Année Universitaire 

: 2018 - 2019
ème
Auditoire  2 année

Matière  Introduction à l’intelligence artificielle

Examen de rattrapage Nom :

Durée : 1h
Nombre de pages : 4 ………………………………..

Prénom : …………………………….
Documents non autorisés

NB : - La compréhension de l'énoncé fait partie de l'examen Note :

- Le barème est donné à titre indicatif.

1. Décrire brièvement la vision artificielle (1 pt)

………………………………………………………………………………………………..............
...........
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..

2. Expliquer le principe de l’apprentissage automatique (1 pt)

………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..

Page 1 sur 6
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..

3. Explique la différence entre l’apprentissage supervisé et l’apprentissage non supervisé

(2 pts)

….
………………………………………………………………………………………………………
……...
….
………………………………………………………………………………………………………
….…..
….……….
……………………………………………………………………………………………………..

Ne rien écrire ici

4. Dessiner un schéma qui illustre le cycle de développement d’un modèle prédictif. (2 pts)

5. Soit la base de données « Examen » qui contient 1000 cas, ayant comme attribut de
décision « Diagnostic » dont la valeur peut être « Diabète Type 1 », « Diabète Type 2» ou
«Absence de diabète ». Un modèle prédictif a été développé en utilisant 80% des cas. Les

Page 2 sur 6
 tests sur les 20% restants ont donné les résultats suivants :
- 60 prédictions « Diabète Type 1» et qui sont réellement « Diabète Type 1 »
- 50 prédictions « Diabète Type 2» et qui sont réellement « Diabète Type 2 »
- 60 prédictions « Absence de diabète » et qui sont réellement « Absence de diabète »
- 8 prédictions « Diabète Type 1» et qui sont réellement « Diabète Type 2  »
- 5 prédictions « Diabète Type 1» et qui sont réellement « Absence de diabète »
- 8 prédictions « Diabète Type 2» et qui sont réellement « Absence de diabète »
- 5 prédictions « Diabète Type 2» et qui sont réellement « Diabète Type 1 »
- 2 prédictions « Absence de diabète » et qui sont réellement « Diabète Type 1 »
- 2 prédictions « Absence de diabète » et qui sont réellement « Diabète Type 2 »
Calculer les métriques suivantes :

Précision (accuracy):……………… (0.5 pt) Matrice de confusion : (0.5 pt)

Vrai positifs : ………………………(0.5 pt)
Faux positifs: ………………………(0.5 pt)
Vrai négatifs: ………………………(0.5 pt)
Faux négatifs: ………………………(0.5
pt)

Comment peut-on avoir des tests plus précis ? (1 pt)

………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..

6. Citer trois avantages de la plateforme KNIME (1.5 pts)

1-
………………………………………………………………………………………………………
……...
2-
………………………………………………………………………………………………………
….…..
3-……….
……………………………………………………………………………………………………..

7. Elaborer un diagramme KNIME qui permet de :

- Lire une base de données à partir d’un fichier CSV,
- Répartir la base de données en deux, 80% pour l’apprentissage et 20% pour le test,
- Créer un modèle prédictif en utilisant une méthode d’apprentissage Réseaux de

Page 3 sur 6
 neurones,
- Evaluer les performances du modèle prédictif.
Décrire chaque nœud du diagramme (paramètres, entrées, sorties). (5 pts)

………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..

Page 4 sur 6
………………………………………………………………………………………………………
………..

8. Déterminer la relation entre « Big data », « IoT » (0.5 pt)

………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..

9. Expliquer la différence entre « Machine Learning » et « Deep Learning » ? (1 pt)

………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..

Page 5 sur 6
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..

10. Pourquoi un modèle prédictif pourrait être plus précis qu’un expert, et dans quelles
conditions ? (2 pts)

………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..
………………………………………………………………………………………………………
………..

Page 6 sur 6