Notes. Apprentissage et Intelligence Artificielle. Notes. Apprentissage par l exemple. Notes. Intelligence Artificielle. Notes. Agir comme les humains

Dimension: px

Commencer à balayer dès la page:

Download "Notes. Apprentissage et Intelligence Artificielle. Notes. Apprentissage par l exemple. Notes. Intelligence Artificielle. Notes. Agir comme les humains"

Rémi Hébert
il y a 6 ans
Total affichages :

1 Apprentissage et Intelligence Artificielle F. De Comité Licence-Master Informatique 12 janvier 2009 Apprentissage par l exemple Définition? L apprentissage par l exemple est une partie de l apprentissage. Définition? L apprentissage est un domaine de l intelligence Artificielle. Intelligence Artificielle Des systèmes qui agissent comme des humains. Des systèmes qui pensent comme des humains. Des systèmes qui pensent de façon rationnelle. Des systèmes qui agissent de façon rationnelle. Test de Turing (1950) : Peut-on distinguer, par une série de questions écrites, un interlocuteur humain d une machine? Compréhension et maîtrise du langage naturel. Représentation du monde. Comprendre et traiter une question.

On en est loin! Agir comme des animaux? Projet LEURRE : leurre.ulb.ac.be Aibo : www.

Ecrire un programme agissant de la même manière.

2 On en est loin! Agir comme des animaux? Projet LEURRE : leurre.ulb.ac.be Aibo : Leurre Aibo Etudier comment l homme utilise son cerveau. Ecrire un programme agissant de la même manière. Utiliser l étude de ce programme pour en tirer des conclusions sur le fonctionnement du cerveau. Sciences Cognitives cf réseaux de neurones

3 Logique mathématique. Mécanismes de démonstration. Systèmes experts, solveurs de problèmes, fabriques de théorèmes. Problèmes : Parfois difficile de décrire le domaine en termes de logique. Explosion combinatoire... Agir agent Mener des actions qui améliorent la situation de l agent. En réfléchissant avant d agir. Les réflexes sont parfois plus rapides et plus efficaces. Réfléchir ne suffit pas toujours : il faut expérimenter (environnement non totalement perceptible). Approche moderne : la notion d agent : un programme (entité,robot...) : Autonome,libre arbitre. Capacités de calcul individuelles. Capteurs, perception de l environnement. Percevant sa performance. Capable de modifier, d adapter son comportement. augmenter sa récompense. ses chances de survie. optimiser le rendement. Agents Eventuellement : Communication. Coopération, interaction : systèmes multi-agents.

Intelligence artificielle Quelle que soit l approche de l IA choisie, il reste encore beaucoup de travail à faire avant de pouvoir dire qu une de ces approches est résolue.

4 Intelligence artificielle Quelle que soit l approche de l IA choisie, il reste encore beaucoup de travail à faire avant de pouvoir dire qu une de ces approches est résolue. IA : les principaux domaines I- Partant de la définition initiale d un problème, explorer tous les moyens d arriver à la solution Jeux (un ou plusieurs joueurs). Parcourir un graphe (un arbre) sans parcourir inutilement toutes les branches. Algorithmes A, min-max,alpha-beta... II- Logique propositionnelle, du premier ordre. Systèmes experts.

5 III- Diviser une tâche en plusieurs sous-tâches intermédiaires. Organiser temporellement ces sous-tâches. IV- Utiliser les probabilités. Règle de Bayes. Réseaux bayésiens. (Apprentissage par renforcement) V-. Apprentissage statistique : Bayes naïf. Réseaux de neurones. Support vector machines. Apprentissage par renforcement. VI- Communication (grammaires, langages, compréhension, traduction...). Perception (vision...). Robotique.

6 Pas dans le livre Colonies de fourmis. Classification non supervisée (clustering). Presque rien sur les algorithmes génétiques. Principe 1 On dispose d un (grand) nombre d exemples. 2 On cherche une structure (des régularités) dans ces exemples, pour obtenir un modèle. 3 On se sert de ce modèle pour : Pour classer un nouvel exemple. Pour comprendre la structure des exemples. Prévoir une valeur numérique pour un nouvel exemple. Structure des exemples Definition Un attribut est un champ servant à définir les exemples. Les attributs peuvent être : Discrets. Continus. Textes. Definition Un exemple est défini par une suite de valeurs d attributs. Tous les exemples d un même ensemble ont le même nombre de valeurs d attributs. Un exemple peut aussi posséder une classe (discrète ou continue). Exemples d exemples 5.1,3.5,1.4,0.2,Iris-setosa sunny, 80, 90, true, Don t Play a,1,d,1,e,1,draw

7 Types de tâches Trouver la classe d un exemple : classification. Trouver la valeur numérique de la classe de l exemple (ou une valeur pas trop lointaine) : prédiction/régression. Regrouper les exemples similaires : segmentation ou clustering. Intelligence Artificielle (bis) Des systèmes qui agissent comme des humains. Des systèmes qui pensent comme des humains. : réseaux de neurones. Des systèmes qui pensent de façon rationnelle. Des systèmes qui agissent de façon rationnelle. Exemple : apprentissage Soit un jeu, où l agent peut choisir entre plusieurs actions. L agent choisit une action, l applique, et observe le résultat. Il mémorise la position, l action,le résultat. Il apprend à prédire le résultat en fonction de la position et de l action : construire un modèle (explicite ou implicite). Exemple : utilisation de l acquis En présence d une position, l agent regarde pour quelle action la prédiction du résultat est la plus favorable. Il décide d appliquer cette action.

Fonction d évaluation (exacte, approchée, apprise) Plutôt gagnant, plutôt

8 Apprentissage Apprentissage Score Pourcentage de parties gagnées dans cette configuration. Fonction d évaluation (exacte, approchée, apprise) Plutôt gagnant, plutôt perdant. Contenu de la boîte? Un arbre de décision. Un réseau de neurones. Une fonction (optimisation des paramètres). Un (grand) tableau.

9 Plan du cours Arbres de décision. Réseaux de neurones. Approche bayésienne de l apprentissage. Les colonies de fourmis.

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