programmes fournis (!)

13 IAVO p.11/?? Les classiques: 3 ID3 (1980) ID3 - Arbres de décision (1980) Données: exemples sous forme de listes attribut - valeur Résultat: arbre de décision, équivalent d un programme efficace Grand classique en algorithmique

14 IAVO p.12/?? Les classiques: 4 - conduite d un véhicule Pomerleau: conduite sur route Données: capteurs véhicule + conduite humaine Résultat: commande automatique Réseau neuronal

15 IAVO p.13/?? Les classiques maison 1: MANDRIN Apprentissage de règles d ínterprétation d images Problème: construction d un système expert. Données: exemples sous forme de listes attribut - valeur Résultat: règles pour un système expert de classification Structure sous-jacente: graphe de dépendances Aspects algébrique - algorithmique

16 IAVO p.14/?? Les classiques maison 2: Génétique Alvaro Guarda: Reconnaissance de visages Problème: reconnaissance dans des images brutes. Données: exemples d images: yeux, nez, bouche. 2 niveaux de résultats: filtres et règles. apprentissage numérique ET symbolique.

17 Qu est-ce que l apprentissage automatique? IAVO p.15/??

18 Apprentissage: une notion multi-concept IAVO p.16/??

19 IAVO p.17/?? Apprentissage: une notion multi-concept Il existe de nombreuses définitions de l apprentissage. Il y a des données, et un résultat (!), modèle ou simple structure de données. Généralisation: couvrir les exemples positifs, exclure les exemples négatifs Approximation: par ex. apprentissage de modèles en vision Confirmation d hypothèse: trouver un modèle expliquant les données Compression d informations: trouver des régularités au sein des données, permettant de les résumer.

20 IAVO p.18/?? Apprentissage: une notion multi-concept Il existe de nombreuses définitions de l apprentissage. Donnons juste quelques distinctions données capteurs: concept learning concept formation connaissance + expérience Mélange capteur /connaissances connaissance + expérience ==> amélioration performance

21 IAVO p.18/?? Apprentissage: une notion multi-concept Il existe de nombreuses définitions de l apprentissage. Donnons juste quelques distinctions données capteurs: connaissance + expérience EBL: Explanation Based Learning EBG: Explanation Based Generalisation Mélange capteur /connaissances connaissance + expérience ==> amélioration performance

22 IAVO p.18/?? Apprentissage: une notion multi-concept Il existe de nombreuses définitions de l apprentissage. Donnons juste quelques distinctions données capteurs: connaissance + expérience Mélange capteur /connaissances connaissance + expérience ==> amélioration performance apprentissage génétique méthodes neuronales

23 IAVO p.19/??... du coté décidabilité, les résultats sont décevants! Caractéristiques importantes - I Le cadre formel sousjacent types de données problèmes formels: types de données problèmes formels: numérique - continue - discret induction logique - anti-unification logique d ordre supérieur induction de langages -de fonctions décidabilité complexité

24 IAVO p.20/?? Caractéristiques importantes - II Un algorithme d apprentissage peut être: supervisé - non-supervisé incrémental déductif / spécialisation - inductif / généralisation symbolique - numérique complexité - calculabilité

25 IAVO p.21/?? Caractéristiques importantes III Le cadre conceptuel de l apprentissage dans un système: Quel est le rôle de l apprentissage? Jusqu où l apprentissage peut-il modifier le système? Pendant combien de temps? calcul d un paramètre d une structure de données du potentiel du système... les programmes

26 IAVO p.22/?? Une ambition: tester des programes Construire - et tester - une bibliothèque en apprentissage à nous tous de jouer Un point de départ: la boite à outils WEKA étudiée par Oliver Brdiczka

Documents pareils

Intelligence Artificielle et Robotique

Intelligence Artificielle et Robotique Introduction à l intelligence artificielle David Janiszek david.janiszek@parisdescartes.fr http://www.math-info.univ-paris5.fr/~janiszek/ PRES Sorbonne Paris Cité