Académique Documents
Professionnel Documents
Culture Documents
net/publication/289980169
CITATIONS LECTURE
0 1 857
4 auteurs, dont :
Certains des auteurs de cette publication travaillent également sur ces projets connexes :
Navigation basée sur la vision des véhicules aériens sans pilote Voir le projet
Tout le contenu suivant cette page a été mis en ligne par Venkatesan Selvam le 11 janvier 2016.
L'utilisateur a demandé l'amélioration du fichier téléchargé.
Revue
Revueinternationale
nationale desdes
sciences
sciences
et et
dedel'ingénierie
l'ingénierieélectriques
électriques
(IJESE)
(IJESE)
Imprimer ISSN : ____________________
; ISSN en ;ligne
Tome : __________
1, numéro 1 ; 2015 p. 22-24
© Dayananda
Collège d'ingénierie
Sagar College
Dayananda
of Engineering,
Sagar, Bangalore-78
Bangalore
Un aperçu de la machine
L'apprentissage et ses applications
1 2 3 4
Annina Simon
, Mahima Singh
, S.Deo
Venkatesan
, DR
DR Ramesh
Ramesh Babu
Babu
1,2
Année préfinale Département d'informatique et d'ingénierie,
annina.ana@gmail
annina.ana@gmail.com, mahimasinghdeo@gmail.com
3,4
Professeur, Département d'informatique et d'ingénierie
selvamvenkatesan@gmail
selvamvenkatesan@gmail.com, bobrammysore@gmail.com
Dayananda Sagar
Collège d'ingénierie, Bangalore
Résumé La: La
possibilité
possibilité
de de
ce document
ce document
de de
recherche
rechercheest
• LaLa est
de de
solutioncréer
solutioncréer
doit
doit
être
être
adaptée
adaptée à aux
des cas
cas particuliers.
particuliers. Par
Par exemple.
exemple.
l'attention des futurs chercheurs aux progrès récents dans le domaine
Biométrie.
la technologie, en particulier l'apprentissage profond, un domaine de la machine
un apprentissage qui trouve des applications dans• LaLa
taille
taille
dudu
l’analyse problème
problème
du Big Dataest
est
et trop
trop
vaste
vaste
pour
pour
nos
notre
limites
raisonnement limité
intelligence artificielle. capacités. Par exemple. Calcul du classement des pages Web.
Mots clés
Machine
: Machine
Learning,
Learning,
DeepDeep
Learning,
Learning, Considérons
Big Data,
Big Data, la reconnaissance de la parole parlée, où une
Artificiel
Artificiel
Intelligence le signal vocal est converti en texte ASCII. La prononciation de
un mot peut varier d'une personne à l'autre en raison des différences
1. INTRODUCTION l'âge, le sexe
ou laou
prononciation,
la prononciation,
doncdonc
dansdans
l'apprentissage
l'apprentissage
automatique,
automatique,
le le
h i à ll l ll i dé h ill dé é
L'apprentissage automatique, par sa définition, L’approche
de personnes consiste
est un domaine diversesdeà collecter
et apprenez une àlarge
l'informatique collection
les traduire end’échantillons
mots. Comme d’énoncés
science issue de l’étude de la reconnaissanceun desautre
formesexemple,
et envisagez de router des paquets sur un ordinateur
théorie de l'apprentissage informatique
intelligence. en
C'est grille.
intelligence
le Le parcours maximisant
artificielle. qualité
C'est le dulaservice
qualitédepuis
de service
la source
à la source
l'apprentissage et la construction d'algorithmes verscapables
la destination changeetrégulièrement
d'apprendre de à mesure que le trafic du système ch
faire des prédictions sur des ensembles de données. Une procédure d’apprentissage
Ces procédures du routage
fonctionnent par est capable de s’adapter au meilleu
construction d'un rom
modèle
exemples
à partird'entrées afinen
d'exemples de surveillant
faire afinlede
d'entrées trafic
faireréseau.
prédictions
des prédictions
ou choix oubasés
des choix
sur lesmotivés
donnéesplutôt
plutôtque que
de de
suivre
suivrel'entreprise
l'entreprise
instructions de programme statiques. L'apprentissage automatique implique deux types de tâches : -
• Apprentissage automatique apprentissagesupervisé
: le programme : est « entraîné »
« On dit qu’un programme informatique apprend surde unl’expérience
ensemble
ensembledéfini prédéfini
E avec d’« exemples
d'« exemples de formation
de formation
», qui
», qui sont ensuite
par rapport à une tâche T et à une mesure de performance faciliter sa capacité
P, si elle à parvenir à une conclusion précise lorsque
la performance
la mance sursur T, telle
T, telle
queque mesurée
mesuréeparpar étant donné
P, s'améliore
P, s'améliore avecavecde nouvelles données.
expérience TomE. » --Mitchell,
Tom Mitchell,
Université
Université
Carnegie
Carnegie
Mellon. Mellon. automatique
• Apprentissage apprentissage non: lesupervisé
programme : reçoit un
un tas de données et doit je doistrouver
trouver despat
modèles et des relations ont besoin d'
Ainsi, si nous voulons que notre programme prévoie, la bride.par exemple, le trafic
se forme sur un nœud occupé (tâche T), nous pouvons l'exécuter via une machine
processus d'apprentissage les modèles
avec des dedonnées Considérons
trafic précédents
sur les modèles unede situation dans laquelle nous
trafic précédents
(expérience E) et, s’il a réussi à « apprendre », algorithme
il pour faire Notre
des prédictions.
prédicteur de Notre
forme
faire mieux pour prédire les modèles de trafic à venir (performance
mesure P).
Où et sont des sont
constantes.
des constantes.
Pour chaque
Pour chaque
exemple exemple
de formation
de formation
Nous avons besoin de d'apprentissage
machine learning automatique
dansavecles dans
cas suivants
les cas
x comme suivants
:
entrée, : - une sortie correspondante y, qui est
il existe
connue à l'avance. Nous comparons les valeurs obtenues à partir du
• L'expertise humaine est naviguant
absente. Par surexemple.
Mars. Naviguer
prédicteur surlaMars.
avec sortie y et essayez de minimiser les différences
• Les
Leshumains
humains sont
sont incapables
incapables d'expliquer
d’expliquer en
leur
leur valeurs
expertise.
expertise.en modifiant
Par
Par . Après
exemple.
exemple. et Discours
.plusieurs
Après
Discoursplusieurs
exemples exemples
Reconnaissance. été utilisé pour la formation, nous nous retrouvons avec l’équation optimisée.
Maintenant,
w, si nous fournissons
si nous fournissons
une entrée unedontentréela valeur
dont laest
valeur
inconnue,
est inconnue,
le le
• LaLasolution
solution
change
change avec
avecleletemps.
temps.Par
Contrôle
ex. Contrôle
ladefonction
la température.
de ladetempérature.
prédicteur pourra nous donner une information presque précis
estimation.
22 |Collège
Collèged'ingénierie
d'ingénierieDayananda
DayanandaSagar,
Sagar,Bangalore-78
Bangalore