Kitabı oku: «L'Apprentissage Automatique En Action»

L'apprentissage automatique en action

Une introduction pour le profane

Alan T. Norman

Traducteur : N`Doua Diby Gaston

Copyright © 2020 - Alan T. Norman. Tous droits réservés.

Aucune partie de cette publication ne peut être reproduite, distribuée ni transmise sous quelque forme ou par quelque moyen que ce soit, notamment par photocopie, enregistrement ou autres méthodes électroniques ou mécaniques, ou par tout système de stockage et de recherche d'informations sans l'autorisation écrite préalable de l'éditeur, sauf dans le cas de citations très brèves figurant dans des critiques et de certaines autres utilisations non commerciales autorisées par la loi sur le droit d'auteur.

Table des matières

Pourquoi j'ai écrit ce livre

Ce livre n’aborde pas les algorithmes d'apprentissage automatique de codage

Une introduction pour le profane

Chapitre 1. Qu'est-ce que l'apprentissage automatique

Programmation explicite ou formation à l'algorithme

Définitions: intelligence artificielle ou apprentissage automatique ou réseaux neuronaux

CONCEPTS DE BASE

APPRENTISSAGE AUTOMATIQUE SUPERVISÉ OU APPRENTISSAGE AUTOMATIQUE NON SUPERVISÉ

Quels sont les problèmes que l'apprentissage automatique peut résoudre ?

La boîte noire: ce que nous ne savons pas sur l'apprentissage machine

Allons plus loin

Chapitre 2. Le nettoyage, l'étiquetage et la conservation des ensembles de données

Nettoyage De L'ensemble Des Données

nécessité de très grands ensembles de données pour le ML

Nécessité d’un bon étiquetage

Chapitre 3. Choisir ou écrire un algorithme ml

Concepts de base

Types d'algorithmes populaires

L’algorithme D'apprentissage K-Means Clustering

Ce qu'il faut pour écrire un nouvel algorithme

Chapitre 4. Formation et déploiement d'un algorithme

La programmation nécessaire

Statique ou dynamique

Ingénierie du réglage et des fonctionnalités

Se Débarrasser D’un Algorithme

Chapitre 5. les applications pratiques de l'apprentissage automatique

Le secteur des transports

Recommandations De Produits

Le Secteur Des Finances

Assistants vocaux, maisons et voitures intelligentes

Conclusion

Les livres bonus des Bitcoin Whales

Autres livres de Alan T. Norman:

Pourquoi J'ai Ecrit Ce Livre

Bienvenue dans le monde de l'apprentissage automatique !

L'intelligence artificielle est prête à changer le cours de l'histoire humaine, peut-être plus que toute autre technologie. Une grande partie de cette révolution est l'apprentissage automatique.

L'apprentissage automatique est la science qui consiste à apprendre aux ordinateurs à faire des prédictions à partir de données. À un niveau élémentaire, l'apprentissage automatique consiste à donner à un ordinateur un ensemble de données et à lui demander de faire une prédiction. Au début, l'ordinateur se trompera sur de nombreuses prédictions. Cependant, au fil des milliers de prédictions, l'ordinateur ré-outillera son algorithme et fera de meilleures prédictions.

Ce type d'informatique prédictive était autrefois impossible. Les ordinateurs ne pouvaient tout simplement pas stocker suffisamment de données ni les traiter assez rapidement pour apprendre efficacement. Aujourd'hui, au fil des années, les ordinateurs deviennent de plus en plus intelligents à un rythme rapide. Les progrès réalisés en matière de stockage et de puissance de traitement des données sont à l'origine de cette tendance à l'amélioration des machines. En conséquence, les ordinateurs d'aujourd'hui font des choses qui étaient impensables il y a seulement une ou deux décennies.

L'apprentissage automatique affecte déjà votre vie quotidienne. Amazon utilise l'apprentissage automatique pour prévoir les produits que vous voudrez acheter. Gmail l'utilise pour filtrer les messages spam de votre boîte de réception. Vos recommandations de films sur Netflix sont exécutées sur une base d’algorithmes d'apprentissage automatique.

