Voir les discussions, les statistiques et les profils d'auteurs pour cette publication sur : https://www.researchgate.

net/publication/289980169

Un aperçu de l'apprentissage automatique et de ses applications

Article · Janvier 2016

CITATIONS LECTURE
0 1 857

4 auteurs, dont :

Venkatesan Selvam Ramesh Babu

Institutions Dayananda Sagar Institutions Dayananda Sagar
21 PUBLICATIONS 30 CITATIONS 62 PUBLICATIONS 116 CITATIONS
VOIR PROFIL VOIR PROFIL

Certains des auteurs de cette publication travaillent également sur ces projets connexes :

Traitement d'images médicales Voir le projet

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

Un aperçu de l'apprentissage automatique et de ses applications

2. APPRENTISSAGE PROFONDE entre les couches d’entrée couches.et deLessortie.

couches supplémentaires lui donnent
niveaux d'abstraction améliorant
supplémentaires,
ainsi sa donc
modélisation
Un nouveau domaine de recherche sur l'apprentissage
aptitude. Les automatique,
types lestypes qui
plus a été
depopulaires
modèles de Deep Learning,
introduit dans le but de faire évoluer l'apprentissage
sont connus automatique
sous le nomRéseaux
de neurones
neuronaux convolutifs
(CNN), ou simplement
plus proche de l’un de ses objectifs initiaux : ConvNets.
l’IntelligenceCe type
Artificielle.
de flux
neurone
de zoneartificiel à réaction anticipée
réseau, largement utilisé vision
en par
informatique
ordinateur, où le
L'apprentissage profond tire ses racines de Neocognitron
les neurones ;individuels
un artificiel
de telle
sont manière
disposés qu'ils
de telle
répondent
manière à
Neuron Network NN)(ANN)
présenté
présenté
par Kunihiko
par Kunihiko
Fukushima
régions
Fukushima
qui se chevauchentchamp. dansCeslederniers
champ visuel
temps, les CNN
en 1980. Un ANN est un réseau interconnectéont de également
traitement été appliqués
appliqué avec
à lasuccès
parole automatique
unités émulant le réseau de neurones du cerveau. reconnaissance
L'idée (ASR).Réseaux
Réseauxet deconvolutionnels
croyances profondes
derrière ANN était de développer une méthode Lesd'apprentissage
réseaux de croyances
par
en autre
modélisant
modélisation
profondes
apprentissage
la faveur
sont quelques
profond
au sein autres
du
populaire
le cerveau humain. Cependant, cette méthode architectures
a perdu utilisées.
communauté d'apprentissage automatique car elle nécessitait
une durée peu pratique ainsi qu'une quantitéLes énorme
DNN présentent deux DNN.inconvénients.
Ils surajustent
de données pour entraîner les paramètres duetréseau le temps
pourde tout
calcul.
Le surapprentissage
Surapprentissage est le moment où le DNN apprend
application. Le
L'apprentissage
Deep Learning profond
est uneest
méthode
une des
méthode
pour former
détailspour
très former
plusieurs
précis plusieurs
données
sur couches
la formation
d'entraînement en utilisant leurs données cachée
(et
et d'où le mot « profond ») ANN utilisant peucouches.
de données. C'est le
En conséquence,
fonctionnele DNNbien effectue
si les données d'entraînement
raison pour laquelle ANN est de retour dans est le jeu. Utiliser un exemple
donné en entrée,lorsquemais malpour
les quand
données d'entrée sont différentes. méthode app
comparer le Machine Learning au Deep Learning, on peutest
Ce problème direrésolu par un
que si un algorithme d'apprentissage automatique apprendoù
régularisation descertaines
parties
sont d'un
retirés
unitésvisage
au
sont comme
hasard de
yeux et nez pourtâches
les tâches
de détection
de détection
de visage,
de visage,
un
les apprentissage
couches
un apprentissage
cachées profond
entraînement.
pendant
profond l’entraînement.
La matrice et le vecteur
l'algorithme apprendra des fonctionnalités supplémentaires
les calculs requiscommeici sontlabons
bien distance
adapté entre
aux GPU. Ainsi,
les yeux et la longueur du nez.
L'apprentissage
Donc profondprofond est un accélérer
nous pourrions calculs en lesexploitant
calculs leurs
une étape majeure par rapportAlgorithmes.
aux algorithmes
uned’apprentissage
énorme puissance superficiel.
de traitement.
Le terme apprentissage profond milieu
a gagné
des années
du terrain
La2000 au
après
figure milieu
avoir causé
ci-dessous illustre
comment uncomment
catégoriser les différents
responsable du « problème de gradient de disparition
les images» peuvent être modèle
obtenues d'apprentissage
en utilisant une
profond
profondeur
où
la réduction de la vitessepublication
a été résoluededans
Geoffrey
une
chaque
publication
couche apprend à la
une
fois.
seule
A lafonctionnalité
première couche,à à la seconde, il pourrait
Hinton et Ruslan Salakhutdinov.
a montré
Ils ont
comment
montré un apprendre
peut multi- les différents bords ; dans
Un réseau neuronal à rétroaction
pourraitenêtre
couches
efficace
pourrait
des à son tour comme
fonctionnalités un
légèrement
comme différentes
plus complexes
partiescomme
d'un visage
recyclé à la fois, en traitant chaque couche comme les oreilles, le nez la troisième
et les yeux.
couche,
Dansillepourrait apprendre
Machine de Boltzmann restreinte
machine, et puis
non surveillée,
en utilisant
des fonctionnalités encorela distance
plus complexes
entre les yeux
comme ou le
rétro-propagation supervisée pour un réglage précis.de visage. Les
formes les représentations
représentationspeuvent
finales être utilisées dans
applications de catégorisation.

