Aprendissatge automatic

L'aprendissatge automatic (en anglés machine learning, literalament « l'aprendissatge maquina ») o aprendissatge estatistic es un camp d'estudi de l'intelligéncia artificiala que se fonda sus d’apròchis estatistics per donar als ordinators la capacitat d' « aprene » a partir de donadas, es a dire de melhorar lors performanças per resòlvre de prètzfaches sens èsser explicitament programats per cadun. Mai largament, aquò concernís la concepcion, l'analisi, lo desvolopament e l'implementacion de tals metòdes.

L'aprendisstage automatic compta mai sovent doas fasas. La primièra consistís a estimar un modèl a partir de donadas, nomenadas observacions, que son disponiblas e en nombre finit, pendent la fasa de concepcion del sistèma. L'estimacion del modèl consistís a resòlvre un prètzfach practic, coma traduire un discors, estimar una densitat de probabilitat, reconéisser la preséncia d'un gat dins una fotografia o participar a menar un veïcul autonòm. Aquesta fasa dicha « d'aprendissatge » o « d'entraïnament » es mai sovent realizada primièr per l'utilizacion practica del modèl. La segonda fasa correspond a la mesa en producccion: lo modèl essent determinat, de donadas novèlas pòdon alara èsser somesas per obténer lo resultat correspondent al prètzfach desirat. En practica, de sistèmas pòdon contunhar son aprendissatge un còp en produccion, se tenon un mejan d'obténer un retorn sus la qualitat dels resultats produches.

Segon las informacions disponiblas pendent la fasa d'aprendissatge, l'aprendissatge es qualificat de biaises diferents. Se las donadas son etiquetadas (es a dire que la responsa al prètzfach es coneguda per aquestas donadas), s'agís d'un aprendissatge supervizat. Se ditz classificacion se las etiquètas son discrètas, o de regression se son continuas. Si lo modèl es aprengut de biais incremental segon una recompensa recebuda pel programa per caduna de las accions presas, se parla d'aprendissatge per enforçament. Dins lo cas mai general, sens etiquètas, cerquèron a determinar l’estructura sosjacenta de donadas (que pòdon èsser una densitat de probabilitat) e s'agís alara d'aprendissatge non supervizat. L'aprendissatge automatic pòt èsser aplicat a diferents tipes de donadas, coma de grafs, d'arbres, de corbas, o mai simplament d’extraccion de caracteristicas, que pòdon èsser continuas o discrètas.

Istoric

Dempuèi l'antiquitat, lo subjècte de las maquinas pensantas tafura las ments. Aqueste concèpte es la basa de pensadas de çò que vendrà enseguida l'intelligéncia artificiala, essent una de sas sosbrancas: l'aprendissatge automatic.

La concretizacion d’aquesta idèa es deguda subretot a Alan Turing e a son concèpte de « maquina universala » en 1936^[1], qu’es a la basa dels ordinators d'uèi. Contunharà a pausar las basas de l'aprendissatge automatic, amb son article sus « L'ordinator e l'intelligéncia » en 1950^[2], ont desvolopa, entre autres, lo tèst de Turing.

En 1943, lo neurofisiologista Warren McCulloch e lo matematician Walter Pitts publican un article descrivent lo foncionament de neurònas en los representant mejans de circuits electrics. Aquesta representacion serà la basa teorica dels rets neuronals.

Arthur Samuel, informatician american davancièr dins lo sector de l'intelligéncia artificiala, es lo primièr a utilizar l'expression machine learning (« aprendissatge maquina » o « automatic ») en 1959 a la seguida de la creacion de son programa per IBM en 1952. Lo programa jogava al Jòs de Damas e se melhorava en jogant. Puèi capitèt a batre lo 4n melhor jogaire dels EUA.

