Académique Documents
Professionnel Documents
Culture Documents
Thomas Malthus
UN PEU D’HISTOIRE
Économiste et démographe britannique (1766 - 1834). Il est surtout
connu pour sa théorie de la population : Malthus soutenait que la
croissance de la population humaine était exponentielle, tandis que la
croissance des ressources nécessaires à sa subsistance était linéaire. Il
en concluait que, tôt ou tard, la population dépasserait la capacité de la
Terre à fournir des moyens de subsistance, entraînant inévitablement des
périodes de famine, de maladie et de misère.
Londres en 2000,
une vision
malthusienne de
l'avenir d'un
Londres surpeuplé
George Cruikshank,
gravure, 1851
UN PEU D’HISTOIRE
UN PEU DE DÉMOGRAPHIE
UN PEU DE DÉMOGRAPHIE
1943
UN PEU DE DÉMOGRAPHIE
Je risque de donner une fausse idée de notre planète à ceux qui ne la
connaissent pas. Les hommes occupent très peu de place sur la terre.
Si les deux milliards d'habitants qui peuplent la terre se tenaient
debout et un peu serrés, comme pour un meeting, ils logeraient
aisément sur une place publique de vingt milles de long sur vingt
milles de large. On pourrait entasser l'humanité sur le moindre petit
îlot du Pacifique.
f (x, y, z…)
EXEMPLE DE FONCTION À PLUSIEURS VARIABLES
https://www.geogebra.org/3d
EXEMPLES
Comment on fait ?
REPRÉSENTATION GRAPHIQUE
Tracer la surface représentative de la fonction donnée par :
f (x, y) = 6 − 3x − 2y
Comment on fait ?
x et y = 0
x et z = 0
y et z = 0
REPRÉSENTATION GRAPHIQUE
Tracer la surface représentative de la fonction donnée par :
z = f (x, y) = x2
REPRÉSENTATION GRAPHIQUE
Tracer la surface représentative de la fonction donnée par :
z = f (x, y) = x2
Je fais une coupe transversale dans un plan de z (je fixe une variable)
et je regarde ce qui se passe entre les deux variables restantes : x et y.
Exemple :
TRACES, COURBES DE NIVEAU
Soit c un nombre réel et f : D → R une fonction de deux variables. On
appelle courbe de niveau c de f l’ensemble suivant :
{ (x, y) ∈ D ; f(x, y) = c }
c=y-2
y=c+2
EXOS : COURBES DE NIVEAU
Représenter les courbes de niveaux des fonctions définies par les
expressions suivantes :
c=y-2 c=x
y=c+2 y=c+2
EXOS : COURBES DE NIVEAU
Représenter les courbes de niveaux des fonctions définies par les
expressions suivantes :
2
c= e y-x
c=y-2 c=x
ln (c) = y - x 2
y=c+2 y=c+2
y = cste + x 2
DÉRIVÉES PARTIELLES
f (x, y) = ex cos y
DÉRIVÉES PARTIELLES
f (x, y) = ex cos y
DÉRIVÉES PARTIELLES
x
y f (x, y, z)
z
La fonction f
INTELLIGENCE ARTIFICIELLE
LES RÉSEAUX DE NEURONES
But : prédire un résultat en fonction de plusieurs variables fournies en
entrée
Régression Classification
x x
Une valeur
y y Une classe
continue
z z
La fonction f La fonction f
INTELLIGENCE ARTIFICIELLE
LES RÉSEAUX DE NEURONES
But : prédire un résultat en fonction de plusieurs variables fournies en
entrée
Régression Classification
x x
Une valeur
y y Une classe
continue
z z
La fonction f La fonction f
Ex : un prix en fonction de Ex : un animal en fonction
caractéristiques des pixels sur la photo
INTELLIGENCE ARTIFICIELLE
CAS PRATIQUE
But : prédire la consommation énergétique d’un bâtiment
INTELLIGENCE ARTIFICIELLE
CAS PRATIQUE
But : prédire la consommation énergétique d’un bâtiment
4
A B C D
2 La consommation en
électricité est moins
importante le samedi et le
dimanche que le reste de la
3
semaine
4
A B C D
4
A B C D
4
A B C D
La consommation en fonction
2
de la température suit une
trajectoire parabolique, elle
est élevée lorsque les
3 températures sont très basses
ou très élevées
4
INTELLIGENCE ARTIFICIELLE
CAS PRATIQUE
But : prédire la consommation énergétique d’un bâtiment
Le score du vainqueur à
l'Eurovision semble
étrangement lié au nombre
de morts foudroyés… Simple
coïncidence?
FAUSSES CORRÉLATIONS
Les corrélations
de l’absurde !
Le nombre de
fonctionnaires dans le
public semble être
intimement lié au nombre
de chevaux abattus en
Allemagne…
FAUSSES CORRÉLATIONS
Les corrélations
de l’absurde !
Entrée 2 : température w2
z a a
La sortie obtenue, la
consommation (pas
(en degrés Celsius) vraie pour l’instant)
x2
b : un biais, une valeur qu’on rajoute pour
éventuellement casser la linéarité
LE DEEP LEARNING
consommation = f (jour de
Modèle du perceptron,
la semaine, température)
le modèle du neurone
artificiel N
∑
b Z= (xi wi) + b
i
x1 w1 A étant une fonction
a = A (z) d’activation
w2
z a a
x2
Les fonctions d’activation servent à casser la linéarité entre deux neurones successifs
RELU SIGMOÏDE
LE DEEP LEARNING
consommation = f (jour de
Modèle du perceptron,
la semaine, température)
le modèle du neurone
artificiel
b N
∑
Z= (xi wi) + b
Entrée 1 : jour de la x1 w1 i
semaine (entier de 1 à 7)
Entrée 2 : température w2
z a a
La sortie obtenue, la
consommation (pas
(en degrés Celsius) correcte pour l’instant)
x2
b : un biais, une valeur qu’on rajoute pour
éventuellement casser la linéarité
LE DEEP LEARNING
consommation = f (jour de la semaine, température)
b
w2
z a a anglais) dont le rôle sera d’estimer l’écart
entre la sortie obtenue et la sortie
x2
attendue.
