Académique Documents
Professionnel Documents
Culture Documents
Internationale
Cours Intélligence
Artificielle
Enseignante :Dr.Fatma SBIAA (fatmasbiaazayen@gmail.com)
Objectifs
Ce cours est une préparation à la certification HCIA en Intelligence
Artificielle. Il vise à:
✓Aborder des problèmes liés aux données et aux systèmes d'apprentissage.
Plan
✓Chapitre 1: Introduction à l’IA
1. Définitions
Intelligence artificielle
Définie par Marvin Minsky comme étant une science dont l’objectif est
de faire réaliser par une machine des tâches que l’homme accomplit
en utilisant son intelligence.
1. Définitions
Apprentissage Automatique
Contrairement à la programmation où une machine se contente d'exécuter à la
lettre des règles prédéterminées un programme écrit dans un but bien
déterminé, l’apprentissage automatique permet aux machines d'apprendre,
par elle-même, à comprendre (interpréter) des contextes et prendre des
décisions.
2.LesHistoriques
enjeux et les perspectives
➢ L’IA a connu ses premiers avancés en informatique avec les systèmes automates,
la récursivité et des langages comme Lisp et Prolog.
2.LesHistoriques
enjeux et les perspectives
➢ En réalité, l’IA a connu des échecs à plusieurs reprises notamment dans les années
1970 et 1990.
➢ Elle a été longtemps limitée par les coûts et les performances des machines
(vitesse, capacité mémoire, capacité de stockage)
→reculs des investissements par les industriels.
➢ Cependant, de nos jours, les superordinateurs et surtout le cloud ont réduit
ces limites.
➢ À titre d’exemple, Amazon AWS et Google cloud sont désormais accessibles
avec des budgets très raisonnables.
2.LesHistoriques
enjeux et les perspectives
3. Domaines d’application
✓ Robotique
✓ Conduite autonome: outils d’aides à la conduite assistée et
autonome.
✓ Diagnostiques médical (aide à la décision, analyse de radio,
détection des tumeurs..)
✓ Reconnaissance de texte (manuscrit, immatriculation des
voiture…)
✓ Traduction en temps réel
✓ Reconnaissance d’objets sur une image
✓ Reconnaissance faciale ou vocale
✓ Marketing/ vente (segmentation , prédiction…)
Cours IA - Dr. Fatma SBIAA 10
4ème année G.Informatique Introduction
3. Domaines d’application
INTELLIGENCE
ARTIFICIELLE
STATISTIQUES, OPTIMISATION
analyse de données
Apprentissage
Artificiel
AUTOMATIQUE,
commande, VISION
robotique
Cours IA - Dr. Fatma SBIAA 11
4ème année G.Informatique Introduction
➢ Fondée en 1987, Huawei est l'un des principaux fournisseurs mondiaux d'infrastructures de
technologies de l'information et des communications (TIC) et d'appareils intelligents.
➢ Elle est présente dans plus de 170 pays et régions, au service de plus de trois milliards de
personnes dans le monde.
✓ apporter le cloud et l'intelligence artificielle aux quatre coins du monde pour fournir une puissance
informatique supérieure
✓ construire des plateformes numériques pour aider toutes les industries et organisations à devenir plus agiles,
efficaces et dynamiques
✓ redéfinir l'expérience utilisateur avec l'IA, en la rendant plus personnalisée pour les gens dans tous les aspects de leur
vie, qu'ils soient à la maison, au bureau ou en déplacement.
1.introduction
C’est quoi les machines learning?
Apprentissage Automatique, aussi connu sous le nom de Machine Learning.
•C’est un sous domaine de l’ IA qui se fonde sur des approches mathématiques et statistiques pour
donner aux ordinateurs la capacité d' «apprendre» à partir d’un ensemble de données.
1.introduction
Pourquoi “apprendre” ?
2. Applications
2. Applications
3. Types d’apprentissage
➢ Non supervisé: Analyser des données sans avoir une décision au départ.
Exemple: regrouper des documents similaires en fonction du texte (clustering)
3. Types d’apprentissage
3. Types d’apprentissage
3.1. Apprentissage supervisé
3. Types d’apprentissage
3.1. Apprentissage supervisé
Types d’apprentissage
3.1. Apprentissage supervisé
❑ La classification supervisée
La base de données d'apprentissage est un ensemble de couples entrée-sortie (Xn, Yn).
3. Types d’apprentissage
3.1. Apprentissage supervisé
❑ La classification supervisée (exemple)
3. Types d’apprentissage
3.1. Apprentissage supervisé
Voici quelques exemples populaires d’algorithmes d’apprentissage automatique
supervisé:
✓DecisionTree Classifier (Arbres de décision)
✓K Nearest Neighbours (K NN)
✓SVC linéaire (classificateur de vecteur de support)
✓Régression logistique
✓Naive Bayes
✓Les réseaux de neurones
✓Régression linéaire
✓Régression vectorielle de support (SVR)
✓Arbres de régression
Cours IA - Dr. Fatma SBIAA 27
4ème année G.Informatique Chapitre 2: Machine Learning
3. Types d’apprentissage
3.2. Apprentissage non supervisé
✓Ce type d’apprentissage consiste à ne disposer que de données d’entrée
(X) et pas de variables de sortie correspondantes.
