Machine Learning In Action Real World Use Cases Training Ppt

Diapositive 3

Cette diapositive traite de l'importance de la traduction car il s'agit d'un moyen de communication qui relie les personnes de diverses communautés multilingues. Il souligne également l'importance cruciale de développer des solutions techniques innovantes au problème séculaire de la fracture numérique que les limitations linguistiques peuvent causer.

Diapositive 4

Cette diapositive présente Google Traduction en tant que cas d'utilisation de la traduction automatique de langues via l'apprentissage automatique. Google Translate est un outil de traduction multilingue que Google fournit gratuitement. Il dispose d'une interface de site Web et d'applications mobiles Android et iOS, et les développeurs peuvent utiliser son interface de programmation d'applications (API) pour créer des extensions de navigateur et des applications logicielles.

Notes de l'instructeur :

Google Translate sert plus de 500 millions de personnes chaque jour et traduit plus de 100 milliards de mots par jour.

Diapositive 5

Cette diapositive présente Microsoft Translator en tant que cas d'utilisation de la traduction automatique de langues à l'aide de l'apprentissage automatique. Microsoft Translator est un service cloud de traduction automatique multilingue qui fonctionne avec les applications grand public, de développement et d'entreprise.

Diapositive 6

Cette diapositive parle de Facebook Translator, qui est un autre outil utilisé pour la traduction automatique des langues. Facebook Translator (FT) a introduit un nouvel outil et une nouvelle approche de traduction permettant aux utilisateurs de traduire le site dans leur langue. Il prend en charge plus de 100 langues.

Diapositive 7

Cette diapositive répertorie les limites de la traduction automatique du langage telles que le contenu perd son élément concis, l'exactitude douteuse de la traduction, le manque de précision, la mauvaise qualité et les limites technologiques.

Notes de l'instructeur :

• Le contenu perd son élément concis : en utilisant un mot alternatif pour chaque mot dans la langue source, les techniques de traduction automatique diluent la concision de l'information, ce qui rend la communication longue, offense le lecteur et détourne son attention de l'objectif principal du texte.
• Exactitude douteuse de la traduction : dans n'importe quelle langue, l'exactitude est indispensable pour une communication efficace. Par conséquent, il est essentiel de se rappeler que l'intégrité du contenu ne doit jamais être sacrifiée lors de la traduction d'un document dans une autre langue. Pendant le processus de traduction, la traduction automatique ne peut pas maintenir l'exactitude du texte
• Manque de précision : les traductions assistées par ordinateur (TAO) ne peuvent pas égaler les traductions humaines en termes de précision lors de la traduction d'une terminologie ambiguë. Des traducteurs humains possédant une vaste expérience peuvent garantir que les documents traduits sont exacts, exacts et cohérents
• Mauvaise qualité : La mauvaise qualité du texte traduit est un inconvénient fondamental de la traduction automatique. Les traductions automatiques ne peuvent pas placer le texte dans son contexte approprié, et les traducteurs humains doivent être conscients des références culturelles, des idiomes familiers, du jargon industriel et d'autres nuances.
• Limitations technologiques : de nombreuses solutions spécialisées dans ce domaine ne peuvent pas être gérées car la traduction automatique suit des principes systématiques. La traduction automatique ne peut pas traduire à partir de formats de fichiers, tels que PDF, DOC et TXT

Diapositive 8

Cette diapositive illustre l'importance de l'apprentissage automatique dans le diagnostic médical. L'intelligence artificielle et l'apprentissage automatique sont devenus des outils essentiels pour résoudre des problèmes complexes dans des disciplines ces dernières années. Le diagnostic assisté par l'apprentissage automatique, en particulier, a le potentiel de révolutionner les soins de santé en exploitant de grandes quantités de données sur les patients pour donner des diagnostics exacts et personnalisés.

Diapositive 9

Cette diapositive montre comment l'apprentissage automatique peut améliorer le modèle de diagnostic en fonction des informations fournies par les données cliniques. Les informations comprennent tout, des symptômes cliniques aux résultats des tests biochimiques et des équipements d'imagerie.

