Notes de Cours

Introduction à
l’Intelligence Artificielle
Prof Habiba DRIAS
Chapitre 1:
Introduction à l’intelligence
artificielle
2
Aperçu général sur
l’apprentissage automatique
INTRODUCTION
Depuis l’invention de l’ordinateur, les
chercheurs se sont intéressés à
l’implantation dans les machines, de
capacités comme:
–
L’acquisition d’une nouvelle connaissance
–
Développement d’un moteur et d’une expertise
cognitifs par l’instruction et l’entraînement
4
–
Organisation de la connaissance acquise dans
des représentations effectives
–
Découverte de faits nouveaux et de théorie à
travers l’observation et l’expérimentation
Résoudre un tel problème a été un véritable
challenge et reste encore une direction
importante en intelligence artificielle
5
Objectifs de l’apprentissage automatique

Le domaine de l’apprentissage automatique est
organisé autour de trois axes principaux:
1.
2.
3.
Etudes orientées taches ou systèmes
Simulation cognitive
Analyse théorique
6
1. Etudes orientées systèmes
- développement et analyse de systèmes
d’apprentissage pour une application
donnée
– une nécessité pratique-
7
2. Simulation cognitive:
- Simulation du processus
d’apprentissage humain
- L’apprentissage automatique est
considéré dans ce cas comme une
science
8
3. Analyse théorique
- Exploration des méthodes
d’apprentissage indépendantes du
domaine d’application
- Acquisition des connaissances et
Raffinement de l’expertise
9
 Une
taxonomie de la recherche en
apprentissage automatique
10
I- Classification basée sur les
stratégies d’apprentissage

Ces stratégies diffèrent selon la quantité
d’inférence qu’entreprend l’apprenant sur
l’information donnée
11
1. Implantation directe de nouvelles
connaissances

Le programme ne nécessite aucune
inférence:
–
–
Programmation classique
Systèmes de base de données
conventionnels
12
2. Apprentissage par instruction

Une entité pédagogue fournit des
connaissances au programme
13
3. Apprentissage par analogie

Acquérir de nouveaux faits en transformant
des connaissances existantes ayant de fortes
similitudes avec le nouveau concept
14
4. Apprentissage par l’exemple

Induire un concept à partir d’exemples de ce
dernier

La donnée de contre-exemples permet
d’affiner la description du concept
15
5. Apprentissage par l’observation et
découverte
 C’est
un apprentissage non supervisé
16
II- Classification selon le type de la
connaissance acquise

Le type de la connaissance acquise est
fonction de la représentation de cette
connaissance
17
1. Les paramètres dans les expressions
algébriques

L’apprentissage consiste à ajuster des
coefficients numériques dans les
expressions algébriques
18
2. Les arbres de décision

Certains systèmes d’apprentissage
distinguent des classes d’objets en les
représentant par des arbres de décision
19
3. Les grammaires formelles

Induire une grammaire à partir des mots ou
expressions d’un langage
20
4. Les règles de production
Une règle de production est une paire
(condition – action) {C  A}
 L’action est exécutée lorsque la condition
est vérifiée.


Cette représentation a fait l’objet de
nombreuses utilisations notamment dans les
systèmes experts
21
5. Les expressions logiques

La logique classique

La logique modale

La logique temporelle

La logique causale
22
6. Les graphes et les réseaux

Certaines techniques d’apprentissage
exploitent des transformations de graphes
pour comparer l’efficacité des
connaissances
23
7. Les schémas et frames

Ce sont des représentations plus générales
que les expressions logiques et les règles de
production
24
8. Les codes procéduraux

Les systèmes de programmation
automatique engendrent des programmes
informatiques ou codes procéduraux
25
9. Les taxonomies

L’apprentissage par l’observation engendre
une structuration des objets en une
hiérarchie ou taxonomie
26
10. Les représentations hybrides