Una avançada màger dins lo sector de l'intelligéncia maquina es lo succès de l'ordinator developat per IBM, Deep Blue, que foguèt lo primièr a vencer lo campion mondial d'escacs Garry Kasparov en 1997. Lo projècte Deep Blue n’inspirèt fòrça autres dins l’encastre de l'intelligéncia artificiala, subretot una autra granda escomesa: IBM Watson, l'ordinator que l’objectiu es de ganhar al jòc Jeopardy!. L’objectiu foguèt atench en 2011, quand Watson ganhèt a Jeopardy! en repondent a las questions per tractament de lengatge natural.

Pendent las annadas seguentas, las aplicacions de l'aprendissatge automatic mediatizadas se succedisson plan mai rapidament qu'avant.

En 2012, un ret neuronal developat per Google capita a reconéisser de caras umanas e de gats dins de vidèos YouTube.

En 2014, 64 ans après la prediccion d'Alan Turing, lo dialogaire Eugene Goostman foguèt lo primièr a capitar lo tèst de Turing en podent convencre 33 % dels jutges umains après cinc minutas de conversacion qu'es pas un ordinator, mas un mainat ucraïnian de 13 ans.

En 2015, una novèla estapa importanta es passada quand l'ordinator « AlphaGo » de Google ganha contra un dels melhors jogaires al jòc de Go, jòc societat coma lo mai dur del mond^[3].

En 2016, un sistèma d'intelligéncia artificiala a basa d'aprendissatge automatic nomenat LipNet capita a legir sus las bocas amb un grand taus de capitada.

Principis

Los algoritmes utilizats permeton, dins d’un biais, a un sistèma pilotat per ordinator (un robot eventualament), o assistit per ordinator, d'adaptar sos analisis e sos comportaments en responsa, en se fondant sus l'analisi de donadas empiricas venent d'una basa de donnadas o de captors.

La dificultar es que l'ensemble de totes los comportaments possibles al respècte de totas las dintradas possiblas lèu ven tròp complèxe de descriure (Se dich explosion combinatòria). Se confia donc a des programas l’objectiu d'ajustar un modèl per simplificar aquesta complexitat e de l'utilizar de biais operacional. Idealament, l'aprendissatge deurà èsser non supervizat, es a dire que la natura de las donadas d'entraïnament es pas coneguda^[4].

Aquestes programas, segon lor gra de perfeccionament, intègran eventualament de capacitats de tractament probabilista de las donnadas, d'analisi de donnadas eissuidas de captors, de reconeissença (reconeissença vocala, de forma, d'escritura…), d’exploracion de donadas, d'informatica teorica…

Aplicacions

L'aprendissatge automatic es utilizat per dotar d’ordinateurs o de maquinas de sistèmas de: percepcion de lor mitan: vision, reconeissença d'objèctes (caras, esquèmas, lengatges naturals, escritura, formas sintaxicas…); motors de recerca; ajuda als diagnostics, medical per ex., bioinformatica, quimioinformatica; interfàcia cervèl maquina; deteccion de fraudas a la carta de credit, analisi financièr, coma lo mercat borsièr ; classificacion de las sequéncias d'ADN ; jòc ; engenh logicial ; adaptacion de sites Web ; locomocion de robots ; analisi predictiu en matèria juridica e judiciària…

Un sistèma d'aprendissatge automatic pòt permetre a un robòt avent la capacitat de moùre sos membres mas savent primièr res de la coordinacion dels movements permetent de caminar, d'aprene a caminar. Lo robòt començarà per realizar de movements aleatòris, puèi, en seleccionant e privilegiant los movements li permetent d'avançar, començarà a realizat pauc a pauc una caminada sempre mai eficaça;
La reconeissença de caractèrs manuscrits es un prestzfach complèxe que dos caractèrs similars son pas jamai exactament egals. Se pòt concebre un sistèma d'aprendissatge automatic qu’apren a reconéisser de caractèrs en observant d’« exemples », es a dire de caractèrs coneguts.