Notes de l'instructeur : les types de données pouvant être utilisés pour établir un diagnostic médical précis à l'aide de l'apprentissage automatique sont :

• Données sur les maladies : les mesures physiologiques et les données sur les maladies ou les symptômes reconnus sont des exemples de données sur les maladies
• Données environnementales : informations concernant l'exposition d'une personne à l'environnement, telles que le tabagisme, les bains de soleil et les conditions météorologiques
• Données génétiques : la totalité ou une partie importante de la séquence d'ADN d'un individu est appelée données génétiques.

Diapositive 10

Cette diapositive répertorie les avantages de l'apprentissage automatique dans le diagnostic médical, tels que la recherche de facteurs de risque, l'amélioration de l'efficacité du diagnostic et la réduction des visites inutiles à l'hôpital.

Notes de l'instructeur :

• Trouver des facteurs de risque : Découvrez quels facteurs sont les plus étroitement liés au risque de contracter une maladie
• Accroître l'efficacité du diagnostic : les maladies peuvent être diagnostiquées plus tôt et plus précisément
• Réduire les visites inutiles à l'hôpital : les visites à l'hôpital ne doivent être effectuées que lorsque le patient a réellement besoin de soins médicaux

Diapositive 11

Cette diapositive met en évidence les applications de l'apprentissage automatique dans le diagnostic médical. Ces applications incluent la pathologie, l'oncologie, la génétique et la génomique, la dermatologie et la santé mentale.

Notes de l'instructeur :

• Pathologie : étant donné la pénurie de pathologistes dans le monde, il existe de solides arguments en faveur de l'utilisation de l'apprentissage automatique pour faire progresser cette discipline. La pathologie est également rentable pour les applications d'intelligence artificielle en raison de la nécessité d'analyser des ensembles de données massifs. L'apprentissage automatique peut améliorer la précision de l'analyse du sang et des cultures en automatisant la quantification des tissus et des cellules, en cartographiant les cellules malades et en signalant les zones d'intérêt sur une lame médicale. Il peut également aider à créer des paradigmes de stadification des tumeurs et à augmenter la vitesse de numérisation des profils pour améliorer la productivité des professionnels de la santé
• Oncologie : En oncologie, la pertinence de la recherche précoce d'une tumeur maligne est critique, et c'est pourquoi l'exactitude et la précision du diagnostic sont cruciales. Les oncologues peuvent utiliser l'apprentissage automatique pour détecter le cancer à ses débuts. Les experts médicaux peuvent détecter des mutations somatiques en utilisant des techniques comme DeepGene (une mutation somatique est un changement acquis dans un code génétique d'une ou plusieurs cellules)
• Génétique et génomique : L'apprentissage automatique et l'intelligence artificielle (IA) sont des composantes essentielles de la génétique préventive. Les scientifiques utilisent des algorithmes pour déterminer comment les médicaments, les produits chimiques et les variables environnementales affectent l'ADN humain
• Dermatologie : les médecins prévoient que l'utilisation de l'apprentissage automatique dans cette discipline réduira le nombre de biopsies inutiles que les dermatologues doivent effectuer. Il existe des implémentations fonctionnelles d'apprentissage automatique disponibles, y compris un algorithme qui distingue les mélanomes des lésions cutanées bénignes avec une plus grande précision qu'un humain, des outils qui suivent le développement et les changements des grains de beauté cutanés. Il peut également aider à détecter les conditions pathologiques et les algorithmes qui identifient les marqueurs biologiques de l'acné, des mycoses des ongles et de la dermatite séborrhéique.
• Santé mentale : grâce à l'apprentissage automatique, l'intelligence artificielle peut avoir un impact révolutionnaire sur la recherche en santé mentale et l'efficacité des diagnostics médicaux. La thérapie cognitivo-comportementale (TCC) personnalisée alimentée par des chatbots et des thérapeutes virtuels, et la prévention des maladies mentales à l'aide de techniques d'apprentissage automatique peuvent aider les groupes à haut risque à éviter l'isolement social. Il peut également aider à identifier les groupes à haut risque de suicide et leur apporter soutien et assistance. L'apprentissage automatique est utilisé pour diagnostiquer la dépression clinique, le trouble bipolaire, l'anxiété et d'autres maladies mentales

Diapositive 12

Cette diapositive met en évidence les applications de l'apprentissage automatique dans le diagnostic médical. Ces applications incluent la neurologie, les soins intensifs, les soins oculaires, le diabète et la santé publique.