Cependant, l'impact de l'apprentissage automatique ne s'arrête pas là. Les algorithmes d'apprentissage automatique font des prévisions dans toutes sortes de secteurs, de l'agriculture aux soins de santé. De plus, ses effets se feront sentir dans de nouvelles industries et de nouvelles manières chaque année. À mesure que ces nouvelles applications de l'apprentissage automatique émergeront, nous les accepterons progressivement comme faisant partie de notre vie quotidienne. Néanmoins, cette nouvelle dépendance à l'égard des machines intelligentes est un tournant dans l'histoire de la technologie, et la tendance ne fait que s'accélérer.

À l'avenir, l'apprentissage automatique et l'intelligence artificielle en général entraîneront l'automatisation d'un grand nombre de tâches que les humains accomplissent aujourd'hui. Les voitures qui se conduisent seules font appel à l'apprentissage automatique pour la reconnaissance d'images et feront de plus en plus partie des transports, tout comme les camions et autres véhicules qui se conduisent seuls pour transporter des marchandises. Une grande partie de l'agriculture et de la fabrication est désormais automatisée, de sorte que l'apprentissage automatique fournit la nourriture que nous consommons et les biens que nous utilisons. La tendance à l'automatisation ne fait que s'accélérer. D'autres applications de l'apprentissage automatique pourraient changer fondamentalement les tâches que les humains accomplissent au quotidien, car les machines deviennent plus aptes à gérer des processus et à réaliser des travaux de connaissance.

Puisque l'apprentissage automatique aura un impact si profond sur la vie quotidienne, il importe que chacun ait accès à des informations sur son fonctionnement. C'est pour cette raison que j'ai écrit ce livre. Le paysage actuel de l'information sur l'apprentissage automatique est fragmenté.

Tout d'abord, il y a des explications pour le grand public qui rendent les concepts muets. Ces explications donnent l'impression que l'apprentissage automatique est quelque chose que seul un expert peut comprendre.

Deuxièmement, il y a les documents techniques rédigés par des experts pour des experts. Ils excluent le grand public par leur jargon et leur complexité. Il est évident que la rédaction et l'exécution d'un algorithme d'apprentissage automatique est une énorme prouesse technique, et ces explications techniques sont importantes. Cependant, il y a un trou dans la littérature actuelle sur l'apprentissage automatique.

Qu'en est-il du profane qui veut vraiment comprendre cette révolution technologique, pas nécessairement pour écrire du code mais pour avoir une idée des changements qui se produisent autour de lui ? La compréhension des concepts fondamentaux de l'apprentissage automatique ne devrait pas être réservée à une élite technologique. Ces changements nous affecteront tous. Ils ont des conséquences d’ordre éthique, et il est important que le public connaisse tous les avantages et les inconvénients de l'apprentissage automatique.

Voici la raison pour laquelle j'ai écrit ce livre. Si cela vous semble intéressant, j'espère que vous l'apprécierez.

Ce livre n’aborde pas les algorithmes d'apprentissage automatique de codage

Au cas où cette introduction n'était pas assez clair : ce livre n’est pas un livre de codage. Il n'est pas destiné aux informaticiens pour qu'ils en apprennent à créer des algorithmes d'apprentissage automatique.

D'une part, je suis loin d'être qualifié pour écrire un tel livre. Les gens passent des années à apprendre les subtilités de l'écriture d'algorithmes et des réseaux de formation. Il existe des programmes entiers de doctorat qui explorent les limites de ce domaine, s'appuyant sur l'algèbre linéaire et les statistiques prédictives. Si vous vous plongez dans les détails de l'apprentissage automatique et que vous aimez suffisamment ce domaine pour en obtenir un doctorat, vous pourriez facilement en sortir avec un salaire de 300 à 600 000 dollars en travaillant pour une grande entreprise technologique. C'est dire combien ces compétences sont rares et précieuses.

