IA, ML, DL !!!!!!!! Quels sont ces mots à la mode ? Pourquoi parle-t-on de la ville à propos de ces abréviations ? Souvent, les gens utilisent indifféremment l'intelligence artificielle (IA), l'apprentissage automatique (ML) et l'apprentissage profond (DL). Sont-ils identiques ou très différents, ou y a-t-il une relation entre eux ? Nous répondrons ici à toutes vos questions et essaierons de comprendre chaque terme un par un de la manière la plus simple possible.

Comme le montre le diagramme de Venn ci-dessus, l'IA est un terme générique. C'est le sur-ensemble qui se compose de ML et DL en tant que sous-ensembles. AI a de nombreuses branches, illustrées dans la figure suivante (Fig.2.).

Mais qu'est-ce que l'IA exactement ?

Si on essaie de l'expliquer à un profane, "l'Intelligence Artificielle" est composée de deux termes distincts : artificiel et intelligence, ce qui reflète très bien son concept. Grâce à l'IA, nous essayons d'imiter l'intelligence d'un cerveau humain. Pour automatiser les tâches quotidiennes et les travaux très fastidieux (que ce soit la prédiction d'une cellule bénigne ou maligne ou l'utilisation d'un chatbot pour passer des commandes en ligne ou des capteurs d'activité), les chercheurs ont eu l'idée de l'IA.

Pour l'instant, nous allons nous concentrer sur la branche "ML" de l'IA.

Apprentissage automatique (ML)

Le ML est la branche de l'IA qui prédit les résultats sans être explicitement programmée. Il apprend à partir des données et prédit ensuite la sortie de données invisibles.

Il existe principalement trois types d'apprentissage automatique :

1. Apprentissage supervisé : dans l'apprentissage supervisé, nous fournissons un ensemble de données étiqueté pour entraîner les algorithmes. Nous divisons le jeu de données en un ensemble d'apprentissage et un ensemble de test. Généralement, l'ensemble de données est divisé en 80 % et 20 %, c'est-à-dire que 80 % des données sont utilisées pour l'entraînement et les 20 % restants sont utilisés pour tester. Il peut également y avoir d'autres bifurcations de données, comme 75% et 25%, etc. Nous essayons toujours d'entraîner l'algorithme sur une plus grande fraction de données. Essayons de mieux comprendre à travers un exemple : Disons que nous avons un ensemble de données comme ci-dessous :

2. Apprentissage non supervisé : dans ce type de ML, des données non étiquetées sont utilisées. Les algorithmes analysent puis regroupent les ensembles de données non étiquetés. Les algorithmes identifient les modèles cachés dans les données. Nous pouvons voir sur la Fig.4. que les points de données sont distingués en trois groupes représentés par des points bleus, orange et verts. Il existe différents algorithmes de clustering. L'un des plus populaires est l'algorithme de clustering K-means. La prédiction dans ce type de ML est basée sur le cluster auquel appartient le point de données. Il existe d'autres approches de l'apprentissage non supervisé, qui sont les règles d'association et la réduction de dimensionnalité.

3. Apprentissage par renforcement : Dans ce type d'apprentissage, l'agent de renforcement apprend de l'expérience. Il effectue une action et voit le résultat de l'action. Si le résultat est bon, une rétroaction positive est donnée et une rétroaction négative ou une pénalité est donnée pour chaque mauvais résultat. Ainsi, l'agent apprend de ces retours. Ce type d'apprentissage est utilisé dans la prise de décision séquentielle, comme les jeux comme les échecs. Par exemple, AlphaGo est basé sur l'apprentissage par renforcement. Avec l'aide de RL, il est devenu le premier programme informatique à vaincre les joueurs humains professionnels et est ainsi devenu le joueur de Go le plus fort de l'histoire.

Apprentissage en profondeur (DL)

Deep Learning est un sous-ensemble de ML inspiré par le neurone d'un cerveau humain. Il fonctionne sur les réseaux de neurones. DL utilise une structure en couches de nœuds interconnectés (neurones dans le cerveau humain). Le nombre de couches de nœuds interconnectés est également appelé profondeur. Il devrait y avoir plus de trois couches pour un algorithme d'apprentissage en profondeur. Voici un schéma montrant le réseau neuronal profond.

Le Deep Learning est largement utilisé dans la reconnaissance d'images, la traduction parole-texte, etc.

J'espère que cet article a pu vous aider à avoir une idée plus claire de l'IA, du ML et du DL.

Continue d'apprendre! Continue d'essayer! Continuez à grandir ! :)