Académique Documents
Professionnel Documents
Culture Documents
l’INTELLIGENCE
ARTIFICIELLE
Ibrahima Amadou
l’Intelligence Artificielle
Avant-propos
L’Université Virtuelle Africaine (UVA) est fière de participer à accès à l’éducation dans les pays
africains en produisant du matériel d’apprentissage de qualité. Nous sommes également fiers
de contribuer à la connaissance globale, pour nos ressources éducatives sont principalement
accessibles de l’extérieur du continent africain.
Les institutions suivantes ont participé au programme informatique appliquée: (1) Université
d’Abomey Calavi au Bénin; (2) University of Ougagadougou au Burkina Faso; (3) Université
Lumière Bujumbura Burundi; (4) Université de Douala au Cameroun; (5) Université de
Nouakchott en Mauritanie; (6) Université Gaston Berger Sénégal; (7) Université des Sciences,
Techniques et Technologies de Bamako au Mali (8) Institut de la gestion et de l’administration
publique du Ghana; (9) Université des sciences et de la technologie Kwame Nkrumah au
Ghana; (10) Université Kenyatta au Kenya; (11) Université Egerton au Kenya; (12) Université
d’Addis-Abeba en Ethiopie (13) Université du Rwanda; (14) University of Salaam en Tanzanie
Dar; (15) Université Abdou Moumouni Niamey Niger; (16) Université Cheikh Anta Diop au
Sénégal; (17) Université pédagogique au Mozambique; E (18) L’Université de la Gambie en
Gambie.
Bakary Diallo
le Recteur
2
Crédits de production
Auteur
Ibrahima Amadou
Pair Réviseur
Dembele Jean
Coordinateur du module
Florence Tushabe
Concepteurs pédagogiques
Elizabeth Mbasu
Benta Ochola
Diana Tuel
Equipe Média
Sidney McGregor Michal Abigael Koyier
3
l’Intelligence Artificielle
Droits d’auteur
Ce document est publié dans les conditions de la Creative Commons
Http://fr.wikipedia.org/wiki/Creative_Commons
Attribution http://creativecommons.org/licenses/by/2.5/
Le gabarit est copyright African Virtual University sous licence Creative Commons Attribution-
ShareAlike 4.0 International License. CC-BY, SA
Supporté par
4
Table des matières
Avant-propos 2
Crédits de production 3
Copyright Remarquer 4
Supporté par 4
Prérequis
Objectifs du cours 5
Unités. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
Évaluation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
Plan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
Introduction à l’unité. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
Objectifs de l’unité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
Termes clés. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
Évaluation de l’unité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
Système de notation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
Introduction à l’unité. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
Objectifs de l’unité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
Activités d’apprentissage. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
Termes clés. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
Détails de l’activité. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
Conclusion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Évaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Détails de l’activité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
5
l’Intelligence Artificielle
Évaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
Détails de l’activité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Évaluation de l’unité. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Directives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Introduction à l’unité. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
Objectifs de l’unité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
Activités d’apprentissage. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
Détails de l’activité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
Termes clés. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
Logique en pratique. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
Évaluation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
Détails de l’activité. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Évaluation de l’unité. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
Termes clés. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
Objectifs de l’unité. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
Activités d’apprentissage. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
6
Activité 1.1 - Apprentissage supervisé. . . . . . . . . . . . . . . . . . . . . . . 39
Détails de l’activité. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
Conclusion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
Détails de l’activité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
Détails de l’activité. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
Évaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .47
Résumé de l’unité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
Évaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
Introduction à l’unité. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Objectifs de l’unité. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Termes clés. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Activités d’apprentissage. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
Remarque : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
Conclusion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
niveau morphologique : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
Évaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
Résumé de l’unité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
Évaluation de l’unité. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
Sortie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
7
l’Intelligence Artificielle
Aperçu du cours
Bienvenue à [Ajouter le titre du cours ici [sous-titre]
L’intelligence artificielle est l’un des champs les plus importants et les plus passionnants
de l’informatique. Ce programme de spécialiste couvre les principes fondamentaux de
l’informatique et des systèmes d’information afin de maximiser vos chances pour de futurs
emplois. Il offre également la possibilité d’effectuer des recherche de pointe dans des
domaines de haut niveau.
Les modules introductifs couvrent la programmation en Java, les systèmes d’information, les
bases de données, la programmation centrée sur l’humain, les bases de l’algorithmique. Le
cours est complété par une sélection de modules couvrant des sujets importants en rapport
avec le thème concerné : représentation de la connaissance, l’étude des systèmes multi-agents,
la robotique pour ne citer que ceux-ci. Le cours comprend également un second projet annuel
de groupe et un projet individuel annuel.
Prérequis
- cours de probabilité
- cours d’algorithmique
Matériaux
Les matériaux nécessaires pour compléter ce cours comprennent:
• Ordinateurs Portables /
• Connexion Internet
• Logiciels
• Réseaux sociaux et plates-formes virtuelles
Celui – ci sera complété par des lectures en classe. Vous aurez également besoin d’un livre
comme (Java’s GUI toolkit or Visual Studio). Se référer aussi à quelques autres bons livres à
posséder qui peuvent être :
- Russell and Norvig. Artificial Intelligence: A Modern Approach. Une référence complète pour
tous les thèmes de l’IA que nous allons découvrir
- Koller and Friedman. Probabilistic Graphical Models. Traite les graphes et les réseaux
bayésiens (celui – ci est le manuel pour CS228).
- Sutton and Barto. Reinforcement Learning: An Introduction. Traite les processus de décision
de Markov et l’apprentissage par renforcement. Disponible en ligne gratuitement.
8
Objectifs du cours
À la fin de ce cours, l’étudiant devrait être en mesure de :
Unités
Concevoir et appliquer des composants intelligents pour les médias informatiques distribués
interactifs
Développer des outils pour la création de la connaissance nécessaire par de tels systèmes
5
l’Intelligence Artificielle
Raisonnement automatisé pour utiliser les informations stockées afin de répondre à des
questions et de tirer de nouvelles conclusions.
Évaluation
Les évaluations formatives (vérification de progrès) sont inclus dans chaque unité.
Les évaluations sommatives (tests et travaux finaux) sont fournies à la fin de chaque module et
traitent des connaissances et compétences du module.
Les évaluations sommatives sont gérés à la discrétion de l’établissement qui offre le cours. Le
plan d’évaluation proposé est le suivant:
Plan
6
En misant sur le matériel couvert dans l’Unité 2, 20 heures
les étudiants développeront des programmes
plus avancés, plongeront dans des aspects de
la vie réelle à l’aide de fonction permettant
de prédire et tout cela en mettant un accent
sur le côté pratique. À la fin de cette unité,
l’étudiant comprendra les composants d’un
algorithme d’apprentissage automatique,
il saura également comment mettre en
application plusieurs outils de l’apprentissage
automatique pour construire et évaluer des
prévisions sur des données réelles.