Tipes d'aprendissatge

Los algoritmes d'aprendissatge pòdon se categorizar segon lo mòde d'aprendissatge qu'utilizan:

Aprendissatge supervizat: Se las classas son predeterminadas e los exemples coneguts, lo sistèma apren a classificar segon un modèl de classificacion o de classament; se dich alara d'aprendissatge supervizat (o d'analisi discriminant). Un expèrt (o oracle) deu d’en primièr etiquetar d’exemples. Lo procediment se passa en doas fasas. Pendent la primièra fasa (fòra linha, dicha d'aprendissatge), s'agís de determinar un modèl a partir de las donadas etiquetadas. La segonda fasa (en linha, dicha de tèst) consistís a predire l'etiquèta d'una novèla donada, conneissent lo modèl ja apres. A vegda es melhor d'associar una donada non pas a una classa unica, mas una probabilitat d'apartenença a caduna de las classas predeterminadas (se parla alara d'aprendissatge supervizat probabilista). ex. : L'analisi discriminant linear o los SVM ne son d’exemples tipics. Autre exemple: segon los punts comuns detectats amb los simptòmas d'autres pacients coneguts (los exemples), lo sistèma pòt categorizar de pacients novèls al vejar lors analisis medicals en risc estimat (probabilitat) de desvelopar una o autra malautiá.

Aprendissatge non supervizat: Quand lo sistèma o l'operator dispausa pas que d'exemples, mas non pas d'etiquèta, e que lo nombre de classas e lor natura an pas estat predeterminadas, se parla d'aprendissatge non supervizat oclustering en anglés. Pas cap d’expèrt es demandat. L'algoritme deu descobrir d’esperse l’estructura mai o mens amagada de las donadas. Lo partiment de donadas, data clustering en anglés, es un algoritme d'aprendissatge non supervizat.

Lo sistèma deu aquí — dins l'espaci de descripcion (la soma de las donadas) — ciblar las donadas segon lors atributs disponibles, per las classificar en grop omogenèus d'exemples. La similaritat es mai sovent calculada segon una foncion de distància entre parelhs d'exemples. Es enseguida a l'operator d'associar o deduire del sens per cada grop e pels motius (patterns en anglés) d'aparicion de grops, o de grops de grops, dins lor « espaci ». Diferentas aisinas matematicas e logicials pòdon l'ajudar. Se dich tanben analisi de las donnadas en regression (ajustament d'un modèl per una procedura de tipe mendres carrats o autra optimisacion d'un fonccion de cost). S l'apròche es probabilista (es a dire que cada exemple, puslèu que d’èsser classificat dins una sola classa, es caracterizat per un jòc de probabilitats d'apartenéncia a caduna de las classas), se dich alara de « soft clustering » (per oposicion a « hard clustering »).; Aqueste metòde es sovent font de serendipitat. ex. : Per un epidemiologista que vodriá dins un ensemble pro larg de victimas de càncer del fetge assajar de far emergir d’ipotèsis explicativas, l'ordinator poiriá diferenciar diferents grops, que l'epidemiologista cercariá enseguida a associar diferents factors explicatius, originas geograficas, genetic, abituds o practicas de consomacion, exposicions a diferents agents potencialament o efectivament toxics (metals pesucss, toxinas coma l'aflatoxina, etc.).

Aprendissatge semisupervizat: Realizat de biais probabilista o non, a per objectiu de far aparéisser la distribucion sosjacenta d’exemples dins lor espaci de descripcion. Es realizat quand de donadas (o « etiquètas ») mancan… Lo modèl deu utilizar d’exemples non etiquetats podent pasmens rensenhar. ex. : En medecina, pòt constituir una ajuda a diagnostic o a la causida dels mejans mens car de tèsts de diagnostic.

Aprendissatge parcialament supervizat: Probabilista o non, quand l'etiquetatge de las donadas es parcial^[5]. Es lo cas quand un modèl enòncia qu'una donada aparten pas a una classa A, mas benlèu a una classa B o C (A, B e C essent 3 malautiás per exemple evocadas dins l’encastre d'un diagnostic diferencial):

Apprentissage par renforcement^[6]: l'algoritme aprend un comportament essent donat una observacion. L'accion de l'algoritme sul mitan produch una valor de retorn que guida l'algoritme d'aprendissatge. ex. : L'algoritme de Q-learning es un exemple classic.

