AI, graphs and neural networks · IA, graphes et réseaux neuronaux
| English | Français |
|---|---|
| machine learning/məˈʃiːn ˈlɜːnɪŋ/ | apprentissage automatique |
| deep learning/diːp ˈlɜːnɪŋ/ | apprentissage profond |
| graph/ɡræf/ | graphe |
| neural networks/ˈnjuːrəl ˈnetwɜːks/ | réseaux de neurones |
| nodes/nəʊdz/ | nœuds |
| edges/ˈedʒɪz/ | bords |
| minimax/ˈmɪnɪmæks/ | minimax |
| weight/weɪt/ | poids |
| activation function/ˌæktɪˈveɪʃn ˈfʌŋkʃn/ | fonction d'activation |
| hidden layers/ˈhɪdn ˈleɪəz/ | couches cachées |
The program that learned to see without being told what to look for
- In 2012 a team entered an image-recognition competition with a program that had never been given a single rule about what a cat looks like. It had been shown a million labelled photographs, and it worked out the rules itself.
- It halved the error rate of every hand-programmed entry. Within three years the entire field had abandoned writing rules.
- That reversal is the subject of this topic: not "how do we tell a computer what a cat is", but "how does a computer work that out from examples".
- This lesson is what machine learning 机器学习 and deep learning 深度学习 mean, how a graph 图 turns AI problems into search, and what an artificial neural network actually computes.
Le programme qui a appris à voir sans qu'on lui dise quoi chercher
- En 2012, une équipe a participé à un concours de reconnaissance d'images avec un programme auquel on n'avait jamais donné une seule règle sur l'apparence d'un chat. On lui avait montré un million de photographies étiquetées, et il en avait déduit les règles lui-même.
- Il a divisé par deux le taux d'erreur de chaque entrée programmée à la main. En trois ans, l'ensemble du domaine avait abandonné l'écriture de règles.
- Ce renversement est le sujet de cette leçon : non « comment dit-on à un ordinateur ce qu'est un chat », mais « comment un ordinateur y parvient-il à partir d'exemples ».
- Cette leçon explique ce que signifient machine learning 机器学习 et deep learning 深度学习, comment un graph 图 transforme les problèmes d'IA en recherche, et ce qu'un réseau neuronal artificiel calcule réellement.
AI, machine learning and deep learning
- Artificial intelligence is the broad goal: systems performing tasks that normally need human intelligence, such as vision, speech, translation and driving.
- Machine learning is the approach that dominates it: algorithms that learn patterns from data rather than being programmed step by step.
- Deep learning is machine learning using neural networks 神经网络 with many layers. It has led the field since the 2010s because it learns straight from raw data, pixels or audio or text, with no hand-designed features.
- They nest: deep learning is part of machine learning, which is part of AI.
Three circles, not three rivals
IA, machine learning et deep learning
- Artificial intelligence (intelligence artificielle) est l'objectif large : des systèmes réalisant des tâches nécessitant normalement l'intelligence humaine, comme la vision, la parole, la traduction et la conduite.
- Machine learning (apprentissage automatique) est l'approche qui domine : des algorithmes qui apprennent des modèles à partir de données plutôt que d'être programmés étape par étape.
- Deep learning (apprentissage profond) est du machine learning utilisant des réseaux neuronaux 神经网络 à plusieurs couches. Il domine le domaine depuis les années 2010 car il apprend directement à partir de données brutes, de pixels, d'audio ou de texte, sans caractéristiques conçues manuellement.
- Ils sont imbriqués : le deep learning fait partie du machine learning, qui fait partie de l'IA.
Trois cercles, pas trois rivaux
Machine learning means an algorithm that: · L'apprentissage automatique signifie un algorithme qui :
ML learns from data; deep learning is ML using multi-layer neural networks. · L'ML apprend à partir de données ; le deep learning est un ML utilisant des réseaux neuronaux multicouches.
How do AI, machine learning and deep learning relate? · Comment l'IA, l'apprentissage automatique et le deep learning sont-ils liés ?
AI is the goal, machine learning is the dominant approach to it, and deep learning is machine learning with many-layered networks. · L'IA est l'objectif, l'apprentissage automatique est l'approche dominante pour y parvenir, et le deep learning est l'apprentissage automatique avec des réseaux à multiples couches.
Graphs, and why so much AI is search
- A graph is a set of nodes 节点 joined by edges 边. Nodes are states, places or concepts; edges are moves, roads or relationships.
- Pathfinding: a road network is a graph, and finding a route is a graph search, using Dijkstra's algorithm or A*.
- Game playing: every board position is a node and every legal move an edge, so the game is a tree that minimax 极小化极大 searches, assuming each player takes their best option.
- Knowledge representation: a semantic network holds concepts as nodes and relationships as edges. Breadth-first and depth-first search are the standard tools for exploring any of these.