Unité 0
Unité 1
7
l’Intelligence Artificielle
Unité 2
Unité 3
Unité 4
• Artificial Intelligence, A Modern Approach (3rd Edition) Stuart and Russell and
Peter Norvig. Prentice Hall (2010), ISBN: 0-13-604259-7
• James Allen, Natural Language Understanding, Benjammin/Cunmmings, 2nd
Edition 1995.
8
Unité 0. Évaluation diagnostique
Objectifs de l’unité
À la fin de cette unité, vous devriez être capable de:
Termes clés
Agent: Un programme qui effectue une collecte de renseignements ou de
processus en arrière-plan. Typiquement, à un agent est assignée une très
petite tâche bien définie.
9
l’Intelligence Artificielle
Évaluation de l’unité
Vérifiez votre compréhension!
Directives
Il est souhaitable que ce cours soit classé 100% sur les devoirs, mais l’instructeur se réserve le
droit de donner des examens s’il ya un cas significatif de malhonnêteté intellectuelle. Dans ce
cas, il y aura des examens en classe et éventuellement un examen final au cours de la dernière
séance. Les notes sont cumulatives. Les documents et les dispositifs électroniques ne sont pas
autorisés au cours des examens.
Système de notation
Idéalement, le cours sera évalué en se basant entièrement sur les devoirs et les quiz, avec les
devoirs ayant une note proportonnielle à la difficulté estimée.
Si aucun examen n’est donné, alors les devoirs à domicile compteront pour 90% de la note
finale du cours, et les quiz pour 10%.
Si il ya un cas significatif malhonnêteté intellectuelle, alors les examens compteront pour 50%
de la note finale du cours, les devoirs pour 45%, et les quiz pour 5%. Si il ya une finale, elle
comptera comme deux examens en classe.
Vos pensées et vos préoccupations sur ce cours sont importantes. Vous êtes encouragés à
donner des commentaires à l’instructeur pendant toute la durée. Comme toujours les étudiants
seront invités à remplir une évaluation du cours à la fin.
Votre note de cours sera également disponible sur le site du cours. S’il vous plaît rester en
contact avec votre instructeur pour confirmer l’adresse web de votre site de cours, car cela
varie d’un établissement à un autre.
10
Unité 0. Évaluation diagnostique
Les lectures et ressources de cette unité sont se trouvent au niveau des lectures et autres
ressources du cours.
11
l’Intelligence Artificielle
Unité 1. Fondements de
l’intelligence artificielle
Introduction à l’unité
L’Intelligence artificielle (IA) est un domaine qui a une longue histoire et qui est toujours en
constante évolution.
Dans cette unité, l’apprenant va apprendre les rudiments de l’IA moderne ainsi que quelques-
unes des applications représentatives de l’IA. Au cours de l’étude, l’étudiant appréciera les
bases et les applications de l’IA, y compris: l’apprentissage automatique, le raisonnement
probabiliste, la portée, les résolutions de problèmes, et les approches de l’IA.
Cette unité de cours offre une première approche pour répondre aux questions suivantes.
Quelles méthodes sont là pour aider à la compréhension des systèmes ou des programmes
complexes? Comment un programme peut - il faire ce qu’on attend de lui ? comment un
humain peut - il comprendre ce que font les ordinateurs en principe, et y - a - t - il des
problèmes que l’ordinateur ne sait pas encore résoudre ?
Objectifs de l’unité
À la fin de cette unité, vous devriez être capable de:
12
Unité 1. Fondements de l’intelligence artificielle
Termes clés
Algorithme: Un processus ou un ensemble de règles à suivre dans les
calculs ou autre résolution de problèmes, en particulier par un ordinateur.
Activités d’apprentissage
L’activité présente l’étude de l’intelligence artificielle (IA) pour les apprenants tout au long du
cours. Il est conçu pour présenter l’introduction à l’IA et fournir une base pour des études plus
poussées. L’activité présente l’I.A. d’un point de vue probabiliste et est centrée autour de
deux problèmes particuliers: (i) localisation par robots; (ii) la compréhension du langage. Au
cours des conférences, les principales idées et les théories nécessaires pour ces problèmes
seront présentées ; les exemples en classe viendront renforcer des exercices faits au crayon
et les travaux de laboratoires développeront des programmes pour les résoudre. Il y aura une
heure de conférence et une heure de cours pour chaque semaine, ainsi que cinq sessions de
deux heures de laboratoire au cours du semestre.
13
l’Intelligence Artificielle
Détails de l’activité
Il s’agit de :
Nous avons besoin de pénétrer le fonctionnement réel de l’esprit humain. Il y a deux façons de
le faire: par l’introspection (en essayant de saisir nos propres pensées comme elles agissent)
grâce à des expériences psychologiques.
Une fois que nous avons une théorie suffisamment précise de l’esprit, il devient possible
d’exprimer la théorie comme un programme d’ordinateur. Si les deonnées d’entrée / sortie
et le comportement temporel du programme correspondent au comportement humain, alors
nous avons la preuve que certains des mécanismes du programme peuvent également être
opérants chez les humains.
Par exemple, Newell et Simon, qui ont développé le GPS, le ‘’General Problem Solver’’ (Newell
et Simon, 1961), ne se contentaient pas seulement d’avoir un programme qui puisse résoudre
correctement les problèmes. Ils étaient plus préoccupés par la comparaison des effets des
raisonnements à ceux des sujets humains ayant à résoudre les mêmes problèmes.
Certains chercheurs de la même époque (tels que Wang (1960)), n’avaient pas la même
approche, et étaient préoccupés par l’obtention réponses satisfaisantes quel que soit
l’humain pour traiter le problème. Le champ interdisciplinaire de la science cognitive rassemble
des modèles informatiques de l’IA et des techniques expérimentales de la psychologie pour
essayer de construire des théories précises et vérifiables du fonctionnement de l’esprit humain.
14
Unité 1. Fondements de l’intelligence artificielle
En 1965, il existait des programmes qui pourraient, étant donné assez de temps et de mémoire,
prendre une description d’un problème dans la notation logique et trouver la solution au
problème, si elle existe. (S’il n’y a pas de solution, le programme pourrait ne jamais s’ arrêter
de tenter pour cela.) La tradition logiciste au sein de l’intelligence artificielle espère se baser
sur de tels programmes pour créer des systèmes intelligents.
Il ya deux obstacles majeurs à cette approche. Premièrement, il est pas facile de prendre
des connaissance au sens informel et les énoncer dans des termes formels requis par la
notation logique, en particulier lorsque la certitude sur la connaissance est inférieure à 100%.
Deuxièmement, il ya une grande différence entre être en mesure de résoudre un problème ‘’
en principe ‘’ et de le faire dans la pratique. Même des problèmes avec quelques dizaines
de faits peuvent épuiser les ressources de calcul de tout ordinateur, sauf si il a quelques
indications lui indiquant quel raisonnement prendre le premier. Bien que ces deux obstacles se
retrouvent dans toute tentative de construire des systèmes de raisonnement à base de calcul,
ils furent leur apparition dans la tradition logiciste, parce que la puissance des systèmes de
représentation et de raisonnement est bien définie et assez bien maîtrisée.