Les applications de l'apprentissage

comme suit:- profond sont aussi
Un réseau neuronal profond (DNN)
être unest
artificiel
défini• pour
ReconnaissanceReconnaissance
optique de caractères
Par exemple, numérisation d'une image et
Réseau neuronal (ANN) avec
couche
au moins
d'unités
un réseau
cachée
encaché
extraire du texte.
 23 |Collège
Collèged'ingénierie
d'ingénierieDayananda
DayanandaSagar,
Sagar,Bangalore-78
Bangalore

Annina Simon, Mahima Singh Deo, S. Venkatesan, DR Ramesh Babu

• Reconnaissance vocale Par ex. Génération de Dans

textel’industrie du jeu vidéo, l’intelligence artificielle pourrait être utile
commesonore.
représentation de la parole à partir d’un extrait nous pourrions avoir un « gamebot » comme adversaire lorsqu'un
le joueur humain n'est pas disponible. Nous pourrions aussi avoir des profond
• Intelligence artificielle Par ex. Chirurgie robotique
les algorithmes d'apprentissage suggèrent comment les apparitions ennemies
stratégiquement placé dans l'arène pour obtenir différents niveaux de
• Applications automobiles Par ex. Voitures autonomes
difficulté. Les industries militaire et aéronautique peuvent utiliser
• Militaire et surveillance Par ex. Drones L'intelligence artificielle pour trier les informations liées au trafic aérien
puis fournir à leurs pilotes les meilleures techniques pour éviter
3. APPRENTISSAGE PROFONDE DANS LE BIG DATAUne clinique médicale peut utiliser l'intelligence artificielle
le trafic.
systèmes
Le Deep Learning et le Big Data sont deux domaines depour organiser
données les horaires de lit, les rotations du personnel et fourn
prioritaires
science. Les algorithmes d'apprentissage profondinformation
extraient médicale.
des données complexes
modèles, à travers un processus d’apprentissage hiérarchique par analyse
5. CONCLUSION
et l'apprentissage d'énormes quantités de données non supervisées (Big
Données). Cela en fait un outil extrêmement précieux pour le Big Data
Analyseurs. Les techniques d'apprentissage profond ont été critiquées car elles
aucun moyen de représenter les relations causales (comme entre
maladies
Le Big Data possède 4 caractéristiques importantes, et leurs
à savoir lesymptômes),
Volume, et les algorithmes ne parviennent pas à
acquérir
Variété, vélocité et véracité. Ce sont des algorithmes des idées
d'apprentissage abstraites comme « frère ou sœur » ou « identique à ». Pas
sont principalement concernés par les questions beaucoup de théorie
liées au volume est
et disponible pour la plupart des méthodes
désavantageux
Variété. Les algorithmes de Deep Learning traitent des pourmassives
quantités les débutants. Le Deep Learning n’est qu’un petit
de données, c'est-à-dire le volume alors que lesun algorithmes
pas vers la construction
d'apprentissage de machines
superficieldotées de capacités humaines
échouent
comprendre des modèles de données complexes intelligence.
qui sont Des progrès supplémentaires
inévitablement doivent être réalisés afin de
présents dans de grands ensembles de données. atteindre
De notre
plus, le objectif
Deep ultime.traite
Learning Des organisations
de comme Google,
analyser des données brutes présentées dansFacebook,
différents Microsoft
formats et Baidu (un moteur de recherche chinois) sont
de
différentes sources, c'est-à-dire la variété du adhérer
Big Data. àCela
cette technologie
