Apprentissage automatiqueL'apprentissage automatique (en anglais : machine learning, « apprentissage machine »), apprentissage artificiel ou apprentissage statistique est un champ d'étude de l'intelligence artificielle qui se fonde sur des approches mathématiques et statistiques pour donner aux ordinateurs la capacité d'« apprendre » à partir de données, c'est-à-dire d'améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune. Plus largement, il concerne la conception, l'analyse, l'optimisation, le développement et l'implémentation de telles méthodes.
ApprentissageL’apprentissage est un ensemble de mécanismes menant à l'acquisition de savoir-faire, de savoirs ou de connaissances. L'acteur de l'apprentissage est appelé apprenant. On peut opposer l'apprentissage à l'enseignement dont le but est de dispenser des connaissances et savoirs, l'acteur de l'enseignement étant l'enseignant.
Experiential learningExperiential learning (ExL) is the process of learning through experience, and is more narrowly defined as "learning through reflection on doing". Hands-on learning can be a form of experiential learning, but does not necessarily involve students reflecting on their product. Experiential learning is distinct from rote or didactic learning, in which the learner plays a comparatively passive role. It is related to, but not synonymous with, other forms of active learning such as action learning, adventure learning, free-choice learning, cooperative learning, service-learning, and situated learning.
Apprentissage par renforcementEn intelligence artificielle, plus précisément en apprentissage automatique, l'apprentissage par renforcement consiste, pour un agent autonome ( robot, agent conversationnel, personnage dans un jeu vidéo), à apprendre les actions à prendre, à partir d'expériences, de façon à optimiser une récompense quantitative au cours du temps. L'agent est plongé au sein d'un environnement et prend ses décisions en fonction de son état courant. En retour, l'environnement procure à l'agent une récompense, qui peut être positive ou négative.
Système nerveux autonomeLe système nerveux autonome aussi appelé système nerveux végétatif est la partie du système nerveux périphérique responsable des fonctions non soumises au contrôle volontaire. Il contrôle notamment les muscles lisses (digestion, vascularisation...), les muscles cardiaques, la majorité des glandes exocrines (digestion, sudation...) et certaines glandes endocrines. Le système nerveux autonome contient des neurones périphériques mais aussi centraux.
Observational learningObservational learning is learning that occurs through observing the behavior of others. It is a form of social learning which takes various forms, based on various processes. In humans, this form of learning seems to not need reinforcement to occur, but instead, requires a social model such as a parent, sibling, friend, or teacher with surroundings. Particularly in childhood, a model is someone of authority or higher status in an environment.
Styles d'apprentissageLes styles d’apprentissage constituent une gamme de théories concurrentes et contestées qui, à partir d’un concept commun selon lequel les apprenants diffèreraient dans la façon d’acquérir leur connaissances, vise à tenir compte desdites différences d’acquisition supposées chez les apprenants. Bien que ces diverses théories divergent dans leurs vues sur la façon dont lesdits styles doivent être définis et classés, ces théories suggèrent que tous les apprenants pourraient être étiquetés en fonction d’un « style » d’apprentissage particulier comme « visuel », « auditif », « kinesthésique », « tactile », etc.
Système nerveux somatiqueLe système nerveux somatique est la partie du système nerveux périphérique qui commande les mouvements et la position du corps et permet de percevoir par la peau diverses sensations (toucher, chaleur, douleur) et de découvrir par les autres organes des sens le milieu environnant (vision, audition, olfaction). Il est constitué de neurones sensitifs et de neurones moteurs.
Algorithme d'apprentissage incrémentalEn informatique, un algorithme d'apprentissage incrémental ou incrémentiel est un algorithme d'apprentissage qui a la particularité d'être online, c'est-à-dire qui apprend à partir de données reçues au fur et à mesure du temps. À chaque incrément il reçoit des données d'entrées et un résultat, l'algorithme calcule alors une amélioration du calcul fait pour prédire le résultat à partir des données d'entrées.
Système nerveux périphériquethumb|upright=1.3|Schéma du système nerveux avec le système nerveux périphérique en bleu et le système nerveux central en rouge. Le système nerveux périphérique (SNP) est la partie du système nerveux formée des ganglions et des nerfs à l'extérieur du cerveau et de la moelle épinière. Sa fonction principale est de faire circuler l'information entre les organes et le système nerveux central (SNC). À l'inverse du SNC, le SNP n'est pas protégé par les os du crane et de la colonne ; il n'est pas non plus recouvert par la barrière hémato-encéphalique qui assure l'isolation du SNC.
Système de classeursUn système de classeurs (Learning Classifier System ou LCS en anglais) est un système d'apprentissage automatique utilisant l'apprentissage par renforcement et les algorithmes génétiques. Ils ont été introduits par Holland en 1977 et développé par Goldberg en 1989 Un système de classeurs (aussi appelé classifiers) est composé d'une base de règles, appelée classeur, associés à un poids. Chaque règle est composée d'une partie condition et d'une partie action. Le classeur commence par être initialisé (aléatoirement ou non).