Conclusion
L’objectif de cette mission est d’affûter vos compétences en mathématiques et en
programmation nécessaires pour cette unité. Si vous remplissez les conditions, vous devriez
trouver ces problèmes relativement abordables. Certains de ces problèmes se retrouveront
plus tad comme sous-problèmes d’autres devoirs, alors assurez-vous que vous savez comment
les traiter.
Évaluation
Un apprenant est tenu de procéder à une lecture de fond, qui est soutenue par des
conférences pour expliquer différentes notions et montrer l’application de diverses techniques
utilisant des exemples. Le cursus exige que les étudiants traitent les exercices chaque semaine.
Les commentaires et aides pour cette tâche sont fournis dans les exemples en classes.
Présentation
Le but de cette activité est de fournir un aperçu de ce domaine. Nous allons aborder des sujets
tels que: les agents, la recherche, la planification, et l’incertitude. Cette activité vise à fournir
des connaissances fondamentales du domaine.
Détails de l’activité
Définir le problème comme recherche d’états
Pour comprendre ce qu’est exactement l’intelligence artificielle, nous allons illustrer certains
problèmes courants.Les problèmes traités dans l’intelligence artificielle utilisent généralement
le terme commun appelé «état». Un état représente un état de la solution à une étape donnée
15
l’Intelligence Artificielle
Par exemple, pour résoudre le problème ‘’ jouer à un jeu ’’, qui est limité à deux joueurs de
table ou jeux de plateau, il nous faut connaitre les règles du jeu et les objectifs à atteindre
(buts) et aussi les moyens pour représenter les positions dans le jeu. La position du début du
jeu peut être définie comme l’état initial et une position gagnante comme un état but, il peut y
avoir plus d’un coup légl permettant le transfert de l’état initial à d’autres états et conduisant
à l’état-but. Toutefois, les règles sont beaucoup plus abondantes dans la plupart des jeux,
en particulier dans les jeux d’échecs où ils dépassent le nombre de particules dans l’univers.
Ainsi, les règles ne peuvent pas en général être fournies de façon précise et les programmes
informatiques ne peuvent pas les gérer facilement. Le stockage présente également un autre
problème, mais la recherche peut être obtenu en faisant un hachage.
Le nombre de règles qui sont utilisés doit être réduit au minimum et l’ensemble peut
être produit en exprimant chaque règle dans une forme aussi générale que possible. La
représentation des jeux de cette manière conduit à une représentation de l’espace des états
et il est naturel pour les jeux bien organisés avec une structure.
Cette représentation permet la définition formelle d’un problème qui nécessite le déplacement
d’un ensemble de positions initiales vers un ensemble de positions cibles (buts). Cela signifie
que la solution consiste à utiliser des techniques connues et une recherche systématique. Cette
méthode est assez commune dans l’IA.
Définir un espace d’états qui contient toutes les configurations possibles des objets pertinents,
sans énumérer tous les états de cet espace. Un espace d’états représente un problème en
termes d’états et des opérateurs qui changent ces états:
16
Unité 1. Fondements de l’intelligence artificielle
La stratégie de contrôle n’est de nouveau pas pleinement discuté mais le programme de l’IA
a besoin d’une structure pour faciliter la recherche qui est une caractéristique de ce type de
programme.
Système de production
Quelles sont les connaissances sur le domaine à être utilisées pour guider la recherche?
Il ya deux cruches nommées quatre et trois; quatre peut contenir au maximum quatre litres et
trois au maximum trois litres. Comment pouvons-nous obtenir 2 litres dans la cruche quatre ?.
L’espace d’états est un ensemble de couples donnant le nombre de litres dans chaque cruche
à tout moment c’est - à - dire (quatre, trois), où quatre = 0, 1, 2, 3, 4 et trois = 0, 1, 2, 3 .L’état
initial est (0,0) et l’état but est (2, n) où n est quelconque, mais est limité à trois, dans notre
cas, de 0 à 3 litres. Les principales règles de production pour résoudre ce problème sont
présentées ci-dessous:
17
l’Intelligence Artificielle
12 (trois,quatre) si trois<3 (quatre-diff,3) pour diff, 3-trois, dans trois à partir de quatre et une
solution est donnée ci -dessous :
0 0
0 3 2
3 0 7
3 3 2
4 2 11
0 2 3
2 0 10
Les stratégies de contrôle. Une bonne stratégie de contrôle devrait avoir l’exigence suivante:
La deuxième condition est qu’elle soit systématique, cela est une exigence claire pour qu’il ne
soit pas judicieux de remplir une cruche et de la vider de façon répétée, ou aussi dans un jeu
de déplacer les pièces tour à tour, autour de la table de façon cyclique. Nous allons d’abord
examiner deux approches systématiques de la recherche.
Recherche heuristique : Une heuristique est une méthode qui pourrait ne pas toujours trouver
la meilleure solution, mais garantit de trouver une bonne solution dans un délai raisonnable.
En sacrifiant l’exhaustivité, elle augmente l’efficacité. Elle est particulièrement utile pour
résoudre les problèmes difficiles qui ne pouvaient pas être résolus de toute autre manière
ou si l’obtention d’une solution complète necessite un temps indéfiniment long c’est - à -dire
toute une vie. Exemple: Le problème de voyageur de commerce: Un vendeur a une liste de
villes à visiter et elle doit visiter chaque ville une seule fois. Il ya des routes distinctes entre les
villes. Le problème est de trouver le plus court chemin entre les villes de sorte que le vendeur
18
Unité 1. Fondements de l’intelligence artificielle
se rende dans chaque ville une seule fois. Supposons qu’il y ait N villes, puis une solution qui
pourrait fonctionner serait de prendre toutes les N! combinaisons possibles et de trouver la
plus courte distance nécessaire. Cela ne veut pas efficace ; avec N = 10, il existe 3 628 800
itinéraires possibles. Ceci est un exemple de l’explosion combinatoire. Il existe de meilleures
méthodes pour la solution, une d’elles est appelée ‘’branch and bound’’.
Conclusion
La conception des programmes de recherche. Chaque processus de recherche peut être
considéré comme un parcours d’arbre. L’objet de la recherche est de trouver un chemin à
partir d’un état initial à un état but en utilisant un arbre. Le nombre de nœuds générés pourrait
être immense et dans la pratique, un grand nombre de nœuds ne seraient pas nécessaires.
Le secret d’une bonne routine de recherche est de générer uniquement les nœuds qui sont
susceptibles d’être utiles. Plutôt que d’avoir un arbre, des règles explicites sont utilisées pour
représenter l’arbre implicitement et seulement pour créer des nœuds explicitement si cela est
necessaire. Les questions suivantes se posent lors de la recherche:
• l’arbre peut avoir une recherché avant : du nœud initial à l’état de but ou
recherche arrière : de l’état de but à l’état initial.