Notes de l'instructeur :

• Neurologie : l'intégration de l'apprentissage automatique dans la collecte, le traitement et l'interprétation des données de recherche profite aux neurosciences et à la neurologie. Les technologies innovantes sont essentielles pour repousser les limites de la recherche neurologique, du traitement des scans à la fourniture d'informations sur le cerveau humain et à la reconnaissance des modèles de comportement
• Soins intensifs : dans les soins intensifs, l'apprentissage automatique peut aider les cliniciens à identifier les patients à haut risque, en veillant à ce qu'aucun signe précoce de détérioration ne soit ignoré. Des technologies innovantes peuvent offrir aux cliniciens des informations sur la santé de leurs patients en soins intensifs. Les cliniciens en soins intensifs, par exemple, ont découvert que les patients délirants sont plus sensibles à la lumière (qu'au bruit) grâce à l'utilisation de la technologie
• Eyecare : les outils de dépistage de la vision basés sur l'IA qui aident à fournir un diagnostic médical au point de service basé sur l'apprentissage automatique pour les maladies ophtalmologiques font partie des développements les plus récents utilisés par les centres de santé. Il aide également à détecter la rétinopathie diabétique et à fournir des informations sur le traitement aux médecins en évaluant les données des patients. Le dépistage de haute précision du glaucome et de la cataracte peut également être effectué avec la mise en œuvre de l'apprentissage automatique
• Diabète : l'apprentissage automatique peut aider dans ce domaine en utilisant la modélisation de machines vectorielles et en développant des réseaux de neurones pour le dépistage du pré-diabète, en établissant des outils pour gérer l'administration d'insuline sur mesure et en créant des systèmes de pancréas artificiels. Il peut aider à identifier les indicateurs génétiques et autres du diabète et à prédire les problèmes traitables chez les patients diabétiques afin d'améliorer leur qualité de vie
• Santé publique : les travailleurs de la santé peuvent utiliser l'apprentissage automatique pour élargir la portée des diagnostics médicaux et passer de l'examen de cas individuels à la surveillance des communautés et à l'anticipation des épidémies

Diapositive 13

Cette diapositive présente les précurseurs dans le domaine du diagnostic médical qui ont mis en œuvre l'apprentissage automatique. Ceux-ci incluent Google Health, Corti, IBM Watson Health et MedX.

Notes de l'instructeur :

• Google Health : Google Health s'est associé à l'équipe DeepMind pour développer un algorithme de diagnostic du cancer du sein. Le système qui en a résulté a été un succès significatif, surpassant les radiologues humains en termes de précision diagnostique
• Corti : Corti est un logiciel basé sur l'IA qui aide les médecins des salles d'urgence à extraire des informations des interactions avec les patients. En plus d'évaluer le contenu de la conversation, le système enregistre les intonations vocales de l'appelant et analyse le bruit de fond pour donner au personnel médical une image complète de la situation sur le terrain.
• IBM Watson Health : Watson Health a récemment dévoilé un programme innovant de détection précoce du cancer du sein. Biorasi, une plateforme d'optimisation de la fabrication de médicaments, a également été développée par l'entreprise
• MedX : Cette entreprise de la Silicon Valley révolutionne les soins de santé grâce à la science des données et à l'analyse prédictive. Plutôt que de se concentrer sur le contact direct entre les médecins et les patients, l'entreprise fournit des outils pour prendre des décisions opérationnelles intelligentes

Diapositive 14

Cette diapositive présente la reconnaissance d'image. Trouver des objets d'intérêt dans une image et déterminer à quelle catégorie ils appartiennent est connu sous le nom de reconnaissance d'image.

Notes de l'instructeur : La reconnaissance d'images est une application de vision par ordinateur qui implique des tâches telles que la détection d'objets, l'identification d'images et la catégorisation d'images.