Forward Propagation
L = 1/2 (sortie attendue - sortie obtenue)2
w2
z a a anglais) dont le rôle sera d’estimer l’écart
entre la sortie obtenue et la sortie
x2
attendue.
L = 1/2 (sortie attendue - sortie obtenue)2
Forward Propagation
L dépend de w1, de w2 et de b
x1 w1
L = 1/2 (sortie attendue - sortie obtenue)2
w2
z a a L dépend de w1, de w2 et de b
x1 w1
L = 1/2 (sortie attendue - sortie obtenue)2
w2
z a a L dépend de w1, de w2 et de b
x1 w1
L = 1/2 (sortie attendue - sortie obtenue)2
w2
z a a L dépend de w1, de w2 et de b
w2
z a a valeurs de w1, de w2 et de b
Zone où la Zone où la
dérivée est dérivée est
négative positive
wi
Valeur optimale de wi
b
LE DEEP LEARNING
w1
x1 consommation = f (jour de la semaine, température)
Zone où la Zone où la
dérivée est dérivée est
négative positive
wi
Valeur optimale de wi
b
LE DEEP LEARNING
w1
x1 consommation = f (jour de la semaine, température)
w2
z a a Back Propagation Calcul des dérivées partielles de
la fonction coût et mise à jour
x2 des paramètres en fonction des
valeurs des derivées
L’entraînement, c’est plusieurs centaines de forward et de back propagation avec tous les
exemples que nous avons à notre disposition.
LE DEEP LEARNING
Dans la vraie vie, un neurone est rarement suffisant, c’est des centaines de neurones répartis en
couches : on parle de réseau de neurones
INTELLIGENCE ARTIFICIELLE
CAS PRATIQUE
But : prédire la consommation énergétique d’un bâtiment
Évolution de la prédiction de la consommation en électricité en fonction de la température pour chaque jour de la semaine
INTELLIGENCE ARTIFICIELLE
CAS PRATIQUE
But : prédire la consommation énergétique d’un bâtiment
Les couleurs :
également une
façon de
présenter une
fonction à
plusieurs
variables
Évolution de la prédiction de la consommation en électricité en fonction de la température pour chaque jour de la semaine
LE GRADIENT D’UNE FONCTION
Le gradient est un vecteur dont les coordonn es sont les
d riv es partielles. Il est très utile en physique. Par exemple, en
météorologie, le gradient de température est le taux de
variation de la température selon l’altitude.
é
é
é
LE GRADIENT D’UNE FONCTION
Le gradient est un vecteur dont les coordonn es sont les
d riv es partielles. Il est très utile en physique. Par exemple, en
météorologie, le gradient de température est le taux de
variation de la température selon l’altitude.
Pour cette fonction f (x, y, z) de trois variables, au point a (x0, z0, y0), on a :
où
Pour cette fonction f (x, y, z) de trois variables, au point a (x0, z0, y0), on a :
où
La fonction
f(x,y) = −(cos2x + cos2y)2
est représentée par la surface
orange. Le gradient de f est un
champ vectoriel, représenté
par les flèches bleues ;
chacune pointe dans la
direction où f croît le plus
vite.
EXOS : CALCULS DE GRADIENTS
f (x, y)=x y
2 3 g (x, y, z) = x sin(yz)
2
EXOS : CALCULS DE GRADIENTS
f (x, y)=x y
2 3 g (x, y, z) = x sin(yz)
2
EXOS : CALCULS DE GRADIENTS
f (x, y)=x y
2 3 g (x, y, z) = x sin(yz)
2
EXOS : CALCULS DE GRADIENTS
f (x, y)=x y
2 3
EXOS : CALCULS DE GRADIENTS
f (x, y)=x y
2 3
LA MATRICE HESSIENNE
Appelée ainsi en hommage au mathématicien allemand Ludwig Otto
Hesse, il s’agit d’une matrice qui regroupe les dérivées partielles
secondes de f par rapport à ces variables.
LA MATRICE HESSIENNE
Appelée ainsi en hommage au mathématicien allemand Ludwig Otto
Hesse, il s’agit d’une matrice qui regroupe les dérivées partielles
secondes de f par rapport à ces variables. Si f est une fonction de deux
variables, la matrice hessienne est de la forme :
2 2
∂f ∂f
∂x 2 ∂x∂y
H= 2 2
∂f ∂f
∂y∂x ∂y 2
LA MATRICE HESSIENNE
∂f
= 2x
∂x
∂f
= 4y
∂y
LA MATRICE HESSIENNE
∂f ∂f2
= 2x = 2 2
∂x ∂x 2 ∂f
=0
∂f ∂f2 ∂x∂y
= 4y = 4
∂y ∂y 2
LA MATRICE HESSIENNE
Les dérivées partielles premières : Les dérivées partielles secondes : La matrice hessienne H :
∂f ∂f2
= 2x = 2
[0 4]
2
∂x ∂x 2 ∂f 2 0
=0 H=
∂f ∂f2 ∂x∂y
= 4y = 4
∂y ∂y 2
RECHERCHE D’EXTREMUMS
Maximum
Minimum
Point-selle
RECHERCHE D’EXTREMUMS
Maximum
Minimum
Point-selle
RECHERCHE D’EXTREMUMS
Point-selle