• comment sélectionner et appliquer ces règles , il est essentiel d’avoir une
procédure efficace pour appliquer ces règles aux états correspondants
• comment représenter chaque nœud du processus de recherche tel est le
problème de la représentation des connaissances ou le problème du cadre. Dans
les jeux un tableau suffit, mais pour d’autres problèmes il faut des structures de
données plus complexes.
La largeur premier ne prend pas en compte tous les nœuds générés, mais la profondeur peut
être modifiée. Vérification de nœuds doublons.
Évaluation
Générer tous les chemins complets et trouver la longueur du premier chemin complet. Si
le chemin suivant est plus court, enregistrer et passer et de cette manière abandonner tout
chemin lorsque sa longueur dépasse de loin la plus courte longueur du trajet. Bien qu’elle
est mieux que la méthode précédente, elle est toujours exponentielle. Recherche Heuristique
appliquée au problème du voyageur de commerce:
2. répéter
3. pour sélectionner la prochaine ville, avoir une liste de toutes les villes à
visiter et choisir le plus proche de la ville actuelle, puis avancer;
4. jusqu’à ce que toutes les villes soient visitées. Cela produit une amélioration
significative et réduit le temps de l’ordre N! à N.
19
l’Intelligence Artificielle
Détails de l’activité
Connaissance de procédure
• de petits programmes qui savent comment faire des choses spécifiques, la façon
de procéder.
• Par exemple un analyseur du langage naturel sait qu’un syntagme nominal peut
contenir des articles, des adjectifs et des noms. Il est représenté par des appels à
des routines qui savent comment traiter des articles, des adjectifs et des noms.
Problème dans la représentation des connaissances
Voici les questions énumérées qui devrait être soulevées lors de l’utilisation d’une technique de
représentation des connaissances:
20
Unité 1. Fondements de l’intelligence artificielle
Attributs importants: Y at-il des attributs qui se produisent dans de nombreux types de
problème? Il ya deux instance chacune d’elle est importante parce que prenant en charge la
propriété d’héritage.
Relations: Qu’en est-il de la relation entre les attributs d’un objet, comme inverses,
l’existence, les techniques de raisonnement sur les valeurs et les attributs à valeur unique.
Nous pouvons considérer un exemple d’inverse dans le cas suivant :
Cela peut être interprété comme Andrew Masikini joue dans la bande Banjul City ou la bande
de Andrew Masikini est Banjul City.
Exemple 1:
Si Tom donne au chien un os comme: donne (tom, chien, os) sont-elles les mêmes?
Si donner (x, nourriture) alimenter (x) alors que nous faisons des progrès.
Dans le célèbre programme sur les relations Louise est le cousin de Bill Comment représentons
- nous cela? louise = fille (frère ou sœur (père ou mère (Bill)))
Supposons que ce soit Chris alors nous ne savons pas si Chris est un homme ou une femme,
pour pouvoir appliquer fils ainsi.
Ici, nous allons mettre en évidence les grands principes impliqués dans la représentation
des connaissances. En particulier la logique des prédicats sera rencontrée dans d’autres
organismes de représentation des connaissances et des méthodes de raisonnement.
Symboles utilisés : les symboles logiques standards que nous utilisons dans ce cours sont les
suivants :
Quelque soit ∀
Il existe Ǝ
Implique →
Non ¬
Ou ˅
ET Ʌ
21
l’Intelligence Artificielle
La logique des prédicats est utilisée pour représenter la connaissance. Il ya d’autres façons,
mais cette forme est populaire.
Efficacité d’inférence: la capacité de diriger les mécanismes d’inférence dans les directions les
plus productives en stockant guides appropriés;
• Chaque fait d’un ensemble d’objets est défini de façon systématique dans les
colonnes (figure ci-dessous)
• Peu de possibilité pour l’inférence.
• Base de connaissances pour les moteurs d’inférence.
22
Unité 1. Fondements de l’intelligence artificielle
Une connaissance relationnelle est composée d’objets, comprenant des attributs et des valeurs
associées correspondantes.Les valeurs peuvent être des objets avec des attributs et ainsi de
suite. Les flèches sont dirigées de l’objet vers sa valeur. Cette structure est connue comme
étant un réseau sémantique ou une collection de frames.
Conclusion
Apprentissage : se réfère à l’acquisition des connaissances. Ceci est plus qu’un simple ajout
de nouveaux faits à une base de connaissances. De nouvelles données peuvent être classées
avant le stockage pour faciliter la recherche, etc .. L’interaction et l’inférence avec des faits
existants pour éviter la redondance et la réplication dans la connaissance et aussi pour que les
faits puissent être mis à jour.
Évaluation de l’unité
Vérifiez votre compréhension!
Directives
[Ajouter directives précises et instruments d’évaluation ici]
23
l’Intelligence Artificielle
Unité 2. Programmation en
Intelligence Artificielle
Introduction à l’unité
Le cours donne aux étudiants la possibilité d’implémenter de nombreux algorithmes
classiques de l’IA et de les utiliser sous forme de modules dans de grands systèmes de l’IA afin
d’effectuer des tâches telles que la parole et le traitement d’image, le football simulé, le jeu au
poker, et la navigation robot.
Certaines des méthodes importantes de l’IA qui peuvent apparaître dans divers projets
comprennent l’algorithme A *, l’analyse moyens-fins, les arbres de décision, les algorithmes
génétiques, les réseaux de neurones, la classification bayésienne, le raisonnement par cas, le
renforcement et l’ensachage.
Grâce à ce travail, les étudiants acquerront une compréhension en profondeur de ‘’ l’IA dans la
pratique ‘’, par opposition à la combinaison de “l’IA en théorie” et “l’IA sur les problèmes de
jouets’’ que l’on retrouve dans le cours d’initiation et les cours de niveau intermédiaires en IA.
Objectifs de l’unité
À la fin de cette unité, vous devriez être capable de:
• avoir une expérience pratique dans la conception et la mise en œuvre des projets
relativement importants en IA,
• démontrer des informations précieuses sur pourquoi, quand et comment utiliser
des méthodes de l’IA dans les problèmes réels rencontrés en carrières techniques
• apprendre des idées et des techniques de base sur la conception des systèmes
informatiques intelligents
• mettre en pratique comment construire des agents qui dotés de raisonnement et
d’apprentissage
• maîtriser des applications de programme base pour des variétés de l’intelligence
artificielle.
24
Unité 2. Programmation en Intelligence Artificielle
Termes clés
Agent: tout ce qui peut être considéré comme ayant la capacité
de percevoir son environnement grâce à des capteurs et d’agir sur
l’environnement grâce à des actionneurs
Activités d’apprentissage
Cette unité fournira à l’apprenant une introduction à l’IA sur des programmations qui
prennent en charge les applications de base de l’IA. En satisfaisant les objectifs de cette unité,
l’apprenant aura une familiarité avec la programmation en IA et sera en mesure de l’utiliser
dans des modèles à venir pour implémenter diverses applications de l’IA.
