L’intelligence artificielle (IA) et ses sous-ensembles Machine Learning (ML) et Deep Learning (DL) jouent un rle majeur dans la science des donnes. La science des donnes est un processus complet qui implique le prtraitement, l’analyse, la visualisation et la prdiction. Plongeons en profondeur dans l’IA et ses sous-ensembles.
Intelligence Artificielle (IA) est une branche de l’informatique qui s’intresse la development de machines intelligentes capables d’effectuer des tches qui ncessitent gnralement l’intelligence humaine. L’IA est principalement divise en trois catgories comme ci-dessous
-
Intelligence Artificielle troite (ANI)
-
Intelligence Artificielle Gnrale (IAG)
-
Super intelligence artificielle (ASI).
L’IA troite, parfois appele « IA faible », excute au mieux une tche distinctive d’une manire particulire. Par exemple, une machine caf automatique vole qui effectue une squence bien dfinie d’actions pour faire du caf. Alors que l’AGI, galement appele « IA forte », effectue un massive ventail de tches qui impliquent de penser et de raisonner comme un humain. Un exemple est Google Assist, Alexa, Chatbots qui utilise le traitement du langage naturel (NPL). La tremendous intelligence artificielle (ASI) est la model avance qui surpasse les capacits humaines. Il peut effectuer des activits cratives comme l’artwork, la prise de dcision et les relations motionnelles.
Regardons maintenant Apprentissage automatique (ML). Il s’agit d’un sous-ensemble de l’IA qui implique la modlisation d’algorithmes qui aide faire des prdictions bases sur la reconnaissance de modles et d’ensembles de donnes complexes. L’apprentissage automatique vise permettre aux algorithmes d’apprendre partir des donnes fournies, de recueillir des informations et de faire des prdictions sur des donnes prcdemment non analyses l’aide des informations recueillies. Diffrentes mthodes d’apprentissage automatique sont
-
apprentissage supervis (IA faible – ax sur les tches)
-
apprentissage non supervis (Strong AI – Data Driven)
-
apprentissage semi-supervis (IA forte – rentable)
-
apprentissage automatique renforc. (AI forte – apprendre des erreurs)
L’apprentissage automatique supervis utilise des donnes historiques pour comprendre le comportement et formuler des prvisions futures. Ici, le systme consiste en un ensemble de donnes dsign. Il est tiquet avec des paramtres pour l’entre et la sortie. Et au fur et mesure que les nouvelles donnes arrivent, l’algorithme ML analyse les nouvelles donnes et donne la sortie exacte sur la base des paramtres fixes. L’apprentissage supervis peut effectuer des tches de classification ou de rgression. Des exemples de tches de classification sont la classification des photos, la reconnaissance faciale, la classification des spams par e-mail, la dtection des fraudes d’identification, and so on. et pour les tches de rgression, les prvisions mtorologiques, la prvision de la croissance dmographique, and so on.
L’apprentissage automatique non supervis n’utilise aucun paramtre classifi ou tiquet. Il se concentre sur la dcouverte de constructions caches partir de donnes non tiquetes pour aider les systmes dduire correctement une fonction. Ils utilisent des methods telles que le clustering ou la rduction de dimensionnalit. Le clustering consiste regrouper des factors de donnes avec une mtrique similaire. Il est bas sur les donnes et quelques exemples de clustering sont la recommandation de movies pour l’utilisateur dans Netflix, la segmentation des purchasers, les habitudes d’achat, and so on. Certains exemples de rduction de la dimensionnalit sont l’licitation de fonctionnalits, la visualisation de donnes volumineuses.
L’apprentissage automatique semi-supervis fonctionne en utilisant la fois des donnes tiquetes et non tiquetes pour amliorer la prcision de l’apprentissage. L’apprentissage semi-supervis peut tre une answer rentable lorsque l’tiquetage des donnes s’avre coteux.
L’apprentissage par renforcement est assez diffrent de l’apprentissage supervis et non supervis. Il peut tre dfini comme un processus d’essais et d’erreurs dlivrant finalement des rsultats. t est atteint par le principe du cycle d’amlioration itratif (apprendre par les erreurs passes). L’apprentissage par renforcement a galement t utilis pour enseigner aux brokers la conduite autonome dans des environnements simuls. Q-learning est un exemple d’algorithmes d’apprentissage par renforcement.
Avancer vers Apprentissage en profondeur (DL), il s’agit d’un sous-ensemble d’apprentissage automatique dans lequel vous crez des algorithmes qui suivent une structure en couches. DL utilise plusieurs couches pour extraire progressivement des fonctionnalits de niveau suprieur partir de l’entre brute. Par exemple, dans le traitement d’photos, les couches infrieures peuvent identifier les bords, tandis que les couches suprieures peuvent identifier les ideas pertinents pour un tre humain, tels que les chiffres, les lettres ou les visages. DL fait gnralement rfrence un rseau de neurones artificiels profonds et ce sont les ensembles d’algorithmes qui sont extrmement prcis pour des problmes tels que la reconnaissance du son, la reconnaissance d’photos, le traitement du langage naturel, and so on.
Pour rsumer, la science des donnes couvre l’IA, qui inclut l’apprentissage automatique. Cependant, l’apprentissage automatique lui-mme couvre une autre sous-technologie, qui est l’apprentissage en profondeur. Merci l’IA automotive elle est succesful de rsoudre des problmes de plus en plus difficiles (comme dtecter le most cancers mieux que les oncologues) mieux que les humains.