Diapositive 15

Cette diapositive traite du fonctionnement de la reconnaissance d'images à l'aide de l'apprentissage automatique. Les techniques d'apprentissage automatique sont utilisées pour glaner des connaissances cachées à partir d'un ensemble de données de bons et de mauvais échantillons pour reconnaître les images.

Notes de l'instructeur : lorsqu'il est combiné à une technologie d'intelligence artificielle et à des GPU robustes, le Deep Learning permet des avancées significatives dans le domaine de la reconnaissance d'images. Les algorithmes de classification d'images et de reconnaissance faciale utilisant Deep Learning atteignent des performances de niveau humain dans la détection d'objets en temps réel.

Diapositive 16

Cette diapositive illustre les modèles de reconnaissance d'images d'apprentissage automatique tels que les machines à vecteurs de support, les modèles de sac de fonctionnalités et l'algorithme Viola Jones.

Notes de l'instructeur :

• Machines à vecteurs de support : les SVM fonctionnent en créant des histogrammes d'images qui peuvent ou non contenir les éléments cibles. Ensuite, le programme compare les valeurs d'histogramme formées à celles des parties de l'image de test pour voir s'il y a des correspondances.
• Sacs de modèles de caractéristiques : sacs de modèles de caractéristiques comme la transformation de caractéristiques invariantes à l'échelle (SIFT) et les régions extrêmes maximalement stables (MSER) fonctionnent en numérisant une image et en la comparant à une photo de référence de l'objet à découvrir. Le modèle fait ensuite correspondre les pixels de l'exemple de photo aux régions de l'image cible pour voir s'il y a des correspondances.
• Algorithme de Viola Jones : Viola-Jones scanne les visages des personnes et extrait les caractéristiques, qui sont ensuite introduites dans un classificateur de renforcement. En conséquence, des classificateurs boostés sont créés et utilisés pour vérifier les photos de test. Une image de test doit produire un résultat positif de chaque classificateur pour trouver une correspondance réussie

Diapositive 17

Cette diapositive illustre l'application de reconnaissance d'images pour l'analyse des visages. Le flux vidéo de n'importe quel appareil photo numérique ou webcam peut être utilisé avec les technologies modernes d'apprentissage automatique pour effectuer simultanément la détection des visages, l'estimation de la posture du visage, l'alignement des visages, la reconnaissance du sexe, la détection des sourires, l'estimation de l'âge et la reconnaissance des visages.

Notes de l'instructeur : La vision par ordinateur permet aux ordinateurs de déterminer l'identité, les intentions, l'état émotionnel et de santé, l'âge et l'origine ethnique via l'analyse faciale. Certains logiciels de reconnaissance de photos tentent même d'utiliser un score pour définir les niveaux d'attractivité perçue.

Diapositive 18

Cette diapositive présente les systèmes d'identification d'images alimentés par l'apprentissage automatique qui sont utilisés dans le secteur agricole. Ces systèmes utilisent des outils de pointe qui ont été formés pour reconnaître le type d'animal et son comportement.

Diapositive 19

Cette diapositive présente la reconnaissance vocale en tant qu'application de l'apprentissage automatique. C'est une fonctionnalité qui permet à un logiciel informatique de convertir la parole humaine en texte.

Diapositive 20

Cette diapositive illustre le fonctionnement d'un système de reconnaissance vocale. Le processus en trois étapes comprend le niveau de signal, le niveau acoustique et le niveau de langue qui convertit un signal analogique en transcription.

Diapositive 21

Cette diapositive répertorie les principales caractéristiques d'un système de reconnaissance vocale efficace et efficient. Ces fonctionnalités incluent la pondération linguistique, la formation acoustique, l'étiquetage des locuteurs et le filtrage des grossièretés.