Détails de l’activité
Un agent est tout ce qui peut être considéré comme ayant une perception de son
environnement grâce à des capteurs et ayant une action sur cet environnement grâce à des
actionneurs. Les agents sont répartis en deux catégories, à savoir:
les yeux, les oreilles, et d’autres organes pour les capteurs; les mains, les jambes, la bouche, et
d’autres parties du corps pour les actionneurs.
pour chaque séquence de perception possible, un agent rationnel devrait sélectionner une
action qui devrait maximiser sa mesure de performance, à partir des preuves fournies par la
séquence de perception et cela quelles que soient ses connaissances intégrées ; la mesure de
25
l’Intelligence Artificielle
performance: est le critère visé à travers le succès d’un agent et son comportement, la mesure
de performance d’un agent aspirateur pourrait être la quantité de saleté nettoyé, le temps
nécessaire, la quantité d’électricité consommée, la quantité de bruit généré, etc.
La fonction agent une fonction de l’historique des perceptions vers les actions :
[f: P* → A]
Préceptes: localisation et état de l’environnement, par exemple, [A, Sale], [B, Propre]
Les agents peuvent effectuer des actions en vue de modifier les préceptes futurs pour obtenir
des informations utiles (informations de rassemblement, exploration). Un agent est autonome
si son comportement est déterminé par ses propres préceptes et l’expérience (avec la
capacité d’apprentissage et d’adaptation) sans dépendre uniquement sur la construction des
connaissances internes.
Avant de concevoir un agent intelligent, il nous faut d’abord spécifier son «environnement de
travail»:
26
Unité 2. Programmation en Intelligence Artificielle
Environnement
Actionneurs
Capteurs
Mesure du rendement: Sûr, rapide, loyal, voyage confortable, maximise les profits
Environnement: Les routes, les autres types de circulation, les piétons, les clients
27
l’Intelligence Artificielle
28
Unité 2. Programmation en Intelligence Artificielle
Nous pouvons motiver notre étude de la logique dans une variété de façons. Pour l’un, il est le
fondement intellectuel
pour tous les autres modes de représentation des connaissances sur le monde. Comme nous
l’avons déjà vu, le Web Consortium a adopté un langage logique pour son projet de Web
sémantique. Nous avons également vu que les compagnies aériennes utilisent un langage
semblable à FOL pour décrire les restrictions tarifaires. Nous verrons plus loin quand on parle
de compréhension du langage naturel que la logique joue également un rôle clé.
Logique en pratique
L’une des caractéristiques clés de la logique, par opposition aux langages de programmation,
mais comme les langues naturelles, est que, dans la logique que vous écrivez ce qui est vrai sur
le monde, sans dire comment l’utiliser. Ainsi, par exemple, on peut caractériser la relation entre
les parents et les grands-parents dans cette phrase sans donner un algorithme pour trouver
les grands-parents des petits-enfants ou un algorithme différent pour trouver les petits-enfants,
compte tenu des grands-parents.
Il existe, cependant, des approches pour obtenir une partie de l’efficacité tout en gardant une
grande partie de la puissance de la représentation. Ces approches impliquent à la fois limiter la
langue ainsi que la simplification des algorithmes d’inférence pour les rendre plus prévisibles.
Des idées similaires sont à la base à la fois la programmation logique et les systèmes à base de
règles. Nous biaiser notre présentation à la programmation logique.
Dans la programmation logique, nous allons également utiliser la représentation clausal que
nous avons calculé pour la résolution réfutation. Cependant, nous allons limiter le type de
clauses que nous allons examiner les clauses de Horn de classe appelé
Une clause est de Horn si elle a au plus un littéral positif. Dans les exemples ci-dessous, nous
montrons littéraux sans variables, mais la discussion applique aussi bien à la logique de
commande propositionnelle et le premier.
Une règle est une clause avec un ou plusieurs négatifs littéraux et exactement un littéral positif.
Vous pouvez voir que c’est la forme de clause d’une implication de la forme :
29
l’Intelligence Artificielle
p1 ^ P2 ^... ^
Un fait est une clause avec exactement un littéraux littéral et pas négatifs positifs. Nous allons
généralement distinguer le cas d’un fait au sol, qui est, un littéral sans variables, à partir du cas
général d’un littéral avec des variables, qui ressemble plus à une règle inconditionnelle que ce
que l’on peut considérer comme un «fait».
En général, il y a un autre cas, connu comme une contrainte de cohérence lorsque la clause n’a
pas littéraux positifs. Nous ne traiterons pas avec ces plus loin, à l’exception du cas particulier
d’une clause de but conjonctif qui prendra cette forme (la négation d’une conjonction de
littéraux est une clause de Horn sans littéral positif). Toutefois, les clauses de but ne sont pas
des règles
Conclusion
Les concepts et les techniques de l’IA sont apprises en deux étapes: la théorie et la mise en
œuvre de la théorie dans les programmes. Les techniques de l’IA sont difficiles à programmer
et peuvent être obscurcies par les détails de la programmation. Afin de rendre ces techniques
explicites et de cacher les détails de la programmation, langues AI - tels que Lisp, Prolog,
Scheme, et d’autres - ont été définis pour avoir des caractéristiques linguistiques qui
soutiennent directement la mise en œuvre des techniques de l’IA.
Évaluation
2. Un agent rationnel sera toujours atteindre son objectif. Preuve qu’il est vrai
/ faux
3. Agents d’échecs:
L’un d’eux est appelé “bleu profond”, tandis que l’autre est appelé Garry Kasparov.
Préciser grossièrement l’environnement de travail pour “Deep Blue”. (Cela signifie spécifier
chaque lettre dans le “PEA”.
2. déterministe ou stochastique
3. épisode ou séquentielle
30
Unité 2. Programmation en Intelligence Artificielle
5. discrète ou continue
Dans cette unité, l’apprenant apprendra comment expliquer la syntaxe et la sémantique des
états logiques dans AI, écrire des déclarations, opérer sur des déclarations, appliquer les
règles de la logique de transformer une déclaration aux états équivalents, et d’évaluer les
déclarations tant dans le propositionnel et le prédicat calcul. Faire des inférences et de prouver
les déclarations dans la logique.
Détails de l’activité
agents de résolution de problèmes étaient très rigides: coder en dur chaque état possible.
Connaissances et Raisonnement
Une base de connaissances (KB): une liste de faits qui sont connus pour l’agent.
Règles de déduire de nouveaux faits à partir de vieux faits en utilisant des règles d’inférence.