Aprendissatge per transferiment^[7]: L’aprendisstage per transferiment pòt èsser vist coma la capacitat d’un sistèma de reconéisser e aplicar de coneissenças e de competéncias, apresas a partir de pretzfachs anteriors, sus de novèls pretzfachs o domènis partejant de similituds. La question que se pausa: cossí identificar las similituds entre lo o los pretzfach(s) cible(s) e lo o los pretzfach(s) font(s), puèi cossí transferir la coneissénça del o dels pretzfach(s) font(s) cap al o als pretzfach(s) cible(s) ?

Algoritmes utilizats

Son, dins aqueste domèni:

las maquinas de vector de supòrt ;
lo boosting ;
los rets de neurònas^[8] , que los metòdes d'aprendissatge prigond (deep learning en anglés) per un aprendissatge supervizat o nonsupervizat;
lo metòde dels k mai pròches vesins per un aprendissatge superviszat;
los arbòls de decision^[9] , metòde a l'origina dels boscs d’arbres de decision, per extension tanben drl boosting (coma xgboost) ;
los metòdes estatistics coma lo modèl de mixtura gaussiana ;
la regression logistica ;
l'analisi discriminant linear ;
los algoritmes genetics^[10] e la programacion genetica.

Aquestes metòdes son sovent combinats per obténer diferentas variantas d'aprendissatge. L'utilizacion de tal o autre algoritme depend fòrça del pretzfach de resòlvre (classificacion, estimacion de valors…).

L'aprendissatge automatic es utilizat per un larg vantalh d'aplicacions, per ex.:

motor de recerca,
ajuda al diagnostic,
deteccion de donada aberranta,
deteccion de donadas mancantas,
deteccion de fraudas,
analisi dels mercats financièrs,
reconeissença de la paraula,
reconeissença de l'escritura manuscrita,
analisi e indexacion d'imatges e de vidèo, subretot per la recerca d'imatge pel contengut,
robotica,

Factors de pertinéncia e d'eficacitat

La qualitat de l'aprendissatge e de l'analisi dependon del besonh en amont e a priori de la competéncia de l'operator per preparar l'analisi. Depend tanben de la complexitat del modèl (especific o generalista), de son adequacion e de son adaptacion al subjècte de tractar. In fine, la qualitat del trabalh dependrà tanben del metòde (de mesa en evidéncia visuala) dels resultats per l'utilizator final (un resultat pertinent poiriá èsser amagat dins un esquèma tròp complèxe, o mal plaçat en evidéncia per una representacion grafica inapropriada).

Avant aquò, la qualitat del trabalh dependrà de factors inicials contrenhents, ligadas a la basa de donadas:

Nombre d'exemples (men n’i a, mai l'analisi es dificila, mas mai n’i a, mai lo besonh de memòria informatica es nauta e mai longa es l'analisi);
Nombre e qualitat dels atributs descrivent aquestes exemples. La distància entre dos « exemples » numerics (pretz, talha, pes, intensitat luminosa, intensitat de bruch, etc) es facil a establir, aquesta entre dos atributs categorials (color, beutat, utilitat…) es mens aisida;
Percentatge de donadas rensenhadas e mancantas;
« Bruch »: lo nombre e la « localizacion » de las valors dobtosas (errors potencialas, valors aberrantas…) o naturalament non confòrmas al pattern de distribucion generala dels « exemples » sus lor espaci de distribucion impactaràn sus la qualitat de l'analisi.

