Upload
truongdang
View
292
Download
2
Embed Size (px)
Citation preview
3I026 - Introduction a l’Intelligence Artificielle et DataScience
Ludovic DenoyerChristophe Marsala
Universite Pierre et Marie Curie – Paris 6
21 janvier 2016
Programme du jour
1 L’UE 3I026
2 Le monde de l’IA....
3 Le monde du Big Data....
4 L’IA au service de la data science
Plan du cours
1 L’UE 3I026
2 Le monde de l’IA....
3 Le monde du Big Data....
4 L’IA au service de la data science
IMPORTANT :
Debut des TDs et TMEs : semaine du lundi 25 janvierI TME : 14h - 17h45, salle 307, couloir 14/15I Animation : Gabriella Contardo & Ludmilla Tajtelbom
A noter :
site web de la Licence :http ://www-licence.ufr-info-p6.jussieu.fr/lmd/licence/2014/ue/LI351-2015fev/
Par le site de L.Denoyer : http://www-connex.lip6.fr/~denoyer
les cours seront disponibles sur la page Web
lisez regulierement vos emails [email protected]
allez regulierement sur le forum de l’UE (Site Piazza)
Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 4 / 37
Description de l’UE
IntervenantsI Cours :
F Ludovic Denoyer : [email protected] Christophe Marsala : [email protected]
I TME :F Gabriella Contardo + Ludmilla Tajtelbom (PhD)
PrerequisI Connaissance du langage PythonI Ne pas partir en courant en face d’une equation
Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 5 / 37
Directives
La presence au cours est obligatoireI il n’y aura aucun rappel de cours en TMEI le cours doit etre lu et travaille avant d’aller en TMEI il y aura (peut etre) des interos portant exclusivement sur le cours
La presence au TME est obligatoire (note de CC)I les CR de TME seront notes - 3 rendus principauxI ils seront a rendre a la fin du TME
Calcul de la note d’UEI examen : 60% de la noteI controle continu : 40% de la note qui se decompose en
Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 6 / 37
Petit rappel methodologique...
Nous retenons :I 10 % de ce que nous lisonsI 20 % de ce que nous entendonsI 30 % de ce que nous voyonsI 50 % de ce que nous entendons et voyonsI 70 % de ce que nous pratiquons
En suivant ce cours : prenez des notes !I noter aide a memoriser...
En rentrant chez vous ou le lendemain :I mettez vos notes au propreI refaites les exemples vusI allez sur la page de l’UE pour trouver une copie de ce cours
Avant les seances (TD/TME, cours)I relisez le cours et refaites les exercices
Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 7 / 37
Petit rappel methodologique...
Nous retenons :I 10 % de ce que nous lisonsI 20 % de ce que nous entendonsI 30 % de ce que nous voyonsI 50 % de ce que nous entendons et voyonsI 70 % de ce que nous pratiquons
En suivant ce cours : prenez des notes !I noter aide a memoriser...
En rentrant chez vous ou le lendemain :I mettez vos notes au propreI refaites les exemples vusI allez sur la page de l’UE pour trouver une copie de ce cours
Avant les seances (TD/TME, cours)I relisez le cours et refaites les exercices
Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 7 / 37
Mode de fonctionnement du cours
Liens avec la recherche :I Departement : Donnees et ApprentissageI Equipes : Machine Learning and Information Access + Learning Fuzzy
and Intelligent SystemI Autres equipes : Base de donnees + Agents Cognitifs et Apprentissage
Liens avec les master :I Master DAC - Donnees et ApprentissageI Master ANDROIDE - AgeNts Distribues, Robotique, Recherche
Operationnelle, Interaction, DEcision
Quel point commun a presque toutes ces differentesequipes/masters ?
Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 8 / 37
Plan du cours
1 L’UE 3I026
2 Le monde de l’IA....
3 Le monde du Big Data....
4 L’IA au service de la data science
Intelligence Artificielle
Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 10 / 37
Apprentissage Automatique
Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 11 / 37
Plusieurs Definitions
Learning is making useful changes in mind - [Marvin Minsky, 1985]
Learning is any change in a system that allows it to perform betterthe second time on repetition of the same task or another task drawnfrom the same population - [Herbert Simon, 1983]
Learning is the organization of experience - [Scott, 1983]
Learning is constructing or modifying representations of what is beingexperienced - [Riszard Michalski, 1986]
Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 12 / 37
l’Apprentissage
Plusieurs definition (ecoles) de l’apprentissage :I Cognitivistes :
F Postulat : Assimilation de l’organisme a un ordinateur, a une machine atraiter des informations
F Apprentissage : L’apprentissage vise a creer un nouveau programme
I Theories ecologiques :F Postulat : Le comportement dynamique traduit l’adaptation du systeme
aux contraintes qui pesent sur luiF Apprentissage : Integrer de nouveaux etats stables
Allez voir les specialistes....
Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 13 / 37
Apprentissage
C’est quoi la science de l’apprentissage ?
On etudie les apprentissage :I naturelsI artificiels
Des theories
Des modeles
Des Algorithmes
Differentes ecoles :
Les Symbolistes
Les Connexionnistes (rejoint par les statisticiens)I Statistical Machine Learning
Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 14 / 37
Ordinateurs intelligents (par apprentissage)
Problematique :
Nous souhaitons avoir des ordinateursI intelligentsI adaptatifsI avec un comportement robuste
Programmer de tels comportement est souvent impossibleI Par exemple : Intelligence artificielle dans les jeux (scripts)
Solution :
Faire un ordinateur capable de se programmer lui-meme
a partir d’exemples (apprentissage classique / par imitation)
a partir de son ”experience” (apprentissage par renforcement)
Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 15 / 37
Exemple
Exercice
Ecrivez un programme JAVA permettant de ....
Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 16 / 37
Exemple
Exercice
Ecrivez un programme JAVA permettant de ....
Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 17 / 37
Exemple
Exercice
Ecrivez un programme JAVA permettant de ....
Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 18 / 37
Exemple
Exercice
Ecrivez un programme JAVA permettant de ....
Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 19 / 37
Exemple
Exercice
Ecrivez un programme JAVA permettant de ....
Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 20 / 37
Exemple
Exercice
Ecrivez un programme JAVA permettant de ....
Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 21 / 37
Exemple
Exercice
Ecrivez un programme JAVA permettant de ....
Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 22 / 37
Exemple
Exercice
Ecrivez un programme JAVA permettant de ....
Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 23 / 37
Exemple
Exercice
Ecrivez un programme JAVA permettant de ....
Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 24 / 37
Exemple
Exercice
Ecrivez un programme JAVA permettant de ....
Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 25 / 37
Exemple
Exercice
Ecrivez un programme JAVA permettant de ....
Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 26 / 37
Exemple
Exercice
Ecrivez un programme JAVA permettant de ....
Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 27 / 37
Plan du cours
1 L’UE 3I026
2 Le monde de l’IA....
3 Le monde du Big Data....
4 L’IA au service de la data science
Contexte
Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 29 / 37
Contexte
Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 30 / 37
L’apprentissage et la Data Science
Data driven science : le 4e paradigme (Jim Gray - Prix Turing)
Extrait : ”A l’heure actuelle, la science vit une revolution qui conduit a nouveauparadigme selon lequel ’la science est dans les donnees’, autrement dit laconnaissance emerge du traitement des donnees [...] Le traitement de donneeset la gestion de connaissances representent ainsi le quatrieme pilier de lascience apres la theorie, l’experimentation et la simulation. L’extraction deconnaissances a partir de grands volumes de donnees (en particulier quand lenombre de donnees est bien plus grand que la taille de l’echantillon) ,l’apprentissage statistique, l’agregation de donnees heterogenes, la visualisation etla navigation dans de grands espaces de donnees et de connaissances sont autantd’instruments qui permettent d’observer des phenomenes, de valider deshypotheses, d’elaborer de nouveaux modeles ou de prendre des decisions ensituation critique”
Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 31 / 37
Plan du cours
1 L’UE 3I026
2 Le monde de l’IA....
3 Le monde du Big Data....
4 L’IA au service de la data science
IA et Data Science
Voila ce que ca donne (avant)
Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 33 / 37
IA et Data Science
Voila ce que ca donne (apres)
Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 34 / 37
IA et Data Science
Et ca aussi
Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 35 / 37
IA et Data Science
Qu’est-ce que l’IA et la DS partagent
Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 36 / 37
IA et Data Science
Qu’est-ce que l’IA et la DS partagent
Un ensemble de modeles (predictifs) de l’apprentissageI SVM, Reseaux de neurones (Deep), Modeles bayesiens, arbres de
decisions (flous), forets, processus gaussiens, bandits, ....
Une ”demarche” (scientifique)I Voir cours 2
Des applications ”classiques”I Analyse de texte, analyse d’images, de paroles, ...
Des formations ! !
Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 37 / 37
IA et Data Science
Qu’est-ce que l’IA et la DS ne partagent pas
Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 38 / 37
IA et Data Science
Qu’est-ce que l’IA et la DS ne partagent pas
L’objectif
Les salaires
Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 39 / 37
Panorama des domaines
Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 40 / 37
Objectifs de l’UE
L’enjeu des data sciences et l’apprentissage automatique
C’est quoi une donnee ?I donnees incompletes, donnees numeriques, donnees qualitativesI CR 0 : Les outils de la data Science
Apprentissage non superviseI ClusteringI Clustering FlouI Visualisation de donneesI CR 1 : Analyse de donnees urbaines (Paris)
Apprentissage supervise (introduction)I Modeles statistiques (reseaux de neurones)I Modeles symboliques (arbres et forets)I CR 2 : Prediction de mobilite (Paris)
Resolution de problemesI Algorithmes de planificationI CR 3 : Planification de mobilite (Paris)
Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 41 / 37
Quelques livres conseilles sur l’intelligence artificielle
Elements de baseI “Intelligence Artificielle : resolution de problemes par l’homme et la machine”, J.L.
Lauriere, 1987I “Intelligence Artificielle”, P. Winston, 1988I “Principes d’intelligence artificielle”, N. Nilsson, 1988
I “Artificial intelligence, a modern approach”, S. Russel & P. Norvig, 1995
Livres plus generaux (format poche)I “L’intelligence artificielle”, J.-P. Haton & M.-C. Haton, 1993 (Que-sais-je ?)I “Les sciences de l’artificiel”, , H. Simon, 1996 (Folio essais)I “A la recherche de l’intelligence artificielle”, D. Crevier, 1999 (Champs Flamm.)I “La machine de Turing”, A. Turing (& J.-P. Girard), ed. 1999 (Points Sciences)
I “L’intelligence artificielle”, J.-G. Ganascia, 2007 (Le cavalier bleu)
Pour aller plus loin...I “Godel, Escher, Bach : Les Brins d’une Guirlande Eternelle”, D. Hofstadter, 1979I “Metaconnaissance : futur de l’intelligence artificielle”, J. Pitrat, 1990
I “De la machine a l’intelligence artificielle”, J. Pitrat, 1995
Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 42 / 37