Graphes, et pourquoi tant d'IA est une recherche
- Un graphe est un ensemble de nœuds 节点 reliés par des arêtes 边. Les nœuds sont des états, des lieux ou des concepts ; les arêtes sont des mouvements, des routes ou des relations.
- Recherche de chemin : un réseau routier est un graphe, et trouver un itinéraire est une recherche dans un graphe, utilisant l'algorithme de Dijkstra ou A*.
- Jeu : chaque position au plateau est un nœud et chaque coup légal une arête, donc le jeu est un arbre que minimax 极小化极大 cherche, en supposant que chaque joueur prend sa meilleure option.
- Représentation des connaissances : un réseau sémantique stocke les concepts comme des nœuds et les relations comme des arêtes. La recherche largeur et profondeur sont les outils standards pour explorer tout cela.
In AI, a graph consists of: · Dans l'IA, un graphe consiste en :
Graphs model states/places as nodes and moves/relationships as edges — used for pathfinding, game trees and knowledge. · Les graphes modélisent les états/emplacements comme des nœuds et les mouvements/relations comme des arêtes — utilisés pour la recherche de chemin, les arbres de jeu et les connaissances.
Worked example: model a problem as a graph
- A delivery company wants the shortest route between two towns. Describe how this is represented as a graph.
- Each town is a node; each road is an edge joining two nodes; the edge carries a weight, the distance or the travel time.
- The problem is then "find the path between the two nodes with the smallest total weight", which Dijkstra's algorithm solves.
- Say what the nodes are, what the edges are, and what the weights mean. An answer that only says "it is a graph" earns nothing.
Exemple résolu : modéliser un problème sous forme de graphe
- Une entreprise de livraison souhaite trouver l'itinéraire le plus court entre deux villes. Décrivez comment cela est représenté sous forme de graphe.
- Chaque ville est un nœud ; chaque route est une arête reliant deux nœuds ; l'arête porte un poids, la distance ou le temps de trajet.
- Le problème devient alors « trouver le chemin entre les deux nœuds ayant le poids total le plus faible », ce que l'algorithme de Dijkstra résout.
- Dites quels sont les nœuds, quels sont les arêtes, et ce que signifient les poids. Une réponse disant uniquement « c'est un graphe » ne rapporte aucun point.
A road network is modelled as a graph to find the shortest route. Which statements are correct? Select all · tout that apply. · Un réseau routier est modélisé comme un graphe pour trouver le trajet le plus court. Quelles affirmations sont correctes ? Sélectionnez tous les choix applicables.
Places are nodes and connections are edges. Saying what the weights represent is the third mark. · Les lieux sont des nœuds et les connexions sont des arêtes. Dire ce que représentent les poids est la troisième marque.
The artificial neuron
- An artificial neuron takes several inputs. It multiplies each input by a weight 权重, adds them together with a bias, then passes the total through a non-linear activation function 激活函数 to produce its output.
- The weights are what the network learns. The activation function is what makes the network able to represent something other than a straight line: without it, any number of layers would collapse into a single linear formula.
Multiply, add, then bend
Le neurone artificiel
- Un neurone artificiel prend plusieurs entrées. Il multiplie chaque entrée par un poids 权重, les additionne avec un biais, puis passe le total dans une fonction d'activation non linéaire 激活函数 pour produire sa sortie.
- Les poids sont ce que le réseau apprend. La fonction d'activation est ce qui permet au réseau de représenter autre chose qu'une ligne droite : sans elle, n'importe quel nombre de couches se réduirait à une seule formule linéaire.
Multiplier, ajouter, puis courber
Put the steps inside one artificial neuron in order. · Mettez les étapes à l'intérieur d'un seul neurone artificiel dans l'ordre.
Multiply, sum, activate, pass on. Without the non-linear activation, any depth of network would collapse into one linear formula. · Multiplier, sommer, activer, transmettre. Sans activation non linéaire, n'importe quelle profondeur de réseau se réduirait à une seule formule linéaire.
Layers, and what "deep" means
- Neurons are arranged in layers. The input layer receives the data. One or more hidden layers 隐藏层 learn internal patterns. The output layer produces the answer, a class or a number.
- A network is called deep when it has many hidden layers, and training such a network is deep learning.
- Why the hidden layers matter: in an image network the early ones learn edges, the middle ones shapes, the later ones objects. Nobody designed that hierarchy; it is what training produced.
Input, hidden, output, and the learning is in the weights between them
Couches, et ce que « profond » signifie
- Les neurones sont organisés en couches. La couche d'entrée reçoit les données. Une ou plusieurs couches cachées 隐藏层 apprennent des motifs internes. La couche de sortie produit la réponse, une classe ou un nombre.
- Un réseau est appelé profond lorsqu'il possède beaucoup de couches cachées, et l'entraînement d'un tel réseau est du deep learning.
- Pourquoi les couches cachées comptent : dans un réseau d'image, les premières apprennent les bords, les intermédiaires les formes, les dernières les objets. Personne n'a conçu cette hiérarchie ; c'est ce que l'entraînement a produit.