Je n'ai pas ces qualifications, et je pense que c'est une bonne chose. Si vous avez pris ce livre, cela signifie que vous êtes un débutant intéressé par l'apprentissage automatique. Vous n'êtes probablement pas un technicien, ou si vous l'êtes, vous cherchez un livre de base pour vous en familiariser aux concepts de base. En tant qu'auteur du domaine de la technologie, j'apprends constamment sur les technologies. Je suis un étudiant de l'apprentissage automatique et je me souviens de ce que c'est que d'être un débutant. Je peux vous aider à expliquer les concepts de base de manière à ce qu'ils vous soient faciles à comprendre. Une fois que vous aurez lu ce livre, vous aurez une solide connaissance des principes de base qui vous permettra de passer plus facilement à un livre plus avancé si vous voulez en savoir davantage.

Cela dit, si vous avez l'impression de déjà comprendre les principes de base ou si vous voulez vraiment un livre qui vous apprenne les rouages de l'écriture et la de création d'un algorithme d'apprentissage automatique, alors ce livre n'est probablement pas celui qu'il vous faut.

Une introduction pour le profane

Le véritable objectif de ce livre est d'être une introduction pour comprendre facilement l'apprentissage automatique. Mon but est d'écrire un livre que n'importe qui pourrait lire, tout en restant fidèle aux principes de l'apprentissage automatique et en n’en rabaissant pas les concepts. J'ai confiance en l'intelligence de mes lecteurs, et je ne pense pas qu'un livre pour débutants doive nécessairement sacrifier la complexité et les nuances. Cela dit, ce n'est pas un livre volumineux, et il est loin d'être complet. Ceux qui s'intéressent au sujet voudront l’approfondir avec d'autres livres et en effectuant d’autres recherches.

Dans ce livre, nous examinerons les concepts de base et les types d'apprentissage automatique. Nous examinerons leur fonctionnement. Ensuite, nous explorerons la question des ensembles de données, ainsi que l'écriture et la formation d'un algorithme. Enfin, nous verrons quelques cas d'utilisation réels de l'apprentissage automatique et par la suite, nous verrons les endroits où l'apprentissage automatique pourrait être utilisé.

Une fois de plus, bienvenue à l'apprentissage automatique. Plongeons-nous dans...

Chapitre 1. Qu'est-ce que l'apprentissage automatique

L'objectif de ce premier chapitre est de servir de base pour le reste de ce que vous lirez dans ce livre. Nous allons ici définir les concepts fondamentaux que nous explorerons plus en détail dans les prochains chapitres. Ce livre s'appuie sur lui-même, et ce chapitre en est le point de départ.

Cela dit, le point de départ logique est de définir ce que nous entendons par apprentissage automatique.

APPRENTISSAGE AUTOMATIQUE

Ma définition simple est la suivante : l'apprentissage automatique permet à un ordinateur d'apprendre par expérience.

Cela peut sembler trivial, mais si vous décomposez cette définition, elle a de profondes implications. Avant l'apprentissage automatique, les ordinateurs ne pouvaient pas s'améliorer par l'expérience. Au contraire, l'ordinateur faisait tout ce que le code lui commandait.

L'apprentissage automatique, dans son explication la plus simple, consiste à permettre à un ordinateur de varier ses réponses et à introduire une boucle de rétroaction pour les bonnes et les mauvaises réponses. Cela signifie que les algorithmes d'apprentissage automatique sont fondamentalement différents des programmes informatiques qui les ont précédés. Comprendre la différence entre la programmation explicite et l'apprentissage algorithmique est la première étape pour voir comment l'apprentissage automatique change l'informatique de manière fondamentale.

Programmation explicite ou formation à l'algorithme

À quelques exceptions près, presque tous les logiciels que vous avez utilisés dans votre vie ont été explicitement programmés. Cela signifie qu'un humain a écrit un ensemble de règles que l'ordinateur doit suivre. Tout, du système d'exploitation de votre ordinateur à l'internet en passant par les applications de votre téléphone, a un code qu'un humain a écrit. Sans les humains qui donnent à l'ordinateur un ensemble de règles à suivre, l'ordinateur ne pourrait rien faire.