Les systèmes de découverte et de
développement de théories utilisent une
combinaison de représentations
27
III- Classification par domaine
d’application
1.
2.
3.
4.
5.
6.
Agriculture
Chimie
Modélisation cognitive (simulation de
l’apprentissage humain)
Programmation informatique
Education
Systèmes experts
28
7. Jeux
8. Méthodes générales (pas de domaine
spécifique)
9. Reconnaissance d’images
10. Mathématiques
11. Diagnostic médical
12. Musique
29
13. Traitement du langage naturel
14. Caractérisation d’objets physiques
15. Physique
16. Résolution de problèmes et planification
17. Robotique
18. Prédiction de séquences
19. Reconnaissance de la parole
30
Un bref historique de l’apprentissage
automatique

Durant l’existence relativement courte de
cette discipline, nous pouvons distinguer
trois grandes périodes, chacune
s’articulant autour d’un paradigme
particulier:
1.
2.
3.
Modélisation neuronale
Apprentissage orienté concept symbolique
Système d’apprentissage intensif de
connaissances
31
Les réseaux de neurones et
les systèmes auto-organisationnels

L’intérêt des chercheurs pour ce paradigme est le
développement de systèmes d’apprentissage
généraux à partir d’une structure initiale nulle ou
peu importante. La recherche autour de ce
paradigme peut être théorique ou pratique:
–
Construction de systèmes hardware: perceptrons
–
Reconnaissance des formes par une approche théorique
de décision
32
Apprentissage orienté concept
symbolique

L’utilisation de la logique et de la
représentation de graphes remplace celle
des méthodes statistiques et numériques

Exemples de travaux:
–
–
Recherche sur le concept d’acquisition humain
Meta-Dendral
33
Système d’apprentissage intensif de
connaissances

Apprendre des concepts isolés à partir
d’exemples

Exploration de méthodes d’apprentissage
basée sur les systèmes intensifs de
connaissances
34
Les nouvelles tendances

Acquisition intensive de connaissances:
acquérir de nouvelles connaissances à partir
d’une connaissance initiale assez importante

Exploration
d’apprentissage

Introduction
des
heuristiques
pour
développer des systèmes d’apprentissage
d’autres
méthodes
35
 Pourquoi
les machines doiventelles apprendre?
36
 L’apprentissage
humain et
l’apprentissage automatique
37
L’apprentissage humain est
fatiguant, pénible et ennuyeux:

Très lent: 6 ans pour fréquenter l’école et
20 ans de plus pour devenir chercheur
1. Le système éducationnel est très
coûteux
2. L’homme calcule très lentement
- Le simplexe est souvent calculé par
machine et rarement à la main
38
L’apprentissage humain ne possède pas de
mécanisme de copie

L’apprentissage ne peut être transféré d’une
personne à une autre

Tous les êtres humains doivent fréquenter
l’école pour apprendre
39
Pourquoi un apprentissage automatique

La machine élabore ce qu’appellent les
psychologues ‘un apprentissage à un essai’

L’apprentissage peut être copié d’une
machine sur une autre
40

Quel est donc l’intérêt de l’apprentissage
automatique puisque pour le transmettre à
l’homme, il faut un minimum de 20 ans de
dur labeur?

L’intérêt est dans l’investigation de
programmes qui évitent l’inefficacité et
l’incompétence de l’apprentissage humain
41
Les travaux en Intelligence artificielle sont
dirigés:
De sorte que les machines deviennent
intelligentes
 Afin de simuler les humains pour
déterminer la manière dont ils travaillent
pour les aider à mieux faire
 Objectif: Simuler l’apprentissage humain
pour comprendre le raisonnement
humain et peut être l’améliorer

42
Qu’est-ce que l’apprentissage automatique?

L’apprentissage exprime des changements
dans un système qui sont adaptatifs dans
le sens qu’ils permettent à ce système
d’accomplir la même tâche ou des tâches
provenant de la même population de
manière plus efficace et plus effective la
prochaine fois.
43
Apprentissage et découverte