Notes de l'instructeur :

• Pondération de la langue : elle peut améliorer la précision en pondérant des mots spécifiques fréquemment utilisés, tels que les noms de produits.
• Formation acoustique : ces systèmes pilotés par ML prêtent attention à la partie acoustique de l'entreprise. Il entraîne le système à s'adapter aux styles de parole (comme la hauteur de la voix, le volume et le rythme) et aux environnements acoustiques (tels que ceux observés dans les centres d'appels)
• Étiquetage des intervenants : ces systèmes peuvent créer une transcription d'une conversation à plusieurs participants qui fait référence ou marque les contributions de chaque intervenant.
• Filtrage grossier : les filtres peuvent être utilisés pour identifier des mots ou des phrases spécifiques et nettoyer la sortie audio

Diapositive 22

Cette diapositive décrit les types d'algorithmes de reconnaissance vocale. Ceux-ci incluent le traitement du langage naturel, le modèle de Markov caché, les N-grammes, les réseaux de neurones et la diarisation du locuteur.

Notes de l'instructeur :

• Traitement du langage naturel : bien que le traitement du langage naturel (TAL) ne soit pas strictement une méthode spécifique de reconnaissance vocale, c'est une branche de l'intelligence artificielle qui se concentre sur l'interaction homme-machine à travers des langages, tels que la parole et le texte. De nombreux appareils mobiles intègrent la reconnaissance vocale pour effectuer des recherches vocales (par exemple, Siri) ou pour améliorer l'accessibilité de la messagerie.
• Modèle de Markov caché : les modèles de Markov cachés nous permettent d'ajouter des événements cachés dans un modèle probabiliste, tels que des balises de partie du discours. Ils sont utilisés comme modèles de séquence dans la reconnaissance vocale, attribuant des étiquettes à chaque élément de la séquence, tels que des mots, des syllabes, des phrases, etc. Ces étiquettes créent un mappage avec l'entrée disponible, lui permettant d'identifier la séquence d'étiquettes la plus pertinente.
• N-Grams : Il s'agit du modèle de langage le plus élémentaire, dans lequel des phrases ou des expressions sont affectées d'une probabilité. Un N-gramme est un ensemble de N mots. Par exemple, "Commandez la pizza" est une phrase de 3 grammes, tandis que "Veuillez commander la pizza" est une phrase de 4 grammes. La grammaire et la probabilité de séquences de mots particulières sont utilisées pour augmenter la reconnaissance et la précision
• Réseaux de neurones : les données d'entraînement sont traitées à l'aide de réseaux de neurones, qui utilisent des couches de nœuds pour reproduire l'interconnexion du cerveau humain. Des entrées, des poids, un biais et une sortie constituent chaque nœud. Si la valeur de sortie atteint un certain seuil, le nœud est activé et les données sont transmises au niveau suivant du réseau. Grâce à l'apprentissage supervisé, les réseaux de neurones apprennent cette fonction de cartographie, puis la modifient à l'aide d'une descente de gradient basée sur la fonction de perte.
• Diarisation du locuteur : les algorithmes de diarisation du locuteur reconnaissent et segmentent la parole en fonction de l'identité du locuteur. Cela permet aux programmes de distinguer les personnes dans une discussion et est couramment utilisé dans les centres de contact pour faire la distinction entre les clients et les responsables du service client.

Diapositive 23

Cette diapositive présente le cas d'utilisation IBM de la reconnaissance vocale pilotée par Machine Learning. Les technologies et services de reconnaissance vocale permettent à IBM d'automatiser des opérations commerciales complexes tout en acquérant des informations commerciales critiques.

Notes de l'instructeur :

• IBM Watson Speech to Text : IBM Watson Speech to Text est une solution basée sur le cloud qui applique des informations sur la grammaire, la structure linguistique et la composition du signal audio/vocal pour générer une reconnaissance vocale personnalisée pour une transcription de texte efficace.
• IBM Watson Text to Speech : IBM Watson Text to Speech offre un son de type humain à partir de texte écrit, élargissant l'accessibilité à travers les langues et les modes d'interaction et augmentant l'engagement et le bonheur des clients

Diapositives 39 à 54

Ces diapositives contiennent des activités dynamisantes pour engager le public de la session de formation.

Diapositive 55 à 82

Ces diapositives contiennent une proposition de formation couvrant ce que l'entreprise fournissant la formation en entreprise peut accomplir pour le client.

Diapositives 83 à 85

Ces diapositives comprennent un formulaire d'évaluation de la formation pour l'instructeur, le contenu et l'évaluation du cours.