La programmation explicite est extraordinaire. C'est l'épine dorsale de tout ce que nous faisons actuellement avec les ordinateurs. C'est l'idéal lorsque vous avez besoin d'un ordinateur pour gérer des données, calculer une valeur ou suivre des relations pour vous. La programmation explicite est très puissante, mais elle présente un gros inconvénient: l'humain.

Cette donne devient problématique lorsque nous voulons faire des choses complexes avec un ordinateur, notamment lui demander de reconnaître la photo d'un chat. Si nous devions utiliser la programmation explicite pour apprendre à un ordinateur ce qu'il faut rechercher dans un chat, nous passerions des années à écrire des codes pour chaque éventualité. Et si vous n’arrivez pas à voir les quatre pattes sur la photo ? Et si le chat est d'une couleur différente ? L'ordinateur pourrait-il repérer un chat noir sur un fond noir ou un chat blanc dans la neige ?

Ce sont toutes des choses que nous considérons comme allant de soi en tant qu'humains. Notre cerveau reconnaît les choses rapidement et facilement dans de nombreux contextes. Les ordinateurs ne sont pas si doués pour cela, et il faudrait des millions de lignes de codes explicites pour dire à un ordinateur comment identifier un chat. En fait, il n'est pas du tout possible de programmer explicitement un ordinateur pour qu'il identifie les chats avec précision à 100 %, car le contexte peut toujours changer et fausser votre code.

C'est là que les algorithmes entrent en jeu. Avec la programmation explicite, nous avons essayé de dire à l'ordinateur ce qu'est un chat et de tenir compte de chaque éventualité dans notre code. En revanche, les algorithmes d'apprentissage automatique permettent à l'ordinateur de découvrir ce qu'est un chat.

Pour commencer, l'algorithme pourrait contenir quelques caractéristiques clés. Par exemple, nous pourrions dire à l'ordinateur de chercher quatre pattes et une queue. Ensuite, nous fournissons à l'algorithme de nombreuses images. Certaines images sont des chats, mais d'autres peuvent être des chiens, des arbres ou des images aléatoires. Lorsque l'algorithme fait une supposition, nous renforçons les suppositions correctes et donnons un retour négatif pour les suppositions incorrectes.

Au fil du temps, l'ordinateur utilisera l'algorithme pour construire son propre modèle de ce qu'il faut chercher pour identifier un chat. Les éléments du modèle de l'ordinateur peuvent être des choses auxquelles nous n'avions pas pensé au début. Avec plus de renforcement et des milliers d'images, l'algorithme s’améliorera progressivement dans l’identification des chats. Il n'atteindra peut-être jamais une précision à 100%, mais il sera suffisamment précis pour remplacer un étiqueteur d'images de chats humains et être ainsi plus efficace.

Les algorithmes sont des lignes directrices mais ne constituent pas des règles explicites. Ils constituent une nouvelle façon de dire à un ordinateur comment aborder une tâche. Ils introduisent des boucles de rétroaction qui s'autocorrigent au cours de centaines ou de milliers d'essais sur une tâche donnée.

Définitions: intelligence artificielle ou apprentissage automatique ou réseaux neuronaux

Dans ce livre, il est question de l'apprentissage automatique, mais ce terme s'inscrit dans un contexte plus large. Comme l'apprentissage automatique se veut de plus en plus populaire, il fait l'objet d'une couverture médiatique importante. Dans ces articles, les journalistes utilisent souvent les termes intelligence artificielle, apprentissage automatique et réseaux neuronaux de manière interchangeable. Toutefois, il existe de légères variations entre ces trois termes.

Intelligence artificielle

Lorem Ipsum n'est qu'un texte factice de l'industrie de l'impression et de la composition

L'intelligence artificielle est le plus ancien et le plus large des trois termes. Créée au milieu du 20e siècle, l'intelligence artificielle désigne toutes les fois où une machine observe son environnement et y réagit. L'intelligence artificielle s'oppose à l'intelligence naturelle chez les humains et les animaux. Au fil du temps, cependant, la portée de l'intelligence artificielle a connu une mutation. Par exemple, la reconnaissance de caractères était autrefois un défi majeur pour l'IA. Aujourd'hui, elle est devenue routinière et n'est plus considérée comme faisant partie de l'intelligence artificielle. À mesure que nous découvrons de nouvelles utilisations de l'IA, nous les intégrons à notre cadre de référence pour ce qui est normal, et la portée de l'IA s'étend à tout ce qui est nouveau.