Système nerveuxthumb|Le système nerveux humain. Le système nerveux (ou système neuronal) est un système biologique animal responsable de la coordination des actions avec l'environnement extérieur et de la communication rapide entre les différentes parties du corps. Les êtres vivants dotés d'un système nerveux sont nommés eumétazoaires. Il exerce un contrôle sur l'ensemble du corps qui se traduit par des actes volontaires ou involontaires, et des sensations qui sont conscientes ou inconscientes.
Apprentissage superviséL'apprentissage supervisé (supervised learning en anglais) est une tâche d'apprentissage automatique consistant à apprendre une fonction de prédiction à partir d'exemples annotés, au contraire de l'apprentissage non supervisé. On distingue les problèmes de régression des problèmes de classement. Ainsi, on considère que les problèmes de prédiction d'une variable quantitative sont des problèmes de régression tandis que les problèmes de prédiction d'une variable qualitative sont des problèmes de classification.
Système nerveux sympathiqueLe système nerveux sympathique ou système nerveux orthosympathique ou adrénergique, est une des trois parties du système nerveux autonome. Les deux autres parties sont le système nerveux entérique et le système nerveux parasympathique, ce dernier déclenchant (la plupart du temps) des réponses antagonistes au système nerveux sympathique. Il est responsable du contrôle d'un grand nombre d'activités automatiques de l'organisme, telles que le rythme cardiaque ou la contraction des muscles lisses.
Système nerveux parasympathiqueLe système nerveux parasympathique ou système vagal ou encore appelé parasympathique est une des trois divisions du système nerveux autonome (SNA) ou viscéral, avec le système nerveux orthosympathique et le système nerveux entérique. Le SNA régule les fonctions corporelles qui ne sont pas sous le contrôle volontaire de l'individu. Le parasympathique, quant à lui, travaille en opposition au système nerveux (ortho)sympathique. Ce dernier activant le corps en réponse à des stimuli stressants.
Apprentissage profondL'apprentissage profond ou apprentissage en profondeur (en anglais : deep learning, deep structured learning, hierarchical learning) est un sous-domaine de l’intelligence artificielle qui utilise des réseaux neuronaux pour résoudre des tâches complexes grâce à des architectures articulées de différentes transformations non linéaires. Ces techniques ont permis des progrès importants et rapides dans les domaines de l'analyse du signal sonore ou visuel et notamment de la reconnaissance faciale, de la reconnaissance vocale, de la vision par ordinateur, du traitement automatisé du langage.
Système nerveux central250px|Le système nerveux central Central nervous system.svg Le système nerveux central (ou névraxe) - parfois désigné par son abréviation, SNC - est la partie du système nerveux comprenant l'encéphale et la moelle spinale. Le système nerveux central est ainsi nommé parce qu'il contient la majeure partie du système nerveux, mais aussi et surtout parce qu'il intègre les informations qu'il reçoit et coordonne ces signaux centraux pour influer sur l'activité de toutes les parties du corps des animaux bilatéralement symétriques (ou Bilateria ; ce sont tous les animaux multicellulaires, sauf les éponges et les animaux à symétrie radiale (ou radiata) tels que les méduses).
Apprentissage de représentationsEn apprentissage automatique, l'apprentissage des caractéristiques ou apprentissage des représentations est un ensemble de techniques qui permet à un système de découvrir automatiquement les représentations nécessaires à la détection ou à la classification des caractéristiques à partir de données brutes. Cela remplace l'ingénierie manuelle des fonctionnalités et permet à une machine d'apprendre les fonctionnalités et de les utiliser pour effectuer une tâche spécifique.
Machineright|thumb|Machine à rouler les cigarettes de James Albert Bonsack (1880) Une machine est un produit fini mécanique capable d'utiliser une source d'énergie communément disponible pour effectuer par elle-même, sous la conduite ou non d'un opérateur, une ou plusieurs tâches spécifiques, en exerçant un travail mécanique sur un outil, la charge à déplacer ou la matière à façonner. Une machine peut être fixe (machine-outil, machine à laver, etc.) ou mobile (locomotive, tondeuse à gazon, machine à écrire, etc.).
Intelligence artificielle distribuéeL'Intelligence Artificielle Distribuée (IAD) est une branche de l'Intelligence artificielle. On distinguera : le principe d'adapter les approches de l'Intelligence Artificielle classique sur une architecture distribuée (par exemple avec une parallélisation des programmes) les approches où l'Intelligence Artificielle est conceptuellement répartie sur un certain nombre d'entités (réseaux de neurones artificiels, systèmes multi-agents) de façon similaire à une Intelligence distribuée.