Il existe une relation étroite entre
l’apprentissage et la découverte:
–
Découvrir: trouver de nouvelles connaissances
 Très peu d’apprentissage humain fait l’objet
de découverte: la plupart des choses que
nous connaissons ont été découvertes par des
personnes avant nous
–
Toute découverte est importante à retenir et à
mémoriser
44
Exemple: LT – Logic Theorist

C’est un logiciel dédié à la démonstration et
découverte de théorèmes

LT utilise les nouveaux théorèmes pour
démontrer d’autres. Seuls les théorèmes
sont mémorisés, les preuves ne le sont pas

Orienter l’apprentissage vers la
découverte automatique
45
L’apprentissage et la compréhension du
langage naturel
Comme pour la découverte, il existe une
relation étroite entre l’apprentissage et la
compréhension du langage naturel
 La compréhension de phénomènes divers
nécessite la compréhension du langage
naturel: la plupart de ce que l’on apprend
provient des personnes qui communiquent
avec nous directement ou via des écrits

46

La compréhension du langage naturel est
donc très importante en apprentissage
automatique
47
L’apprentissage et la résolution de problèmes

Il existe une équivalence entre ces deux
paradigmes:
–
La programmation automatique fait partie
en même temps de l’apprentissage
automatique et de la résolution de
problèmes
48
La découverte automatique, la
compréhension du langage naturel ainsi
que la programmation automatique sont
des tâches de l’apprentissage
automatique

49
 Quelques
programmes
d’apprentissage
50
Apprendre à jouer aux échecs
–
Le programme des échecs de Samuel de
1959 est le meilleur joueur que n’importe
quel être humain.
–
C’est un exemple impressionnant de
programme d’apprentissage qui date de
plus de 35 ans
51
Indexage automatique

Le système est conçu par feigenbaum en
1963

Déterminer un indexage pour accéder à des
informations dans une grande base de
données: Découvrir une nouvelle méthode
d’indexage
52
Perceptrons

Un système conçu par Rosenblatt en 1958

C’est un système de classification des objets

Un système de découverte d’outils capables
de faire la discrimination parmi différentes
classes.
53
Accroissement des connaissances dans les
systèmes de grande taille

Certains systèmes sont appelés à acquérir
des connaissances importantes en nombre
dans le temps:
–
–
–

MYCIN [ Shortliffe 1976]
INTERNIST [Pople 1977]
DENDRAL [Feigenbaum 1971]
L’interface homme machine doit être assez
sophistiquée pour faciliter la
communication entre ces systèmes et les
experts qui sont appelés à améliorer ces
connaissances
54
Le programme ISAAC
C’est un programme de résolution de
problèmes conçu par Novak en 1977
 Il résout des problèmes énoncés en anglais
et tirés des ouvrages de physique
 L’énoncé écrit en langage naturel est traduit
en une représentation interne ou physique
qui sera convertie par la suite en des
équations mathématiques qu’il résout

55
Extension de l’apprentissage dans ISSAC
Pour permettre d’autres découvertes, Hayes
et Simon en 1974 ont incorporé un
programme appelé UNDERSTAND pour
comprendre la physique et non pas
uniquement les énoncés de problèmes de
physique
 Dans cette version, toute la physique est
mémorisée

56
Un rôle pour l’apprentissage

Il n’existe pas de procédure d’apprentissage
plus efficaces que celles des humains qui
sont très lentes

Il n’existe pas de processus de copie de ces
procédures chez les hommes. Dans le
monde des ordinateurs, seul un ordinateur
doit ‘fréquenter l’école’
57
CONCLUSION

Les cinq grandes priorités de l’apprentissage
automatique sont:
– 1- Simuler et approfondir la compréhension de
l’apprentissage humain
– 2- Eviter aux hommes la difficulté d’apprendre
– 3- Promouvoir les travaux sur l’interface
homme machine et le langage naturel
– 4- Donner une place importante à la
programmation automatique
– 5- Développer les programmes de découverte
de nouvelles connaissances
58

Ainsi l’apprentissage sera plus efficace
que la programmation
59