Estapas d'un projècte d'aprendissatge automatic

L'aprendissatge automatic se resuma pas sonque a un ensemble d'algoritmes mas es una lista d'estapas de prene en compte e de realizar per arribar a un resultat optimal^[11]:

L'acquisicion de donadas: L'algoritme se noirissent de donadas en dintrada, es una estapa importanta. Condiciona la capitada del projècta, de recampar de donadas pertinentas e en quantitat sufisenta.
La preparacion, e le netejatge de la donada: pòt arribar que la donada recampada a l'estapa precedenta siá pas plenament pertinenta, o contenga du bruch, o siá pas pro estructurada. Un operator uman va donc optimizar la donada que l'algoritme pòsca la tractar melhor, o arribar mai aviat a l’objectiu.
La creacion del modèl
L'evaluacion: Un còp l'algoritme d'aprendissatge automatic desencadenat sus un primièr jòc de donadas, se va l'evaluar sus un segond ensemble de dondas per verificar que lo modèl faga pas de subreaprendissatge.
Lo desplegament: Lo modèl va èsser desplagat en produccion per far de prediccions, e potencialament utilizar las novèlas donadas en dintrada per tornar entraïner e melhorar son modèl.

Controvèrsias tecnicas

L’aprendissatge automatic demanda de grandas quantitats de donadas per foncionar coma cal. Pòt venir malaisit de contrarotlar l’integritat dels jòcs de donadas, per exemple dins lo cas de donadas generadass pels rets socials.

La qualitat de las « decisions » presas per un algoritme d’AA depend de la qualitat (donc de lor omogeneïtat, fiabilitat, etc.) de las donadas utilizadas per l’entraïnament mas subretot de lor quantitat. Donc, per un jòc de donadas socialas acampadas sens atencion particulara al respècte de la representacion de las minoritats, l’AA es estatisticament injust al vejaire d’aquestas. En efièch, la capacitat de prene de « bonas » decisions depend de la talha de las donadas, mas aquesta serç proporcionalament inferiora per las minoritats.

L’utilizacion d’algoritmes d’aprendissatge automatic demanda donc d’aver consciéncia de l’encastre de donadas que s’utilizèt per l’aprendissatge pendent lor utilizacion. Es donc pretenciós d’atribuir de vertuts tròp grandas als algoritmes d’aprendissatge automatic.

Aplicacion a la veitura autonòma

La veitura autonòma paréis realisabla mercé a l’aprendissatge automatic e las enòrmas quantitats de donadas generadas per la flota automobila, sempre mai connectada. Al contrariment del algoritmes classics (que seguisson un ensemble de règlas predeterminadas), l’aprendissatge automatic apren las sieunas règlas.

Los principals innovators dins lo domèni insistisson sul fach que le progrès ven de l’automatizacion dels procediments. Aquò presenta la manca que lo procediment d’aprendissatge automatic ven privatizat e escur. Privatizat, que los algoritmes d’AA constituisson de gigantèscas oportunitats economicas, e escurs que lor compreneson passa enrè de lor optimizacion. Aquesta evolucion pòt potencialament noire a la fisança del public a subjècte de l’aprendissatge automatic, mas subretot al potencial long tèrme de tecnologias pla prometosas^[12].

La veitura autonòma presenta un encastre tèst per afrontar l’aprendissatge automatica a la societat. En efièch, es pas sonque l’algoritme que se forma a la circulacion rotièra e sas règlas, mas tanben lo contrari. Lo principi de responsabilitat es questionat per l’aprendissatge automatic, que l’algoritme es pas pus escrich mas apren e desvelopa una mena d’intuicion numerica. Los creators d’algoritmes son pas pus en mesura de comprene las « decisions » presas per lors algoritmes, aquò per la quita construccion matematica de l’algoritme d’aprendissatge automatic.

Dins lo cas de l’AA e las veituras autonòmas, la question de la responsabilitat en cas d’accident se pausa. La societat deu portar una responsa a aquesta question, amb diferents apròches possibles. Als EUA, existís la tendéncia de jutjar una tecnologia per la qualitat del resultat que produch, alara qu’en Euròpa lo principi de precaucion es aplicada, e i a mai tendéncia a jutjar una novèla tecnologia al respècte de las precedentas, en evaluant las diferéncias al respècte de çò qu’es ja conegut. De procediments d’evaluacion dels riscs son en cors en Euròpa e als EUA^[12].

