Differences

This shows you the differences between two versions of the page.

--- compte-rendu-etat-art-these [2026/01/01 23:01]
66.118.142.156 old revision restored (2025/11/28 07:58)
+++ compte-rendu-etat-art-these [2026/01/10 12:38] (current)
66.249.70.200 old revision restored (2025/08/31 01:45)
@@ Line 1: / Line 1: @@
 ===== Compte-rendu de l'état de l'art de la thèse de S. Mazac =====
+==Types d’apprentissage artificiel==
+   * Mémorisation par cœur (rote learning) : implémentation directe du savoir et des compétences, pas d’évolution.
+   * Apprendre par instruction : transformation du savoir en représentation interne pour intégration au savoir préexistant.
+   * Apprendre par l’exemple et par entrainement : à partir d’exemples positifs ou négatifs et expérience pratique.
+   * Par analogie : extension d’un savoir d’un problème résolu vers un problème non résolu.
+   * Par découverte : faire des observations, des expériences. Construire et tester des hypothèses et théories.
+==Caractéristiques de l’apprentissage pour les systèmes artificiels==
+   * Apprentissage hors ligne (offline): la période d’apprentissage est préalable et indépendante à l’éxécution du programme.
+   * Apprentissage en ligne (online): le programme apprend au cours de son activité.
+   * Apprentissage par lots (batch learning): technique intermédiaire (des phases d’apprentissages offline à intervalle de temps régulier durant l’activité).
+====Principaux types d’apprentissage====
+===Apprentissage supervisé===
+le feedback spécifie exactement l’activité désirée de l’apprenant. L’objectif de l’apprentissage est de s’y conformer le plus possible.
+Permet l'apprentissage de concepts ciblés.
+Exemple : Réseaux de neurones et reconnaissance d'images
+===Apprentissage non supervisé===
+Pas de feedback explicite. L’objectif est de trouver les activités utiles et désirées sur la base du tâtonnement.
+Recherche de points commun dans les données contextuellement à l'objectif fixé. Souvent basé sur le sstatistiques.
+Exemple : ?
+===Apprentissage par récompense===
+le feedback spécifie seulement l’utilité du comportement  par  une  valeur,  l’objectif  étant  de  la  maximiser.
+==Apprentissage par récompense (renforcement)==
+Apprend un comportement par tatonnement. Recoit en entrée une perception, genère une action puis la valeur de cette action lui est passé.
+Exemple : TPs Mif24 bras qui avance / robot qui sort du labyrinthe.
+==Apprentissage par récompense (Stochastique)==
+Evaluer, selectionner, faire muter et recomencer juqu'à avoir une solution.
+Exemple : Algo génétique
+====L’apprentissage dans le cadre de l’AmI====
+===Les techniques de classification===
+Efficace pour apprendre un concept ciblé dans un environnement maîtrisé.
+Pas de capacité d'abstraction -> pas utilisable pour un agent autonome.
+Exemple : Algorithme d'apprentissage supervisé basé sur des arbres de décisions
+===L’apprentissage par renforcement===
+Difficilement utilisable pour l'AmI, car :
+   -discrétisation du temps est faite de manière arbitraire
+   -compliqué d'interpréter le feedback venant de l'utilisateur.
+Bilan : Besoin d'une approche plus globale ne se limitant pas à mettre en place des solutions pour des sous problèmes indépendants.
+===Exemple d’une approche globale===
+Triplet de capteurs (O, M, C) [Objet, Mouvement, Contextuel],
+Représentations définies sur un triplet (E, C, A) [Evenement, Condition, Action],

DokuWiki

Site Tools

Differences

Page Tools