Les fondements du machine learning

Comprendre les besoins

TESTEZ LINKEDIN LEARNING GRATUITEMENT ET SANS ENGAGEMENT

Tester maintenant Afficher tous les abonnements
Votre formateur vous donne quelques exemples liés à l'émergence du machine learning et en définit sa finalité.
04:03

Transcription

Il est peut-être utile de définir pourquoi est-ce que le machine learning existe et pour quels besoins est-il développé. Alors se poser la question des besoins du machine learning équivaut en réalité à se poser plusieurs questions, bien évidemment, qui montrent que nous n'avons entre autres pas attendu l'apparition d'Internet et que les médias en parlent en Europe pour en faire usage. Par exemple, comment sont autoguidés les missiles longue portée ? Vous vous doutez peut-être d'ailleurs que c'est l'armée qui a fait usage en premier du machine learning avec l'aérospatial et l'avionique. Donc aussi comment les fusées s'autocorrigent au niveau de leur trajectoire lors des phases critiques de mise en orbite, par exemple des projets Apollo, mais on peut également parler de SpaceX au niveau de l'atterrissage des fusées que l'on voit maintenant depuis quelques mois. Le fait de stabiliser la fusée qui atterrit nécessite aussi une forme d'algorithme de type machine learning. Ensuite, comment les sondes interplanétaires adaptent leur trajectoire pendant les années ou les dizaines d'années où elles sont en navigation automatique, parce qu'effectivement, certaines sondes prennent plus de dix ans avant d'arriver à leurs objectifs. Elles doivent utiliser des algorithmes qui permettent de s'autoguider sans l'action de l'être humain. Comment les astronomes et astrophysiciens extraient des données intéressantes de la masse énorme de données récoltées par leurs différents télescopes ? Oui, les télescopes, maintenant, ce qu'il faut que vous sachiez, la plupart du temps, les gens ne mettent plus aujourd'hui, du moins à un niveau professionnel, l’œil dans la lunette du télescope parce que le traitement de données serait trop lent et en plus l’œil humain est trop limité au niveau du spectre électromagnétique. Les données sont souvent acquises et il y a un bon nombre d'astrophysiciens à notre époque et d'astronomes qui n'ont jamais vu des étoiles à travers la lunette d'un télescope, ils sont derrière des ordinateurs et ils programment en fait le traitement automatique des images acquises qui se comptent souvent en dizaines de milliers, voire en millions par jour. On a également le cas de la physique des particules et des accélérateurs, par exemple le CERN, donc le Centre européen de la recherche nucléaire, eh bien qui génère une masse énorme de données qu'il s'agit de traiter avec aussi des algorithmes typiquement de machine learning, mais pas que. On a aussi dans le domaine de la finance la manière dont sont identifiés et calculés les mauvais risques et tout l'automatisme des marchés financiers. Effectivement, vous devez savoir que dans certains domaines de la finance des marchés, eh bien on a à notre époque plus de 70 % du volume total de la finance mondiale gérée par des algorithmes d'ailleurs qui performent statistiquement mieux que les humains et ces algorithmes ne cessent de progresser. Il y a régulièrement dans les journaux spécialisés en finance des articles sur des algorithmes qui ont performé mieux que des humains dans des domaines récents. Évidemment, ça suscite certaines inquiétudes au niveau de l'emploi et certains intérêts également de gestion de fortune et de grandes banques. Tous ces petits exemples qui constituent bien évidemment une liste non exhaustive parce que ça, c'est ce qui existait il y a déjà presque une vingtaine, voire une trentaine, voire une quarantaine d'années pour certains cas, montrent bien que le machine learning existe donc depuis longtemps. Après, les besoins du machine learning peuvent se résumer, si je peux dire entre guillemets, en une seule ligne qui est la suivante, c'est que le but, c'est de remplacer l'humain dans toutes les tâches opérationnelles, organisationnelles, analytiques, décisionnelles et créatives. La question, c'est pas de savoir si cela va arriver, mais de savoir quand cela arrivera.

Les fondements du machine learning

Acquérez les bases du vocabulaire lié au machine learning. Découvrez les outils fondamentaux avec les idées, applications et concepts mathématiques sous-jacents à chacun.

3h04 (33 vidéos)
Aucun commentaire n´est disponible actuellement
Spécial abonnés
Date de parution :21 déc. 2017

Votre formation est disponible en ligne avec option de téléchargement. Bonne nouvelle : vous ne devez pas choisir entre les deux. Dès que vous achetez une formation, vous disposez des deux options de consultation !

Le téléchargement vous permet de consulter la formation hors ligne et offre une interface plus conviviale. Si vous travaillez sur différents ordinateurs ou que vous ne voulez pas regarder la formation en une seule fois, connectez-vous sur cette page pour consulter en ligne les vidéos de la formation. Nous vous souhaitons un excellent apprentissage avec cette formation vidéo.

N'hésitez pas à nous contacter si vous avez des questions !