Apprentissage automatique

Séance 1

Bruno Bouzy

bruno.bouzy@parisdescartes.fr

www.mi.parisdescartes.fr/~bouzy
 Objectif
• Apercu de l'apprentissage automatique (AA)

• Techniques fondamentales et représentatives

• Problématiques:
– Classification oui surtout
– Optimisation oui un peu

– Prediction oui un peu

– Décision d'un (des) agent(s) situé(s) dans environnement: non (M2)

Apprentissage automatique
 Techniques abordées
• Apprentissage symbolique
• Réseaux bayésiens
• Réseaux de neurones
• Machine a vecteurs support
• Arbres de décision
• Bagging Boosting
• Méthodes des différences temporelles
• Evolution artificielle
• Algorithmes « bandit »
Apprentissage automatique
 Techniques représentatives
• « Machine Learning » top-cited papers (2011):
– Quinlan 1986, induction of decision trees (~3000)
– Cortes & vapnik 1995, support vector networks (~2000)
– Sutton 1988, learning to predict by methods of temporal
differences
– Breiman 2001, random forests (bagging) (~1000)
– Aha 1991, instance-based learning algorithms
– Cooper Herskovits 1992, a bayesian method for the induction of
probabilistic networks from data (~900)
– Shapire 1999, improved boosting algo... (~800)
– etc.

Apprentissage automatique
 Techniques fondamentales
• Mise a niveau
– Approximation polynomiale
– Descente de gradient
– Probabilités
• Réseaux de neurones
– Perceptron
• Evolution artificielle
• Apprentissage symbolique
– Induction dans l'espace des versions
Apprentissage automatique
 Guide du cours
Probabilités Réseaux bayésiens

Approximation polynomiale
SVN

Descente de gradient Réseaux de neurones

Arbres de décision Bagging boosting

Apprentissage symbolique

Evolution artificielle
Différences temporelles
Algorithmes « bandit »
Apprentissage automatique
 Apprentissage symbolique

Probabilités Réseaux bayésiens

Approximation polynomiale
SVN

Descente de gradient Réseaux de neurones

Arbres de décision Bagging boosting

Apprentissage symbolique

Evolution artificielle
Différences temporelles
Algorithmes « bandit »
Apprentissage automatique
 Apprentissage numérique
Probabilités Réseaux bayésiens

Approximation polynomiale
SVN

Descente de gradient Réseaux de neurones

Arbres de décision Bagging boosting

Apprentissage symbolique

Evolution artificielle
Différences temporelles
Algorithmes « bandit »
Apprentissage automatique
 Classification
Probabilités Réseaux bayésiens

Approximation polynomiale
SVN

Descente de gradient Réseaux de neurones

Arbres de décision Bagging boosting

Apprentissage symbolique

Evolution artificielle
Différences temporelles
Algorithmes « bandit »
Apprentissage automatique
 Prediction
Probabilités Réseaux bayésiens

Approximation polynomiale
SVN

Descente de gradient Réseaux de neurones

Arbres de décision Bagging boosting

Apprentissage symbolique

Evolution artificielle
Différences temporelles
Algorithmes « bandit »
Apprentissage automatique
 Optimisation
Probabilités Réseaux bayésiens

Approximation polynomiale
SVN

Descente de gradient Réseaux de neurones

Arbres de décision Bagging boosting

Apprentissage symbolique

Evolution artificielle
Différences temporelles
Algorithmes « bandit »
Apprentissage automatique
 Apprentissage supervisé
Probabilités Réseaux bayésiens

Approximation polynomiale
SVN

Descente de gradient Réseaux de neurones

Arbres de décision Bagging boosting

Apprentissage symbolique

Evolution artificielle
Différences temporelles
Algorithmes « bandit »
Apprentissage automatique
 Apprentissage supervisé ou non ?

• Supervisé
– Un oracle classe les exemples
– L'apprenant apprend à classer comme l'oracle

• Non supervisé
– L'apprenant apprend par lui-même
à classer
à décider d'une action
Apprentissage automatique
 Induction
• Langage courant:
– Expliquer
– Prédire, classifier
– Faire simple

• Jargon de l'apprentissage automatique:

– Engendrer des hypothèses
– ...plus ou moins simples
– ...pour classifier, expliquer, décider
Apprentissage automatique
 Induction

x1, x2, ..., xm

Environnement
X
(Distrib. de proba DX) Oracle

Sm= (x1,u1), (x2,u2), ..., (xm,um)