L'apprentissage automatique est un sous-ensemble spécifique de l'IA. Nous avons déjà passé un certain temps à le définir dans ce chapitre, mais il s'agit de donner à une machine une boucle de rétroaction qui lui permet d'apprendre par expérience. Le terme "apprentissage automatique" n'existe que depuis les années 80. Ce n'est que récemment, au cours des 10 à 15 dernières années, que nous avons eu la puissance de traitement et de stockage de données nécessaire pour véritablement commencer à mettre en œuvre l'apprentissage automatique à l'échelle.

Couche d'entrée Couche masquée 1 Couche masquée 2 Couche de sortie

Les réseaux neuronaux sont un sous-ensemble de l'apprentissage automatique, et ils constituent la tendance la plus forte de l'industrie en ce moment. Un réseau neuronal se compose de nombreux nœuds qui travaillent ensemble pour produire une réponse. Chacun des nœuds les plus bas a une fonction spécifique. Par exemple, en regardant une image, les nœuds de bas niveau peuvent identifier des couleurs ou des lignes spécifiques. Plus tard, ces nœuds peuvent regrouper les lignes en formes, mesurer les distances ou rechercher la densité des couleurs. Chacun de ces nœuds est ensuite pondéré en fonction de son impact sur la réponse finale. Au début, le réseau neuronal fera beaucoup d'erreurs, mais au cours de nombreux essais, il mettra à jour la pondération de chaque nœud en vue d’en améliorer la recherche de la bonne réponse.

Maintenant, lorsque vous lirez un article sur l'IA, l'apprentissage automatique ou les réseaux neuronaux, vous comprendrez la différence. L'essentiel est de comprendre qu'il s'agit de sous-ensembles. Les réseaux neuronaux ne sont qu'un type d'apprentissage automatique qui, à son tour, n'est qu'une partie de l'intelligence artificielle.

CONCEPTS DE BASE

L'apprentissage automatique peut se déployer dans de nombreux cas d'utilisation. Tant qu'il y a des données importantes à analyser, l'apprentissage automatique peut contribuer à leur donner un sens. En tant que tel, chaque projet d'apprentissage automatique se veut différent. Cependant, toute application d'apprentissage automatique comporte cinq parties essentielles :

1. LE PROBLÈME

L'apprentissage automatique est utile partout où il faut reconnaître des modèles et prévoir un comportement en fonction de données historiques. La reconnaissance de modèles peut aller de la reconnaissance de caractères à la maintenance prédictive, en passant par la recommandation de produits aux clients sur la base d'achats antérieurs.

Cependant, l'ordinateur ne comprend pas intrinsèquement les données ou le problème. Au lieu de cela, un spécialiste des données doit apprendre à l'ordinateur ce qu'il doit rechercher en utilisant un retour d'information approprié. Si le spécialiste des données ne définit pas bien le problème, même le meilleur algorithme formé sur le plus grand ensemble de données ne pourra jamais donner les résultats que vous attendez.

Eh bien, parce que ce ne sont que des humains.

Pourquoi les humains ne peuvent-ils pas être aussi efficaces que nous ?

Eh bien, parce que ce ne sont que des machines.

Pourquoi les machines ne peuvent-elles pas apprendre rapidement?

Il est clair que l'apprentissage automatique n'est pas encore bien adapté au raisonnement symbolique de haut niveau. Par exemple, un algorithme peut être capable d'identifier un panier, des œufs colorés et un champ, mais il ne pourrait pas dire s’il s’agit d’une chasse aux œufs de Pâques, comme le feraient la plupart des humains.

Généralement, les projets d'apprentissage automatique ont un problème très spécifique et très restreint auquel ils trouvent une réponse. Un problème différent nécessitera une nouvelle approche et éventuellement un algorithme différent.