Académique Documents
Professionnel Documents
Culture Documents
1. L’intelligence artificielle :
Hna nzido introduction en general ela l’IA, (mazal malgitech wahed mliih)
L'intelligence artificielle est une branche de l'informatique capable d'analyser des données
médicales complexes. Leur potentiel à exploiter des relations significatives avec un ensemble
de données peut être utilisé dans le diagnostic, le traitement et la prévision des résultats dans
de nombreux scénarios cliniques1.
1
Artificial intelligence in medicine, Ann R Coll Surg Engl 2004 ; 86 : 334–338.
2
Artificial intelligence, Margaret A.Bden ; 89-90.
3
Machine learning, Dr.A.Senthilselvi, Dr.Balika J.Chelliah, Mr.S.Senthil Pandi, 2021; 1-2.
P a g e 1 | 10
3. Types d’algorithmes d’apprentissage automatique :
En général, les algorithmes d'apprentissage automatique peuvent être classés en 3
types :
3.1 L’apprentissage supervisé :
L'apprentissage supervisé est la tâche d'apprentissage automatique consistant à apprendre
une fonction qui mappe une entrée à une sortie sur la base d'exemples de paires entrée-sortie.
Dans l'apprentissage supervisé, chaque exemple de l'ensemble d'apprentissage est une paire
composée d'un objet d'entrée (généralement un vecteur) et d'une valeur de sortie.
Un algorithme d'apprentissage supervisé analyse les données d'entraînement et produit une
fonction qui peut être utilisée pour cartographier de nouveaux exemples.
Dans le cas optimal, la fonction déterminera correctement les étiquettes de classe pour les
instances invisibles.
Les problèmes de classification et de régression sont des problèmes d'apprentissage
supervisé1:
3.1.1 La régression :
Est utiliser pour faire des prédictions continues, il existe plusieurs algorithmes de
régression, parmi ces algorithmes on a :
La régression linéaire : Régression linéaire, un algorithme d'apprentissage
supervisé vise à prédire le résultat à valeur réelle. Il est utilisé pour prédire une
réponse B à partir de la variable prédictive A. L'hypothèse est qu'il existe une
relation linéaire entre A et B. Cet algorithme est une méthode paramétrique et
donne des valeurs numériques en sortie. La fonction de coût est un exemple de
régression dans laquelle nous entraînons la machine avec les données
étiquetées et prédit le prochain coût de la maison en tant que sortie en valeur
réelle2. La forme mathématique de l'équation est la suivante :
1
Machine learning, Dr.A.Senthilselvi, Dr.Balika J.Chelliah, Mr.S.Senthil Pandi, 2021; 15.
2
Proceedings of ICRIC 2019 Recent Innovations in Computing, 2019 ; 52-53.
P a g e 2 | 10
y = β0 + β1x1 + β2x2 +···+ βn xn, où y représente la valeur prédite.
3.1.2 Classification :
La régression logistique est connue sous le nom de classification, qui est une sorte de
technique d'apprentissage supervisé utilisée pour classer entre deux ou plusieurs classes. La
classification des e-mails, qu'il s'agisse de spam ou non, la classification entre fruits
comestibles et fruits vénéneux, etc., sont autant d'exemples de classification. L'algorithme
utilise une équation linéaire avec des prédicteurs indépendants pour prédire la valeur, et le
résultat est soit un oui (1), soit un non (0). (Figure 3)1.
3.2 L’apprentissage non supervisé :
L'apprentissage non supervisé est un type d'algorithme d'apprentissage automatique
utilisé pour tirer des inférences à partir d'ensembles de données constitués de données d'entrée
sans réponses étiquetées.
Dans les algorithmes d'apprentissage non supervisé, une classification ou une
catégorisation n'est pas incluse dans les observations. Il n'y a pas de valeurs de sortie et donc
il n'y a pas d'estimation des fonctions. Étant donné que les exemples donnés à l’apprenant ne
sont pas étiquetés, l’exactitude de la structure produite par l’algorithme ne peut pas être
évaluée2.
1
Proceedings of ICRIC 2019 Recent Innovations in Computing, 2019 ; 53-54.
2
Machine learning, Dr.A.Senthilselvi, Dr.Balika J.Chelliah, Mr.S.Senthil Pandi, 2021; 17.
P a g e 3 | 10
La méthode d'apprentissage non supervisée la plus courante est l'analyse cluster, qui
est utilisée pour l'analyse exploratoire des données afin de trouver des modèles cachés ou de
regrouper des données.