Apprenant: h(x,α)
x1, x2, ..., xm y1, y2, ..., ym

Apprentissage automatique
 Induction
• Exemples non classifiés
– x1, x2, ..., xm.
• 1 oracle classifie les exemples
– (x1, u1), (x2, u2), ..., (xm, um).
• L'apprenant apprend (phase d'apprentissage)
– En recherchant une hypothèse h( . , α)
permettant de classifier au mieux les exemples
• L'apprenant classifie (phase de test)
– les exemples nouveaux en utilisant l' hypothèse
apprise Apprentissage automatique
 Les espaces et ensembles
• X: espace des exemples x
• H: espace des hypothèses h
• F: espace des fonctions cibles f
• S: échantillon (sample)
• S+: ensemble des exemples positifs
• S-: ensemble des exemples négatifs S = S+ + S-
• A: ensemble d'apprentissage
• T: ensemble de test S = A + T

Apprentissage automatique
 Biais et variance
• Apprentissage d'une hypothèse h dans H.
• h* : hypothèse optimale dans H.
• h – h* : « variance » ou « erreur d'estimation ».
• Exemples classifiés idéalement avec une
fonction cible optimale f* dans F ≠ H.
• h* - f* : « biais » ou « erreur d'approximation ».
• h – f* : erreur totale.

Apprentissage automatique
 Compromis biais-variance
• Erreur totale =
– erreur d'estimation + erreur d'approximation
– variance + biais
• Plus H est complexe...
– plus H se rapproche de F, plus le biais diminue.
– plus 2 hypothèses donnent des résultats
différents, plus la variance augmente.
• H de complexité intermédiaire pour minimiser
l'erreur totale
Apprentissage automatique
 Compromis biais-variance

erreur Erreur totale

Erreur d'approximation

Erreur d'estimation

Complexité de H

Apprentissage automatique
 Compromis biais-variance
• Reconnaitre les hommes et les femmes...
– Modèle simple: la taille pour classifier
• Les hommes sont plus grands que les femmes.
• biais important: hommes petits et femmes
grandes (erreur d'approximation)
• variance faible: seuil de taille précisément calculé
– Modèle plus complexe: taille, longueur
cheveux, poids, timbre de la voix, pilosité.
• biais moins important,
• variance plus importante.

Apprentissage automatique
 Induction
• Environnement X:
Engendre des exemples xi tirés indépendamment suivant une
distribution DX.
• Oracle:
Pour chaque xi, fournit une étiquette ui dans U (avec une distribution
de probabilité F(u|x) inconnue)
• Apprenant:
Construit une hypothèse h dans H telle que:
h(xi)= ui pour chaque xi.

Apprentissage automatique
 Induction

• Perte (loss) de décider sur xi avec h:

L(ui,h(xi)) coût de la décision h(xi).
• Risque réel d'une hypothèse h:
Rréel(h) = ∫X x U L(ui,h(xi)) dF(x,u)
• Principe inductif: minimiser Rréel(h)
• Problème: F est inconnue, Rréel inconnu
• h* = argminh(Rréel(h))
Apprentissage automatique
 Induction

• Risque empirique d'une hypothèse h sur un

échantillon S:
Remp(h,S) = 1/m∑i=1,m L(ui,h(xi))
Perte moyenne mesurée sur l'échantillon S
• Minimiser Remp(h,S).
• Empirical Risk Minimization (ERM)
• h^S = argminh(Remp(h,S))
Apprentissage automatique
 Risque empirique et risque réel
Rréel(h) inconnu, f* inconnu, Remp(h,Sm) connu
(0) Rréel(f*)=0 (par définition)

(1) Rréel(h*)>0 (biais) (par définition)

(2) Rreel(h*) < Rreel(h^S) (par définition)

(3) Remp(h^S) < Remp(h*)

(4) Remp(h^S) augmente si m->∞ (plus S grand, plus difficile de minimiser)
(5) Rreel(h^S) diminue si m->∞ (plus S grand, plus monde réel couvert)

(6) limm->∞(Remp(h^S)) < Rréel(h*) < limm->∞(Rreel(h^S)) ? (oui si pertinence)

Apprentissage automatique
 Risque empirique et risque réel
Risque

Rreel(h^S)

Rreel(h*)

Remp(h^S)

Apprentissage automatique
 Références

– [1] Antoine Cornuéjols & Laurent Miclet,

« Apprentissage artificiel, concepts et
algorithmes », (préface de Tom Mitchell),
Eyrolles.

– [2] Stuart Russell & Peter Norvig, « Artificial

Intelligence: a modern approach ».

– [3] Machine Learning.

Apprentissage automatique