La question de responsabilitat es tant mai complicada que la prioritat pels conceptors residís en la concepcion d’un algoritme optimal, e non pas de lo comprene. L’interpretabilitat dels algoritmes es necessària per ne comprene las decisions, per exemple quand aquestas decisions an un impacte prigond sus la vida dels individús. Aquesta nocion d’interpretabilitat, es a dire de la capacitat de comprene perque e cossí agís un algoritme, es tanben subjècta a interpretacion.

La question de l’accessibilitat de las donadas es subjècte a controvèrsia: dins lo cas de las veituras autonòmas, unes defendon l’accès public a las donadas, çò que permetriá un aprendissatge melhor pels algoritmes e concentrarià pas aqueste « aur numeric » dins las mans d’unes d’individús, mai que d’autres militan per la privatizacion de las donadas al nom del liure mercat, sens negligir lo fach que de bonas donadas constituisson un avantatge competitiu e donc economic^[12].

Prospectiva

Dins las annadas 2000-2010, l'aprendissatge automatic es encara una tecnologia emergenta, mas polivalenta, qu’es per natura teoricament capable d'accelerar lo ritme de l'automatizacion e del quite autoaprendissatge. Combinat a l'aparicion de mejans novèls de produire, servar e far circular l'energia, e tanben a l'informatica ubiquista, podava capvirar las tecnologias e la societat (coma l'an fach la maquina de vapor e l'electricitat, puèi lo petròli e l'informatica prendent las revolucions industrialas precedentas. L'aprendissatge automatic poiriá generar de novelums e capacitats inesperadas, mas amb un risc qu’unes observators de pèrda de mestresa de la part dels umans sus fòrça pretzfachs que poiràn pas pus comprene e que seràn fachas en rotina per d’entitats informaticas e robotizadas. Aquò daissa veire d’impactes especifics complèxes e encara impossibles a evaluar sus l'emplec, lo trabalh e pus largament l'economia e las inegalitats.Segon lo jornal Science fin de 2017 : « Los efièchs sus l'emplec son mai complèxes que la simpla question del remplaçament e de las substitucions soslihnadas per unes. Pasmens se los efièchs economics del BA sián pro limitats uèi e que sèm pas confrontats a una « fin del trabalh » imminenta coma aquò es a vegada proclamat, las implicacions per l'economia e la man d'òbra son prigondas »^[13].

Es temptaire de s'inspirar dels èssers vivents sens los copiar de biais simple^[14] per concebre de maquinas capablas d'aprene. Las nocions de percèpte e de concèpte coma fenomèns neuronals fisics foguèron popularizats dins lo mond francofón per Jean-Pierre Changeux. L'aprendissatge automatic demora subretot un sosdomèni de l'informatica, mas es estrechament ligat de biais operacional a las sciéncias cognitivas, a las neurosciéncias, a la biologia e a la psicologia, e poiriá a la crosada d’aquestes domènis, nanotecnologias, biotecnologias, informatica e sciéncias cognitivas, menar a de sistèmas d'intelligéncia artificiala avent una basa mai larga.

Nòtas e referéncias

↑ https://www.cs.virginia.edu/~robins/Turing_Paper_1936.pdf
↑ https://www.csee.umbc.edu/courses/471/papers/turing.pdf
↑ .
↑ Yann Le Cun sur l'apprentissage prédictif, 2016.
↑ Ambroise et Govaert, 2000.
↑ Voir Machine Learning, chap. 13 Reinforcement Learning, p. 367-390.
↑ .
↑ Voir Machine Learning, chap. 4 Artificial Neural Networks, p. 81-127.
↑ Voir Machine Learning, chap. 3 Decision Tree Learning, p. 52-80.
↑ Voir Machine Learning, chap. 9 Genetic Algorithms, p. 249-273.
↑ .
↑ ^12,0 ^12,1 et ^12,2 .
↑ Erik Brynjolfsson & Tom Mitchell (2017 What can machine learning do? Workforce implications |Science | 22 décembre 2017| Vol. 358|n°6370| pp. 1530-1534| DOI: 10.1126/science.aap8062 | résumé
↑ Computer Science Colloquium - March 28, 2013, Anne Menendez & Guy Paillet].