31
l’Intelligence Artificielle
Oui Discrete
32
Unité 2. Programmation en Intelligence Artificielle
33
l’Intelligence Artificielle
Exemple 2.2
Exemple 3 : logique
La logique est un langage formel pour représenter des informations telles que des conclusions
puissent être tirées
34
Unité 2. Programmation en Intelligence Artificielle
implication
KB = α
Base de connaissances KB implique phrase α si et seulement si α est vrai dans tous les mondes
où KB est vrai
Exemple: x + y = 4 comporte 4 = x + y
Des modèles:
Les logiciens pensent généralement en termes de modèles, qui sont des mondes
formellement structurés, à l’égard desquels la vérité peut être évaluée
Nous disons que m est un modèle d’une phrase α si α est vrai dans m
35
l’Intelligence Artificielle
la logique propositionnelle est la logique la plus simple - illustre les idées de base -
Détails de l’activité
Évaluation de l’unité
Vérifiez votre compréhension!
36
Unité 3. Apprentissage automatique et jeux
Unité 3. Apprentissage
automatique et jeux
Introduction à l’unité
L’apprentissage automatique est un des domaines de l’Intelligence Artificielle. Il consiste à
doter l’ordinateur de capacités pour se programmer lui - même, au lieu de le programmer
manuellement ; ainsi il pourra résoudre de nouveaux problèmes à partir de données déjà
fournies (exemples). L’ordinateur doit améliorer ses performances à partir de tâches déjà
observées, il doit s’auto-programmer, il doit élaborer de nouvelles connaissances à partir
d’expériences fournies. L’objectif est d’appliquer les règles apprises sur de nouveaux exemples.
Il est utilisé lorsque le programme est trop complexe pour être traité de façon manuelle, ou
lorsqu’on manque d’informations sur la tâche à résoudre, ou lorsque les données évoluent
avec le temps ou lorsque le système se comporte différemment selon les utilisateurs…
37
l’Intelligence Artificielle
• l’apprentissage supervisé
• l’apprentissage non supervisé
• l’apprentissage par renforcement
Objectifs de l’unité
À la fin de cette unité, vous devriez être capable de:
Termes clés
[Apprentissage]: auto - programmation de l’ordinateur
38
Unité 3. Apprentissage automatique et jeux
Activités d’apprentissage
Dans l’apprentissage supervisé, les données fournies sont sous la forme de couples (xi,yi) où
xi est l’entrée et yi la cible correspondant à xi : yi est le résultat attendu pour l’entrée xi. On dit
que les données sont étiquetées. La solution de la tâche est connue pour un certain nombre
d’observations. Elles sont généralement étiquetées par un superviseur (expert humain), d’où le
nom d’apprentissage supervisé.
Lorsque la cible yi prend des valeurs discrètres (des valeurs dans ), on parle de classification et
lorsque yi prend des valeurs réelles, on parle de régression.
Détails de l’activité
Un arbre est constitué de noeuds et d’arcs. Les noeuds sont reliés par des arcs. Le noeud, le
plus en haut est appelé racine. Les noeuds terminaux sont appelés feuilles (voir fig 1)
Pour la méthode des arbres de décision, il s’agit de construire un arbre de décision à partir
d’un ensemble d’exemples étiquettés. A l’aide de cet arbre on peut étiquetter de nouvelles
instances. En entrée, on a un multi-ensemble d’exemples : E ⊂A〖〖〖1_ ×A2×...×An×C〗_
〗_ 〗_où les Ai sont des attributs et C est l’attribut cible.
39
l’Intelligence Artificielle
domaines ici sont des ensembles finis. En sortie on aura une fonction
Prenons un exemple où il s’agit de connaître si un message est un spam oui ou non. Donc C =
spam, et dom(C) ={oui, non}. Le tableau suivant donne un ensemble de 7 exemples
Les attributs sont : Auteur, Mots clés, Lien HTML, Majuscule et l’attribut cible qui est Spam.
dom(Majuscule)={oui,non}
dom(Spam)={oui,non}
40
Unité 3. Apprentissage automatique et jeux
Les arcs sont étiquetés par des valeurs du domaine du nœud dont ils découlent.
Comment trouver le meilleur arbre, c’est – à – dire qui a un bon taux de couverture, comment
choisir la racine ? Ce sont des heuristiques qui nous permettent de répondre à de telles
questions. Parmi les heuristiques, une qui est plus connue est celle du gain d’information. Il
s’agit de voir parmi tous les attributs, celui qui a le plus grand gain d’information. Cette notion
de gain conduit à la notion d’entropie. L’entropie mesure combien les différents classes sont
melangées.
où pi est la proportion d’éléments dans D qui sont étiquetés par la ième classe.
où
Calculons par exemple les entropies pour les valeurs de l’attribut Auteur
On aura :
On fait de même pour tous les attributs, l’attribut ayant le plus grand gain sera pris comme
racine.
Une fois la racine choisie, on procède de la même manière pour les autres attributs.
41
l’Intelligence Artificielle
Conclusion
Dans cette partie, on a parlé d’un type d’apprentissage : l’apprentissage supervisé et d’un
algorithme pour ce type : l’algorithme des arbres de décision. A partir de données étiquetées,
on construit un arbre de décision qui permettra de classer toute nouvelle donnée qu’on lui
fournit. Les noeuds de cet arbre sont déterminés grâce à des calculs de gain d’information.
Ces gains d’information sont à leur tour calculés à l’aide d’entropie.
L’objectif de l’apprentissage non supervié est de regrouper les données non étiquetés en
fonction de leur similarité. Dans ce cas on ne dispose que d’exemples, pas d’étiquettes
(données brutes), le nombre de classes et leur nature n’ont pas été prédéterminés et doit
dégager des points communs entre ces données, on parle d’apprentissage non supervisé ou
clustering. Aucun expert n’est sollicité.
On parlera dans les détails un des algorithmes utilisés : l’algorithme des K-moyennes.
Détails de l’activité
L’algorithme des K-moyennes est un algorithme utilisé en apprentissage non supervisé. Pour
cela on procède comme suit :
a) choisir aléatoirement k
Prenons k = 3
Nous calculons la distance entre chaque élément et le centre, en prenant comme distance
d(x,y) = |x-y|
pi 1 2 3 6 7 8 13 15 17
d(c1,pi) 0 1 2 5 6 7 12 14 16
d(c2,pi) 1 0 1 4 5 6 11 13 15
42
Unité 3. Apprentissage automatique et jeux
d(c3,pi) 2 1 0 3 4 5 10 12 14
dist 0
min
0 3 4 5 10 12 14
g2={2}, c2 =2,
pi 1 2 3 6 7 8 13 15 17
d(c1,pi) 0 1 2 5 6 7 12 14 16
d(c2,pi) 1 0 1 4 5 6 11 13 15
d(c3,pi) 8.86 7.86 6.86 3.86 2.86 1.86 3.14 5.14 7.14
dist 0
min
0 1
g2={2,3}, c2=2.5
g3={6,7,8,13,15,17}, c3 = 11
g2={2,3}, c2=2.5
g3={6,7,8,13,15,17}, c3 = 11
43
l’Intelligence Artificielle
pi 1 2 3 6 7 8 13 15 17
d(c1,pi) 0 1 2 5 6 7 12 14 16
d(c2,pi 1.5 0.5 1.5 3.5 4.5 5.5 10.5 12.5 14.5
d(c3,pi) 10 9 8 5 4 3 2 4 6
dist 0
min
4 3 2 4 6
g1={1}, c1 = {1}
g2={2,3,6} c2 = 3.67
g3= {7,8,13,15,17}, c3 = 12
pi 1 2 3 6 7 8 13 15 17
d(c1,pi) 0 1 2 5 6 7 12 14 16
d(c2,pi) 2.67 1.67 0.67 2.33 3.33 4.33 9.33 11.33 13.