Entrée, cachée, sortie, et l'apprentissage réside dans les poids entre elles
Tap the parts of a neural network · Touchez les parties d'un réseau neuronal
Explore the layers. Data flows left to right: the input layer takes the features, the hidden layers learn patterns, and the output layer gives the answer — with every connection carrying a weight that training adjusts. · Explorez les couches. Les données circulent de gauche à droite : la couche d'entrée prend les caractéristiques, les couches cachées apprennent des motifs, et la couche de sortie donne la réponse — chaque connexion portant un poids ajusté par l'entraînement.
Match each part of a neural network to its role. · Associez chaque partie d'un réseau neuronal à son rôle.
Features enter the input layer, hidden layers learn patterns, the output layer answers; learning = tuning the weights. · Les caractéristiques entrent dans la couche d'entrée, les couches cachées apprennent des motifs, la couche de sortie répond ; l'apprentissage = ajuster les poids.
A neural network is called "deep" when it has many hidden layers, and each neuron takes a weighted sum of its inputs (plus a bias) before applying an activation function. · Un réseau neuronal est dit « profond » lorsqu'il possède beaucoup de couches cachées, et chaque neurone prend une somme pondérée de ses entrées (plus un biais) avant d'appliquer une fonction d'activation.
Stacking many hidden layers lets the network learn richer patterns — training such a network is deep learning. · Empiler beaucoup de couches cachées permet au réseau d'apprendre des motifs plus riches — entraîner un tel réseau est le deep learning.
A neural network is called "deep" when it has: · Un réseau neuronal est dit « profond » lorsqu'il possède :
Many hidden layers make a deep neural network; training one is deep learning. · Beaucoup de couches cachées font un réseau neuronal profond ; entraîner l'un est le deep learning.
During training, the values adjusted inside a neural network are its ____. · Pendant l'entraînement, les valeurs ajustées à l'intérieur d'un réseau neuronal sont ses ____.
The architecture and the activation function are chosen by the designer; what the network learns is stored in the weights. · L'architecture et la fonction d'activation sont choisies par le concepteur ; ce que le réseau apprend est stocké dans les poids.
Worked example: describe how a neuron computes
- Describe what happens inside a single artificial neuron. [3]
- Each input is multiplied by its own weight, and the products are added together along with a bias.
- The resulting sum is passed through an activation function, which is non-linear.
- The result is the neuron's output, which becomes an input to the neurons in the next layer. The weights and bias are the values adjusted during training.
Exemple résolu : décrire comment un neurone calcule
- Décrivez ce qui se passe à l'intérieur d'un seul neurone artificiel. [3]
- Chaque entrée est multipliée par son propre poids, et les produits sont additionnés avec un biais.
- La somme résultante est passée dans une fonction d'activation, qui est non linéaire.
- Le résultat est la sortie du neurone, qui devient une entrée pour les neurones de la couche suivante. Les poids et le biais sont les valeurs ajustées pendant l'entraînement.
Marks that slip away
- Machine learning learns patterns from data; it is not "programmed step by step" and it is not magic. Say what it learns from.
- "Deep" means many hidden layers, not "very clever" or "very large".
- A graph is nodes and edges, and a graph answer must say what each represents in this problem.
- The weights are what training changes. The activation function and the architecture are chosen by the designer.
Pièges qui font perdre des points
- Le machine learning apprend des modèles à partir de données ; ce n'est pas « programmé étape par étape » et ce n'est pas de la magie. Dites d'où il apprend.
- « Profond » signifie beaucoup de couches cachées, pas « très intelligent » ou « très grand ».
- Un graphe est des nœuds et des arêtes, et une réponse sur un graphe doit dire ce que chacun représente dans cette problème.
- Les poids sont ce que l'entraînement change. La fonction d'activation et l'architecture sont choisies par le concepteur.
You've got it
- AI is the goal, machine learning learns patterns from data instead of following written rules, and deep learning is machine learning with many-layered neural networks
- a graph of nodes and edges turns pathfinding, game playing and knowledge representation into search, using Dijkstra, A*, minimax, breadth-first and depth-first
- an artificial neuron multiplies inputs by weights, adds a bias, and applies a non-linear activation function
- layers run input, hidden, output; deep means many hidden layers, and the learning lives in the weights
Vous avez compris
- AI est l'objectif, le machine learning apprend des modèles à partir de données au lieu de suivre des règles écrites, et le deep learning est du machine learning avec des réseaux neuronaux à multiples couches
- un graphe de nœuds et d'arêtes transforme la recherche de chemin, les jeux et la représentation des connaissances en recherche, utilisant Dijkstra, A*, minimax, largeur et profondeur
- un neurone artificiel multiplie les entrées par des poids, ajoute un biais, et applique une fonction d'activation non linéaire
- les couches suivent entrée, cachée, sortie ; profond signifie beaucoup de couches cachées, et l'apprentissage réside dans les poids