✓L’objectif de l’apprentissage non supervisé est de modéliser la
structure ou la distribution sous-jacente dans les données afin d’en
apprendre davantage sur les données.
✓ Les algorithmes sont laissés à leurs propres mécanismes pour découvrir et
présenter la structure intéressante des données.
3. Types d’apprentissage
3.2. Apprentissage non supervisé
Voici une liste de certains algorithmes d’apprentissage automatique non supervisés:
✓K-means clustering
✓Dimensionality Reduction (Réduction de la dimensionnalité)
✓Principal Component Analysis (Analyse des composants principaux)
✓SingularValue Decomposition (Décomposition en valeur singulière)
✓Independent Component Analysis (Analyse en composantes indépendantes)
✓Distribution models (Modèles de distribution)
✓Hierarchical clustering (Classification hiérarchique)
✓Neural networks / Deep Learning
4. Algorithmes de classification
4. Algorithmes de classification
Schéma global d’un modèle de classification
4. Algorithmes de classification
Modélisation de la classification supervisée
4. Algorithmes de classification
Modélisation de la classification supervisée
✓ Les exemples/données sont des couples (x,y) de X xY tirés selon la distribution jointe :
P(Z=(x,y)) = P(X=x)P(Y=y|X=x)
4. Algorithmes de classification
4.1. K Neighbors Classifier : k plus proches voisins
✓ Objectif : pouvoir prédire la classe d'un nouvel exemple en utilisant les exemples
déjà connus.
✓ Principe :
1. regarder la classe des k exemples les plus proches
2. Affecter la classe majoritaire dans le voisinage au nouvel exemple
4. Algorithmes de classification
4.1. K Neighbors Classifier : k plus proches voisins
✓Algorithme:
Entrée : S ={(x, y) | x ∈ X ⊆ Rd , y ∈ Y} l’échantillon d’apprentissage,
xtest l'exemple à classer
Début
Initialiser à 0 le nombre d'occurrences de chacune des classes
pour chaque exemple (x, y) dans S :
Calculer la distance D(x, xtest)
pour chaque x’ dans k-voisinage(xtest) :
Ajouter 1 au nombre d'occurrences de y’
Retourner la classe la plus fréquente à partir du nombre
d’occurrences de chaque classe
4. Algorithmes de classification
4.1. K Neighbors Classifier : k plus proches voisins
4. Algorithmes de classification
4.1. K Neighbors Classifier : k plus proches voisins
4. Algorithmes de classification
4.1. K Neighbors Classifier : k plus proches voisins
4. Algorithmes de classification
4.1. K Neighbors Classifier : k plus proches voisins
4. Algorithmes de classification
4.1. K Neighbors Classifier : k plus proches voisins
4. Algorithmes de classification
4.2. SVM « Support Vector Machines »
4. Algorithmes de classification
4.2. SVM « Support Vector Machines »
L’hypothèse de départ est que les données sont linéairement séparables (cette
hypothèse sera partiellement relâchée)
4. Algorithmes de classification
4.2. SVM « Support Vector Machines »
4. Algorithmes de classification
4.2. SVM « Support Vector Machines »
✓ Les SVM sont utilisés pour les problèmes de classification de texte telles que la
détection du spam ou l’analyse des sentiments.
✓ Ils sont couramment utilisés pour les problèmes de reconnaissance d’image,
particulièrement en reconnaissance de forme et en classification de couleur.
✓ Les SVM jouent, également, un rôle essentiel dans de nombreux domaines de la
reconnaissance manuscrite des symboles, tels que les services d’automatisation
postale.
4. Algorithmes de classification
4.2. SVM « Support Vector Machines »
http://eric.univ-lyon2.fr/~ricco/cours/slides/svm.pdf
Cours IA - Dr. Fatma SBIAA 45
4ème année G.Informatique Chapitre 2: Machine Learning
4. Algorithmes de classification
4.3. Les arbres de décision (Decision Tree Classifier)
4. Algorithmes de classification
4.3. Les arbres de décision (Decision Tree Classifier)
4. Algorithmes de classification
4.3. Les arbres de décision (Decision Tree Classifier)
➢ Algorithme générique :
arbre ← arbre vide ; nœud courant ← racine
Répéter
Décider si le nœud courant est terminal
Si le nœud est terminal alors lui affecter une classe
Sinon sélectionner un test et créer autant de noeuds fils qu'il y a de réponses possibles
au test
Passer au nœud suivant (si il existe)
4. Algorithmes de classification
4.3. Les arbres de décision (Decision Tree Classifier)