por Denjean Raphael 2 anos atrás
192
Mais informações
L'apprentissage par essai/erreur consiste à faire interagir un algorithme avec un environnement. L'objectif de l'algorithme est de trouver la solution optimale à un problème donné en faisant plusieurs essaies. Ces essaies peuvent être concluant ou être une erreur. L'algorithme réagit en conséquent, il est auto-adaptatif : apprentissage constant. Il ne peut donc pas prédire quoi que ce soit, il essaye.
exemple : J'ai acheté un bâtiment et avec mon équipe, on souhaite avoir 3 salles de réunion, chacune d’une certaine dimension, avec un certain nombre de fenêtres, et idéalement à proximité les unes des autres. On va ici définir tous les paramètres nécessaires et les contraintes. Ensuite, l’algorithme va chercher le plan idéal par tâtonnements.
L'apprentissage non supervisé consiste à donner des images en entrée et de demander à l'IA de distinguer dans des groupes différents les images. On ne sait pas à l'avance ce que l'IA va donner en sortie. Il suffit ensuite à l'homme de nommer les différents groupent déterminer par l'IA. Cette méthode d'entrainement demande beaucoup d'exercice et le perfectionnement d'une IA peut s'avérer très longue
Par exemple, on pourrait aboutir aux 3 types de zones géographiques : les zones résidentielles, étudiantes ou commerciales.
L'apprentissage supervisé consiste à donner une image en entrée et dire ce que c'est en sorti de tel sorte que l'IA ajuste ses paramètres interne pour rapprocher sa sortie de la sortie désirée par l'homme. Après des millions d'entrainements l'IA est capable de distinguer toutes les images vues en entrainement mais également celle que l'IA n'a jamais vu. C'est la capacité de généralisation.
Exemple: On fournit de nombreux exemples de ventes de maisons à l'IA, en lui donnant les caractéristiques de chaque maison ainsi que son prix de vente. Après des millions d'exemple, l'IA détermine le prix d'une maison qu'il n'a jamais vu sans problème