Différences

Ci-dessous, les différences entre deux révisions de la page.

--- ateliers:intelligence-artificielle:accueil [2020/04/29 12:50]
laurent [Plan de cours]
+++ ateliers:intelligence-artificielle:accueil [2020/04/29 13:06] (Version actuelle)
laurent [Plan de cours]
@@ Ligne 62: / Ligne 62: @@
 ===exemple d'apprentissage non-supervisé===
-Les **chaines de Markov** sont utilisées pour permettre à un piano d'apprendre pour chaque note jouée quelle //relation// cette note entretient //avec les autres//. Ces relations sont affichées à l'écran dans une interface web.
+Les **chaines de Markov** sont utilisées pour permettre à un **piano** d'apprendre pour chaque note jouée quelle //relation// cette note entretient //avec les autres//. Ces relations sont affichées à l'écran dans une interface web.
-Le générateur de texte montre un usage radicalement différent de l'exacte même méthode. Des groupements de mots dans un corpus de départ sont découpés par des méthodes de NLP ([[https://fr.wikipedia.org/wiki/Traitement_automatique_du_langage_naturel | natural language processing) puis traités comme les notes du piano.
+Le **générateur de texte** montre un usage radicalement différent de l'exacte même méthode. Des groupements de mots dans un corpus de départ sont découpés par des méthodes de NLP ([[https://fr.wikipedia.org/wiki/Traitement_automatique_du_langage_naturel | natural language processing]]) puis traités comme les notes du piano.
 ===exemple d'apprentissage supervisé===
-Le //deeplearning// est un type d'apprentissage supervisé très utilisé dans la reconnaissance d'image. Si nous souhaitons reconnaître un visage parmi d'autres, nous pouvons entraîner notre machine en lui fournissant des centaines de photos de ce même visage ainsi que des centaines de photos de visages ressemblants et valider à chaque analyse son interprétation. Si l'on change de visage, il faudra tout recommencer. Pour éviter ce
+Le //deeplearning// est un type d'apprentissage supervisé très utilisé dans la reconnaissance d'image. Si nous souhaitons reconnaître un visage parmi d'autres, nous pouvons entraîner notre machine en lui fournissant des centaines de photos de ce même visage ainsi que des centaines de photos de visages ressemblants et valider à chaque analyse son interprétation. Si l'on change de visage, il faudra tout recommencer.
+Pour éviter de demander à chaque utilisateur de téléphone de se prendre en photo des centaines de fois dans le but de déverrouiller son téléphone, on ne va pas demander à la machine de reconnaître **son** visage mais **un** visage parmi d'autres. La machine va plutôt apprendre à détecter les //traits significatifs// d'un visage, n'importe lequel, qui permettront de le distinguer des autres. Tous les visages présentés lors de l'apprentissage partageront ainsi quelques traits qui permettront à la machine de le distinguer des autres (ex : écartement des sourcils, largeur du nez...) Chaque visage sera donc représenté par un //profil// contenant toujours le même nombre de traits, correspondant à ses spécificités.
+Cet apprentissage en **deeplearning** permettra donc de reconnaître différents visages sans avoir à ré-entraîner l'ordinateur à chaque fois. Il détectera les traits de la photo à analyser et les comparera au profil du visage recherché. Toutefois, l'ordinateur choisit lui-même les traits qu'il jugera significatifs. Comme il ne partage ni nos yeux ni notre culture, ces traits sont souvent très abstraits pour nous : ne sachant pas ce qu'est un œil ni un nez, il ne mesurera pas forcément la longueur du nez ou la couleur de l’œil. Pour comprendre ces traits qu'un algorithme de reconnaissance faciale a appris par lui-même, des chercheurs de //google// ont eu l'idée de forcer la machine à les représenter sur des photos. Ils nous ont ainsi permis de visualiser ce que la machine percevait dans ce projet nommé //DeepDreams//.
 ===questions éthiques===

Wiki

Outils pour utilisateurs

Outils du site

Différences

Outils de la page