AI, graphs and neural networks
Introduit| English | Sens |
|---|---|
| machine learning/məˈʃiːn ˈlɜːnɪŋ/ | apprentissage automatique : capacité d'un système à apprendre et s'adapter sans programmation explicite |
| deep learning/diːp ˈlɜːnɪŋ/ | apprentissage profond : sous-domaine de l'apprentissage automatique utilisant des réseaux neuronaux multicouches |
| graph/ɡræf/ | graphe |
| neural networks/ˈnjuːrəl ˈnetwɜːks/ | réseaux de neurones : modèles calculatoires inspirés du fonctionnement du cerveau biologique |
| nodes/nəʊdz/ | nœuds |
| edges/ˈedʒɪz/ | arêtes |
| minimax/ˈmɪnɪmæks/ | minimax |
| weight/weɪt/ | poids |
| activation function/ˌæktɪˈveɪʃn ˈfʌŋkʃn/ | fonction d'activation |
| hidden layers/ˈhɪdn ˈleɪəz/ | couches cachées |
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.
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:
Difficulté 1/5 · 100 pièces + un petit bonus lors de la première réussite aujourd'hui
ML learns from data; deep learning is ML using multi-layer neural networks.
How do AI, machine learning and deep learning relate?
Difficulté 1/5 · 100 pièces + un petit bonus lors de la première réussite aujourd'hui
AI is the goal, machine learning is the dominant approach to it, and deep learning is machine learning with many-layered networks.
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:
Difficulté 1/5 · 100 pièces + un petit bonus lors de la première réussite aujourd'hui
Graphs model states/places as nodes and moves/relationships as edges — used for pathfinding, game trees and knowledge.
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 tout that apply.
Difficulté 2/5 · 140 pièces + un petit bonus lors de la première réussite aujourd'hui
Places are nodes and connections are edges. Saying what the weights represent is the third mark.
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.
Difficulté 3/5 · 200 pièces + un petit bonus lors de la première réussite aujourd'hui
Multiply, sum, activate, pass on. Without the non-linear activation, any depth of network would collapse into one linear formula.
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
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.
Match each part of a neural network to its role.
Difficulté 2/5 · 140 pièces + un petit bonus lors de la première réussite aujourd'hui
Features enter the input layer, hidden layers learn patterns, the output layer answers; learning = tuning the weights.
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.
Difficulté 1/5 · 100 pièces + un petit bonus lors de la première réussite aujourd'hui
Stacking many hidden layers lets the network learn richer patterns — training such a network is deep learning.
A neural network is called "deep" when it has:
Difficulté 1/5 · 100 pièces + un petit bonus lors de la première réussite aujourd'hui
Many hidden layers make a deep neural network; training one is deep learning.
During training, the values adjusted inside a neural network are its ____.
Difficulté 1/5 · 100 pièces + un petit bonus lors de la première réussite aujourd'hui
The architecture and the activation function are chosen by the designer; what the network learns is stored in the weights.
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.
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.
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