Bibliografia

(en) Trevor Hastie, Robert Tibshirani et Jerome Friedman, The Elements of Statistical Learning : Data Mining, Inference, and Prediction, 2009, 2e éd.
(en) Bishop, C. M. (1995). Neural Networks for Pattern Recognition, Oxford University Press. ISBN: 0-19853-864-2
(en) Richard O. Duda, Peter E. Hart, David G. Stork, Pattern Classification, Wiley-interscience, 2001 (ISBN 0-471-05669-3) [détail des éditions]
Antoine Cornuéjols, Laurent Miclet, Yves Kodratoff, Apprentissage Artificiel : Concepts et algorithmes, Eyrolles, 2002 (ISBN 2-212-11020-0) [détail des éditions]
(en) David MacKay, Information Theory, Inference, and Learning Algorithms, Cambridge University Press, 2003 (ISBN 0-521-64298-1) [détail des éditions]
(en) Tom M. Mitchell, Machine Learning, 1997 [détail des éditions]
(en) Christopher M. Bishop, Pattern Recognition And Machine Learning, Springer, 2006 (ISBN 0-387-31073-8) [détail des éditions]
(en) Huang T.-M., Kecman V., Kopriva I. (2006), Kernel Based Algorithms for Mining Huge Data Sets, Supervised, Semi-supervised, and Unsupervised Learning, Springer-Verlag, Berlin, Heidelberg, 260 p. 96 illus., Hardcover, ISBN: 3-54031-681-7 (learning-from-data.com)
(en) KECMAN Vojislav (2001), LEARNING AND SOFT COMPUTING, Support Vector Machines, Neural Networks and Fuzzy Logic Models, The MIT Press, Cambridge, MA, 608 pp., 268 illus., ISBN: 0-26211-255-8 (support-vector.ws)
(en) Sholom Weiss and Casimir Kulikowski (1991). Computer Systems That Learn, Morgan Kaufmann. ISBN: 1-55860-065-5

Vejatz tanben

Articles connèxes

Ligams extèrnes

Machine learning : décryptage d'une technologie qui monte, Alain Clapaud, Journal du Net, 10 avril 2015.
Le « machine learning » – quand les données remplacent les algorithmes, Pirmin Lemberger, Journal du Net, 28 mars 2014.

[1] ttps://www.cs.virginia.edu/~robins/Turing_Paper_1936.pdf

[2] ttps://www.csee.umbc.edu/courses/471/papers/turing.pdf

[3] .

[4] Yann Le Cun sur l'apprentissage prédictif, 2016.

[5] Ambroise et Govaert, 2000.

[6] Voir Machine Learning, chap. 13 Reinforcement Learning, p. 367-390.

[7] .

[8] Voir Machine Learning, chap. 4 Artificial Neural Networks, p. 81-127.

[9] Voir Machine Learning, chap. 3 Decision Tree Learning, p. 52-80.

[10] Voir Machine Learning, chap. 9 Genetic Algorithms, p. 249-273.

[11] .

[:0-12] 12,0 ^12,1 et ^12,2 .

[13] Erik Brynjolfsson & Tom Mitchell (2017 What can machine learning do? Workforce implications |Science | 22 décembre 2017| Vol. 358|n°6370| pp. 1530-1534| DOI: 10.1126/science.aap8062 | résumé

[14] Computer Science Colloquium - March 28, 2013, Anne Menendez & Guy Paillet].

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]