d(c3,pi) 11 10 9 6 5 4 1 3 5
dist 0 1
min
4 1 3 5
44
Unité 3. Apprentissage automatique et jeux
g2={3,6,7}, c2=5.33
g3={8,13,15,17} , c3=13.25
g1={1,2,3}, c1=2
g2={6,7,8}, c2 =7
g3={13,15,17},c3 = 15
Recalcul des
centres
pi 1 2 3 6 7 8 13 15 17
d(c1,pi) 1 0 1 4 5 6 11 13 15
d(c2,pi) 6 5 4 1 0 1 6 8 10
d(c3,pi) 14 13 12 9 8 7 2 0 2
dist min 1 0
1 0 1
2 0 2
G1={1,2,3}, c1=2
g2={6,7,8}, c2 = 7
g3={13,15,17}, c3 =15
Conclusion
A partir d’un jeu de données sans étiquettes, on fait un regroupement de ces mêmes données
suivant des points similaires. L’apprentissage non supervisé est utilisé dans plusieurs domaines
dont la céismologie.
45
l’Intelligence Artificielle
Évaluation
Dans le plan, on considère les points p1(1,3), p2(3,3), p3(4,3), p4(5,3),p5(1,2), p6(4,2), p7(1,1)
et p8(2,1). A l’aide de l’algorithme du k-moyenne et pour k = 2, faire un regroupement de ces
points.
Les jeux sont également un des domaines de prédilection de l’Intelligence Artificielle. Au délà
de l’aspect ludique du jeu, on s’interesse, grâce à des heuristiques à des aspects généraux de
recherche de solution. Au début, on se servait de la seule puissance de calcul des ordinateurs
en envisageant un grand nombre de voies en un temps record. Mais l’explosion combinatoire
des problèmes a conduit à envisager l’utilisation d’heuristiques pour mieux résoudre les
résoudre. Puis, il y a eu l’apparition de plans d’action pour atteindre le but visé, c’est – à – dire
battre l’adversaire.
Détails de l’activité
On s’interesse aux cas où on a deux joueurs : J1 et J2, le jeu est asynchrone, c’est – à -dire
chaque joueur a son tour de jouer, il est à information complète, chaque joueur sait tout de la
situation de jeu à chaque instant. On se met dans la situation où J1 est le premier à jouer. Un
jeu peut être vu comme étant un arbre dont :
Il s’agit de développer l’arbre pour le jeu, on note chaque feuille avec sa valeur, puis on fait
remonter ces valeurs avec l’hypothèse que chaque joueur choisit le meilleur coup pour lui.
Ainsi Max choisit le coup amenant à l’état de valeur maximale, Min choisit le coup amenant à
l’état de valeur minimale. Le joueur Max est appelé le joueur maximisant (ou joueur), le joueur
46
Unité 3. Apprentissage automatique et jeux
Un état du jeu est une configuration du jeu , par exemple : l’état d’un jeu d’échec est
l’ensemble de toutes les positions des pièces sur l’échiquier
L’ état initial est l’état de jeu avant que les joueurs aient joué, et l’état final est un état mettant
fin au jeu (gagné, perdu, égalité)
Le gain d’un état est la valeur gagnée par un joueur s’il atteint l’état donné. Un coup est une
action permettant de passer le jeu d’un état à un autre .
Les fils d’un état ei, sont les états atteignables depuis cet état. On les désigne par f(ei).
On définit une fonction heuristique, notée h, qui associe une valeur à chaque état du jeu, cela
nous permet de savoir les gains.
Algorithme du MinMax.
Fonction Minimax ( e , d )
sinon
sinon
Conclusion
L’algorithme du MiniMax s’applique à la théorie des jeux pour les jeux à deux joueurs à
somme nulle (et à information complète) consistant à minimiser la perte maximum. Il amène
l’ordinateur à revoir toutes les possibilités pour un nombre limité de coups et à leur assigner
une valeur qui prend en compte les bénéfices pour le joueur et pour son adversaire. Le
meilleur choix est alors celui qui minimise les pertes du joueur tout en supposant que
l’adversaire cherche lui aussi à les maximiser (le jeu est à somme nulle).
Évaluation
Sur une table sont disposés des brin d’ allumettes. Chaque fois que c’est le tour d’un joueur, il
choisit 1, 2 ou 3 brins en même temps. Le joueur qui
à retirer la dernière allumette est le perdant. Faire l’arbre MINIMAX pour la situation avec 5
allumettes
47
l’Intelligence Artificielle
Résumé de l’unité
Cette unité a porté sur l’apprentissage automatique, et sur les jeux. L’apprentissage
automatique est un domaine très prisé en intelligence artificielle, car il ne s’agit plus de
programmer manuellement l’ordinateur (ce qui est fastidieux dans certains cas), mais plutôt de
fournir à l’ordinateur des capacités lui permettant lui - même d’apprendre, c’est - à - dire de
s’auto-programmer. Il y a plusieurs types d’apprentissages et chaque type englobe plusieurs
algorithmes. Les jeux ne sont pas restés en marge dans l’Intelligence Artificielle, dès ses
premiers débuts elle s’est interessé aux jeux. Cette rubrique sur les jeux n’a cessé d’évoluer,
et il y a même eu des ordinateurs qui ont battu des champions du monde. Cette partie aussi
comporte plusieurs algorithmes parmi lesquels l’algorithme du minimax décrit ci-haut.
Évaluation de l’unité
Directives
A partir des données de la table ci-après, faire un arbre de décision.
Évaluation
A partir de l’algorithme du minimax, décrire une partie de tic-tac-toe.
48
Unité 4. Représentation des connaissances et langage naturel
Il faut aussi noter la necessité grandissante pour l’homme de dialoguer avec les ordinateurs,
non pas avec un langage artificiel, mais avec la langue utilisée par l’humain : le langage naturel.
Cette unité permettra de savoir quelques techniques utilisées pour la représentation des
connaissances et le langage naturel.
Objectifs de l’unité
À la fin de cette unité, vous devriez être capable de:
Termes clés
Connaissance : Ce que l’on a appris par l’étude ou la pratique.
49
l’Intelligence Artificielle
Activités d’apprentissage
• toujours vraie
• évolutive
• incertaine
• floue
• typique
• ambiguë
Comme dit précédemment, la représentation des connaissances sera abordée sous deux
aspects : les représentations logiques et les réseaux sémantiques.