3.2.1 K-means Clustering :
Le clustering ou regroupement K-means est un algorithme d'apprentissage non supervisé
qui crée automatiquement des groupes ou des clusters lorsqu'il est lancé. Les données
possédant des caractéristiques similaires sont regroupées dans le même cluster. L'algorithme
est nommé K-means car il crée K-groupes distincts. L'objectif est de présenter les K-
centroïdes, un centroïde pour le Machine Learning : une revue des algorithmes et de ses
applications1.
1
Proceedings of ICRIC 2019 Recent Innovations in Computing, 2019 ; 55-56.
2
Machine Learning Algorithms : A Review, Department of CSE, Gautam Buddha University, Greater Noida,
Uttar Pradesh, India; 1176-1177.
4
Figure 5 : Visualisation des données avant et après l'application de la PCA
1
Machine Learning Algorithms - A Review, International Journal of Science and Research (IJSR) ISSN: 2319-
7064.
5
6
DEEP Learning :
Figure 2 Une vue d'ensemble de l'architecture d'un réseau de neurones convolutifs (CNN) et du processus d'entraînement
2.3 Les Auto encodeurs : L'auto encodeur est un type particulier de réseau neuronal
artificiel utilisé pour apprendre des encodages efficaces. Au lieu d'entraîner le
réseau à prédire une valeur cible Y à partir des entrées X, un auto encodeur est
entraîné à reconstruire ses propres entrées X. Ainsi, les vecteurs de sortie ont la
même dimension que le vecteur d'entrée.
8
pour effectuer la classification. Cependant, ces approches ne prenaient en compte que
des informations de premier ordre et négligeaient des détails importants de l'image.
L'introduction de l'apprentissage profond, en particulier des réseaux de neurones
convolutionnels (CNN), a révolutionné la classification d'images. Les CNN sont capables
d'apprendre des représentations hautement discriminatives à partir des données brutes de
l'image. L'AlexNet, un CNN développé en 2012, a marqué un tournant majeur en remportant
une compétition de classification avec un taux d'erreur impressionnant.
Depuis lors, les CNN ont continué à progresser. Des stratégies d'augmentation de données ont
été développées pour améliorer les performances de classification en augmentant la taille et la
diversité des ensembles de données d'entraînement. Les architectures de CNN sont devenues
plus profondes et plus complexes, ce qui a également contribué à des améliorations
significatives des performances.
En résumé, l'apprentissage profond, en particulier les CNN, a surpassé les méthodes
traditionnelles de classification d'images en utilisant des descripteurs plus discriminatifs et des
architectures plus profondes. Les progrès dans les CNN ont été soutenus par l'utilisation de
stratégies d'augmentation de données et de modèles plus avancés. Cette évolution a
révolutionné la manière dont les images sont classifiées et a ouvert la voie à de nombreuses
avancées dans le domaine.
3.2 Détection des objets : Avant l'apprentissage profond, la détection d'objets utilisait
généralement le modèle à parties déformables (DPM). Cependant, les méthodes basées
sur l'apprentissage profond, telles que le schéma RCNN, ont apporté une amélioration
significative des performances. Les réseaux de neurones convolutifs (CNN) sont
couramment utilisés pour la détection d'objets, générant des boîtes englobantes pour
chaque objet identifié. Les approches dérivées de RCNN se divisent en deux
catégories principales : celles qui cherchent à accélérer la détection tout en maintenant
une précision élevée, et celles qui visent à améliorer la précision en abordant la qualité
des hypothèses sur les objets. Des techniques combinant détection d'objets et
segmentation sémantique ont également émergé pour améliorer la localisation précise
des objets.
Cependant, l'extension de la détection d'objets à un grand nombre de catégories reste
un défi en raison du manque de données étiquetées. Des travaux ont exploré le
transfert de connaissances à partir de classificateurs existants ou l'apprentissage à
partir de données faiblement étiquetées ou non étiquetées pour relever ce défi.
En résumé, l'apprentissage profond a considérablement amélioré la détection d'objets.
Les CNN sont largement utilisés et ont permis des avancées majeures dans ce
domaine. La combinaison de la détection d'objets et de la segmentation sémantique
ainsi que l'utilisation de techniques d'apprentissage non supervisé sont des domaines
de recherche actifs dans ce domaine.
References:
: Y. Guo, et al., Deep learning for visual understanding: A review, Neurocomputing
(2015), http://dx.doi.org/ 10.1016/j.neucom.2015.09.116i
9
Yamashita, R., Nishio, M., Do, R.K.G. et al. Convolutional neural networks: an
overview and application in radiology. Insights Imaging 9, 611–629 (2018).
https://doi.org/10.1007/s13244-018-0639-9
10