drecha|vinheta|Per l’entraïnament, aquí supervizar, sus un grand nombre de mesuras, ven facil a un programa d'aprendissatge automatic de reconéisser de formas, quitament complèxas, e d'i classificar enseguida de punts novèls (exemple d'usatge del programa mldemos). L'aprendissatge automatic (en anglés , 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 1936https://www.cs.virginia.edu/~robins/Turing_Paper_1936.pdf, 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 1950https://www.csee.umbc.edu/courses/471/papers/turing.pdf, 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.
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 conegudaYann Le Cun sur l'apprentissage prédictif, 2016..
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 daprendissatge), 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 parcialAmbroise et Govaert, 2000.. 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 renforcementVoir , chap. 13 , . 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.