50
Unité 4. Représentation des connaissances et langage naturel
C’est des assertions capables de prendre des valeurs vrai ou faux dans un univers donné. Ces
assertions sont composées de prédiacts et de leur arguments. On peut leur associer des
opérateurs pour donner d’autres assertions : ¬ (négation) , ^ (et), v (ou) , => (implication), <=>
(équivalence).
On avoir plusieurs arguments : queue (cheval, longue) : la queue du cheval est longue.
La logique des proposition présentant des insuffisances, celle des prédicats du 1er ordre en est
une extension, avec l’introduction des variables notées : u,v,w, etc. qui peuvent être quantifiées
avec le quantificateur universel , ou le quantificateur existenciel . Elle est dite de 1er ordre car
ce sont les variables qui sont quantifiées et non les prédicats .
Par exemple : x P(x), veut dire que la proposition P(x) est vraie pour tous les éléments x du
domaine de définition de P.
( y) Q(y), veut dire qu’il existe au moins un élément y du domaine pour lequel Q(y) est vraie.
Exemples de formules :
Le raisonnement en logique :
C’est produire de nouvelles formules à partir de formules existantes. Pour cela, il y a des règles
que fournissent certains logiciels comme le logiciel PROLOG. Ces règles sont :
51
l’Intelligence Artificielle
Un réseau sémantique est un graphe dont les nœuds étiquetés représentent des concepts et
les arcs des relations traduisant de sens entre les concepts. Ces rel tions peuvent
se traduire par des expressions du genre ‘’ est une sorte de ‘’ ou ‘’ est un ‘’ ou d’autres
expressions traduisant les compléments circonstanciels.
Exemple :
Remarque :
Les réseaux sémantiques représentent généralement des connaissances dont les liens sont de
nature hiérarchique.
Conclusion
La représentation des connaissances par la logique présente certains défauts, car le système
est basé sur les connaissances des développeurs et aussi il est impossible d’implémenter des
modules qui expliquent les comportements intelligents.
52
Unité 4. Représentation des connaissances et langage naturel
humaine.
Évaluation
Le traitement du langage naturel est un domaine qui résulte d’efforts conjugués des linguistes
et des informaticiens. Il se fait par le biais du traitement sur le codage des informations
(algorithmes). De nos jours un des défis de l’IA est de pouvoir utiliser le langage naturel pour
communiquer avec la machine. Le traitement du langage naturel intervient dans plusieurs
domaines :
• la traduction automatique
• la correction orthographique
• la reconnaissance de la parole
• la synthèse de la parole
• les moteurs de recherche
• Détails de l’activité
53
l’Intelligence Artificielle
On distingue plusieurs niveaux de traitement du langage naturel, nous prenons ici le cas des
textes. Il s’agit de :
niveau morphologique :
La morphologie est l’étude des morphèmes et des types de combinaisons existant entre ces
morphèmes. Le morphème est la plus petite entité linguistique ayant un sens et une forme. On
distingue les morphèmes lexicaux et les morphèmes grammaticaux (affixes). Les morphèmes
lexicaux ou lexèmes se refèrent à des objets du monde tels que les noms, les verbes et les
adjectifs, tandis que les grammaticaux jouent un rôle grammatical ; ils se combinent aux
lexèmes pour donner d’autres mots. Les lexicaux ont une liste extensible (choquant, hyper
choquant) tandis que la liste des grammaticaux est figée. Dans un système de TALN, l’analyse
morphologique a pour objectif principal de reconnaître les propriétés grammaticales des mots,
d’identifier des entités nommées telles que les noms d’objets.
• niveau syntaxique : Il s’agit d’élaborer des règles pour la combinaison des mots
en vue d’obtenir des phrases. Ces règles parlent de la nature des constituants de
la phrase, de la structure hiérarchique des constituants. Ce niveau est beaucoup
utilisé pour la compilation des langages de programmation.
• niveau sémantique : pour les sens des “mots”. IL met une correspondance entre
des situations du monde réel et les structures reconnues par le niveau syntaxique.
Un mot n’a pas de sens que quand il est utilisé dans un contexte.
• le niveau pragmatique : interprétation au sens général permettant de lever des
ambiguités par rapport à certains concepts. Il porte sur certaines attitudes à
prendre vis – à – vis des énoncés : probalité, déisrabilité, vérité.
Conclusion
Le traitement du langage naturel est de nos jours beaucoup utilisé dans l’industrie (industrie
du langage) , les recherches sont toujours pointées vers ce domaine même si les réalisations
restent encore à désirer. Les tendances actuelles sont :
54
Unité 4. Représentation des connaissances et langage naturel
Évaluation
Le sens des phrases importe peu ici.Nous disposons d’une mini-grammaire :
a. Une phrase est formée d’un groupe nominal accompagné d’un groupe verbal.
Ecrire toutes les phrases possibles qui respectent les règles de cette mini-grammaire. Il doit y
en avoir 16 en tout.
Identifiez celles qui comportent des erreurs au niveau sémantique et celles qui comportent
des erreurs au niveau syntaxique. Une phrase comme “ chien aime viande “ comporte erreurs
syntaxiques mais reste compréhensible.
Résumé de l’unité
Deux aspects essentiels sont à la base de la motivation pour le traitement du langage naturel :
Ceci fait du TALN (Traitement Automatique du Langage Naturel) un domaine qui se trouve à la
croisée de plusieurs disciplines telles que l’Intelligence Artificielle, la logique, la linguistique et
même les statistiques et les neuro-sciences.
55
l’Intelligence Artificielle
Évaluation de l’unité
Vérifiez votre compréhension!
Directives
Exercice 1
b2) Vous ne bénéficierez pas de carte de priorité si vous gagnez plus de 30 000
c2) Si Karim ne valide pas sa session alors il n’est pas excellent en informatique.
c3) Si karim n’est pas excellent en informatique, alors il ne valide pas sa session.
56
Unité 4. Représentation des connaissances et langage naturel
Exercice 2
a3) Karim et Fanta sont des humains. Blanche et rouge sont des couleurs.
b2) Seydou qui fait 1m70 cm est plus petit que Harouna qui mesure 1 m 90 cm.
c2) Kanda et Tiéblé sont des personnes, Sonatam est une société de fabrique de
cigarettes.
Initialisation
Entrer a
Entrer b
Affecter à b la valeur a + b
Affecter à a la valeur b – a
Sortie
Afficher a
Afficher b
c) Que constate – t – on ?
Exercice 2
57
l’Intelligence Artificielle
Exercice 3
Quel est le lien commun existant entre les mots suivants : «chantait »,
58
Unité 4. Représentation des connaissances et langage naturel
59
l’Intelligence Artificielle
60
Unité 4. Représentation des connaissances et langage naturel
61
Siège de l’Université Virtuelle Africaine
PO Box 25405-00603
Nairobi, Kenya
contact@avu.org
oer@avu.org
bureauregional@avu.org
2017 UVA