minimise et explorer diverses avenues
leFacebook
besoin de la contribution d'experts humains disponible.
pour
marque
Par exemple,
récupérer les fonctionnalités
automatiquement les photos
utilise
de tousle deep learning
téléchargées.
pour
L'esprit profond de Google
nouveaux types de données trouvés dans le Big Data.
se concentre sur l’exploration de nouvelles techniques dans ce domaine. Récen
les tendances montrent que l’intérêt pour l’apprentissage automatique n’a été
Indexation sémantique, marquage des données et information
grandissant avec lerapide
temps et a suscité un intérêt dans des pays comme
La récupération est les principaux objectifs du Deep
Inde et Learning inIlBig
Singapour. est ainsi apparu comme l'un des plus
Données. Considérez les données non structurées et non organisées.
domaines technologiques prometteurs ces derniers temps.
Le stockage aléatoire de quantités massives de données ne peut pas être utilisé
comme source de connaissances car la consultation de ces données
6. RÉFÉRENCES
pour des sujets d'intérêt spécifiques et récupérer tous les éléments pertinents et
obtenir des informations connexes serait une[1]tâche fastidieuse.
D. Bouchaffra, Utiliser
F. ykhef dansla«sémantique
Modèle mathématique pour machine
Indexation et marquage des données, nous identifions des modèles
apprentissage dans le
et reconnaissance de formes ».
relations entre termes et concepts basées sur[2] Itamar Arel, Derek C. Rose et Thomas P Karnowski dans « Deep »
principe selon lequel les mots utilisés dans le même contexte ont
Apprentissage – Unedesnouvelle frontière dans la recherche sur l’intelligence artificie
significations. Les mots associés peuvent alors [3]être stockésJ. à
Alexander proximité
Stimpson de chacun
et Mary L. Cummings dans « Accessing
autre dans la mémoire. Cela nous aide à présenter les données
Calendrier de manière
d'intervention dansplus
l'éducation informatisée utilisant
de manière globale et contribue à améliorer l’efficacité.
AlgorithmesUN d’apprentissage automatique ».
Le résultat direct d'une telle forme de stockage[4] serait
Li Deng, que la recherche
Geoffrey Hinton et Brian Kingsbury Microsoft
les moteurs fonctionneraient plus rapidement etResearch,
plus efficacement.
Redmond, WA, USA dans « New Types of Deep
Apprentissage pour la reconnaissance vocale et les applications associées : un
4. APPRENTISSAGE PROFONDE EN ARTIFICIELaperçu".
INTELLIGENCE [5] Maryam M. Najafabadi, Flavio Villanustre, Taghi M.
Khoshgoftaar, Naeem Seliya Wald et Edin Muharemagic dans
"journal du de
L'intelligence artificielle est la théorie et le développement big data".
des ordinateurs capables d'effectuer des tâches [6] Apprentissage
qui profond par Nando de Freitas
les humains le peuvent. L'apprentissage profond représente
[7] Une le niveau
introduction rudimentaire
à la théorie de
de l'apprentissage automatique et à ses
tentatives pour accomplir cette tâche. Il est utilisé en visuel un didacticiel visuel avec des exemples par Nick
Applications :
Mccréa
perception, reconnaissance vocale, jeux, systèmes experts,
[8] Un didacticiel
prise de décision, médecine, aviation et traduction entre d'apprentissage profond : des perceptrons au profond
langues. Réseaux

24 | Collège d'ingénierie Dayananda Sagar, Bangalore-78

Afficher les statistiques de publication Afficher les statistiques de publication