Apprendre demain : quand intelligence artificielle et neurosciences révolutionnent l'apprentissage Magaly Alonzo, Alexia Audevart

Résumé

Cet ouvrage revisite l'apprentissage à la lumière des dernières avancées en neurosciences et des nouvelles perspectives offertes par l'intelligence artificielle. Il montre comment, dans le processus d'apprentissage, les deux disciplines interagissent, travaillent en symbiose, se renforcent l'une l'autre. Les progrès réalisés dans la compréhension des réseaux de neurones artificiels permettent d'améliorer les réseaux de neurones biologiques, et vice versa. A travers de nombreux exemples, témoignages d'experts et cas concrets, les auteurs donnent des clés pour comprendre comment, à partir de l'osmose entre l'homme et la machine, se construiront les apprentissages de demain.

Auteur :
Alonzo, Magaly
Auteur :
Audevart, Alexia
Éditeur :
Malakoff, Dunod,
Genre :
Manuel
Langue :
français.
Mots-clés :
Nom commun :
Intelligence artificielle | Neurosciences cognitives | Apprentissage
Description du livre original :
1 vol. (220 p.) : ill. ; 24 cm
ISBN :
9782100798803.
Domaine public :
Non
Téléchargement du livre au format PDF pour « Apprendre demain »

Table des matières

  • Sommaire
  • Chapitre 1 Une histoire pas si récente
    • Quand la machine défie l’homme : go
    • Un peu d’histoire
    • Les neurosciences modernes
    • Les deux mouvements de l’intelligence artificielle
    • L’intelligence artificielle symbolique fondée sur la logique
    • L’intelligence artificielle connexionniste reposant sur les données
    • Qu’est-ce qu’apprendre ?
    • Qu’est-ce que l’intelligence ?
    • Les limites du bio inspiré
  • Chapitre 2 Comment apprend une machine ?
    • Des algorithmes à l’informatique
    • De l’informatique traditionnelle à l’apprentissage automatique
    • Les domaines d’application du machine learning
    • Les données
    • Les différents types d’apprentissage
      • L’apprentissage supervisé
      • L’apprentissage non supervisé
        • Le clustering
        • Les règles d’association
        • La réduction de dimensions
        • La détection d’anomalies
      • L’apprentissage semi-supervisé
      • L’apprentissage par renforcement
    • Apprendre à partir de données
      • Définition d’un modèle d’apprentissage
      • De la construction d’un modèle d’apprentissage à la prédiction
      • À l’intérieur de la phase d’apprentissage d’un modèle
    • Les 5 courants du machine learning
      • Les symbolistes, la logique et la philosophie
      • Les connexionnistes et les neurosciences
      • Les évolutionnistes et la biologie
      • Les bayésiens et les statistiques
      • Les analogistes et la psychologie
    • Du neurone biologique au neurone artificiel
      • Le neurone formel
      • Le perceptron ou le premier modèle apprenant
    • Quand les neurones se connectent
    • Apprendre en corrigeant ses erreurs
    • Apprentissage profond ou deep learning
    • Les réseaux de neurones à convolution
      • Comment fonctionne un noyau de convolution ?
      • Comment fonctionne le pooling ?
      • Mais comment pouvons-nous prédire à partir de ces nouvelles features ?
      • Mais comment le réseau apprend-il ?
    • Les réseaux de neurones récurrents
    • Les réseaux de neurones génératifs
  • Chapitre 3 Comment apprend un humain ?
    • Mémoire non déclarative
      • L’habituation
        • Un modèle d’étude simple
        • Au cœur du mécanisme d’habituation
      • Le conditionnement
        • Biais associatifs
        • Biais temporel
    • Mémoire déclarative
      • Comment le cerveau interagit avec l’extérieur ?
      • Les structures impliquées
        • Le cerveau découpé en lobes
        • Les aires primaires
      • La mémoire sous-ensemble de la cognition
      • La mémoire de travail
      • L’intégration : un premier pas vers la mémorisation
      • La consolidation de l’information
      • L’hippocampe, fer de lance de la mémoire
        • La mémoire dans les neurones
        • La potentialisation à long terme (PLT)
        • Aires de stockage
      • Les cellules grand-mère
      • La théorie distribuée
    • La mémoire du futur
    • Facteurs d’influence
      • Rôle des émotions
      • L’attention
      • Accès à la mémoire
        • L’encodage de l’information
        • Remonter le chemin vers cette information
        • L’oubli comme outil de mémorisation
      • Les nouvelles mémoires
      • La mémoire au travail
  • Chapitre 4 Des modèles d’apprentissage pas si différents
    • Des modèles pour apprendre
      • Modèles mentaux
      • Se projeter dans le monde
    • La configuration des modèles
      • Du côté de l’humain
        • Configuration du cerveau humain
        • Une histoire de molécules
      • Du côté de la machine
        • Des modèles différents pour réaliser une même tâche
        • La combinaison de modèles
      • Les paramètres des modèles
    • L’ajustement des modèles
      • Ajustement des cartes mentales
      • Ajustement des hyperparamètres
    • La minimisation des erreurs
      • Du novice à l’expert
      • De l’évaluation de la performance au modèle pour mieux apprendre
        • Apprentissage supervisé
        • Apprentissage non supervisé
        • Apprentissage par renforcement
        • Apprentissage développemental
        • Les travaux de Jean Piaget
        • Application à la robotique
    • Transfert de compétences
      • Transfert de compétences chez l’homme
      • Transfer learning
    • De l’information brute au concept
      • Une intégration multicouche
      • Des neurones qui se spécialisent
      • Application au système visuel
        • Notion de champ récepteur
        • Intégration sous-corticale
    • Apprendre, c’est généraliser
      • La généralisation du cerveau
      • La généralisation en machine learning
    • La résilience
      • Le cerveau résilient
      • Un modèle est résilient à sa façon
  • Chapitre 5 Neuroscience fiction
    • Pourquoi les machines ne nous ont-elles pas encore égalés ?
      • L’intelligence artificielle aujourd’hui
      • Du silicium de plus en plus performant
      • Notre cerveau, cet organe merveilleux ?
      • Le cerveau, siège du raisonnement
      • Que manque-t-il à l’intelligence artificielle ?
        • Les émotions
        • Le sens commun
        • La conscience
          • Définition
          • Conscience et neurosciences
          • La conscience des autres
          • Conscience dans une intelligence artificielle
      • L’intelligence artificielle de demain
    • Qu’en est-il de l’éthique dans le monde de demain ?
      • Des règles d’Asimov aux chartes éthiques des robots
      • La mobilisation de la communauté
      • Vers une réglementation ?
      • Des règles éthiques d’intelligence artificielle universelles ?
      • Ethics by design
    • Quels changements sont induits par l’intelligence artificielle et les neurosciences ?
      • Application de l’intelligence artificielle dans l’entreprise
      • Impact de l’intelligence artificielle sur le travail
        • L’homme remplacé : de nouvelles logiques substitutives
        • L’homme dominé : l’éthique contre l’assujettissement
        • L’homme augmenté : la promesse économique et professionnelle
        • L’homme divisé : le récit dystopique
        • L’homme réhumanisé : le proprement humain redécouvert
      • La folie des neurodisciplines
      • Neuroergonomie et facteurs humains
    • Vers une symbiose intelligence artificielle/ neurosciences ?
      • Bio-inspiration
      • Neurosciences computationnelles
  • Conclusion
  • Remerciements

Commentaires

Laisser un commentaire sur ce livre