Cours IA Chapitre 1 2 2

Ecole Pluridisciplinaire
Internationale
Cours Intélligence
Artificielle
Enseignante :Dr.Fatma SBIAA (fatmasbiaazayen@gmail.com)
A.U 2021/2022 4ème année G.Informatique

4ème année G.Informatique
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.
✓Identifier l'algorithme d'apprentissage approprié pour une tâche donnée dans un

domaine spécifique et fournir des solutions d'intégration pertinentes
✓Intégrer les connaissances acquises dans le contexte de la recherche scientifique

et des systèmes intelligents pour les produits Huawei.
Cours IA - Dr. Fatma SBIAA 2
Plan
✓Chapitre 1: Introduction à l’IA
✓Chapitre 2 : Machine Learning
✓Chapitre 3 : Les Réseaux de Neurones Artificiels: ANN
✓Chapitre 4: Apprentissage Profond (Deep Learning)
✓Chapitre 5: Introduction aux produits Huawei

Chapitre 1: Introduction à l’Intelligence

Artificielle
✓Définitions
✓Historiques, les enjeux et les perspectives futurs de l’IA
✓Les domaines d’application de l’intelligence artificielle
✓La stratégie de développement de l'IA de Huawei

4ème année G.Informatique Introduction
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.
Pour y arriver, on a besoin de faire recours à des algorithmes conçus à

partir de modèles statistiques pour faire apprendre à une machine
comment réaliser les tâches désirées.

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.
➢ Au commencement, on parlait surtout des règles logiques, de la récursivité,

de l'analyse syntaxique, des graphes, et des systèmes experts.
➢ Mais actuellement, ce sont l'apprentissage automatique et plus particulièrement

les réseaux de neurones et le Deep Learning qui tirent ce domaine vers le
haut.

2.LesHistoriques
➢ 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
➢ Ainsi, nous pouvons actuellement lancer des calculs complexes et analyser

des grandes quantités de données pour des coût acceptables.
➢ Cela encourage les travaux de recherche et les investisseurs pour s’en

servir dans tous les secteurs ce qui donne son envol à l’évolution de l'intelligence
artificielle.

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…)
3. Domaines d’application
INTELLIGENCE
ARTIFICIELLE
STATISTIQUES, OPTIMISATION
analyse de données
Apprentissage
Artificiel
AUTOMATIQUE,
commande, VISION
robotique
4. La stratégie de développement de l'IA de

Huawei
Nombreux secteurs d’activité: Divers produits et services:
Finance intelligent, santé, enseignement, énergie, Stockage de données, serveurs et cloud computing,
gouvernement, services internet, fabrication et digital power, analyse des vidéos et des données,
production des solutions IT … réseau d’entreprise, services digitaux …
La 6éme entreprise la plus Huawei compte parmi les

innovante au monde selon meilleurs employeurs de 2020
Boston Consulting Groupe selon Top Employer
(BCG) Institute
https://e.huawei.com/fr/about/huawei-enterprise

Huawei


Huawei
➢ 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.
➢ Sa vision et sa mission consistent à apporter le numérique à chaque personne, foyer et

organisation pour un monde intelligent et entièrement connecté.


Huawei
➢ À cette fin, elle vise à:
✓ favoriser une connectivité omniprésente et promouvoir l'égalité d'accès aux réseaux
✓ 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.

Chapitre 2: Machine Learning

✓Introduction
✓ Définition
✓Application
✓Types d’apprentissage
✓Algorithmes de classification

4ème année G.Informatique Chapitre 2: Machine Learning
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” ?
➢ Les machines d’apprentissage sont des programmes d’ordinateurs qui performent

une tâche suite à un apprentissage à partir de données et d’expériences du
passé.
➢ L’apprentissage est utile dans les cas où:
✓ L’expertise humaine n’existe pas
✓ L’humain n’arrive pas à expliquer comment il arrive à accomplir une tâche (reconnaissance
automatique de la parole)
✓ Une large quantité de données est à traiter
✓ La solution change en court de route (routage sur un réseau Internet)
✓ La solution doit s’adapter à son utilisateur (biométrie, filtrage: e-mail).
2. Applications

2. Applications

3. Types d’apprentissage
➢ Supervisé: Models/Méthodes prédictives: Labeled training

Example: classification des emails…
➢ Non supervisé: Analyser des données sans avoir une décision au départ.
Exemple: regrouper des documents similaires en fonction du texte (clustering)
➢ Semi-supervisé: Utilisation de données non étiquetées, en combinaison avec des

données étiquetées afin d'améliorer significativement la qualité de l'apprentissage.
➢ Par renforcement : apprendre à agir en fonction des commentaires / récompenses

(feedback/reward)
Example: jeux vidéos(reward: win or lose ) 21
Cours IA - Dr. Fatma SBIAA

3.1. Apprentissage supervisé
✓ L’apprentissage supervisé permet, sur base d’un échantillon déjà étiqueté, de

réaliser une classification sur un jeu de données (non-étiqueté).
✓ Les données catégorisées vont permettre à l’algorithme de bien raffiner la phase
d’apprentissage et aboutir à un système performant.
✓ Ce type d’apprentissage consiste à utiliser un algorithme pour apprendre la fonction
de « mapping » de l’entrée (X) à la sortie (Y).
Y = f (X)
➢ Le but est d’appréhender si bien la fonction de « mapping » de telle sorte que, le
modèle conçu pourra prédire les variables de sortie (Y) pour des nouvelles données
d’entrée
Cours (x).
IA - Dr. Fatma SBIAA 23
L’un des prochains enjeux de l’apprentissage supervisé est de réduire le nombre

d’images à analyser pour que la machine apprenne plus rapidement.

Types d’apprentissage
❑ La classification supervisée
La base de données d'apprentissage est un ensemble de couples entrée-sortie (Xn, Yn).

❑ La classification supervisée (exemple)

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
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.

3.2. 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
Apprendre à classifier des données revient à apprendre une fonction de décision : la

frontière entre les classes.

Schéma global d’un modèle de classification

Modélisation de la classification supervisée
✓Attributs (variables ou colonnes) : c’est l’un ensemble des X = X1 x X2

...x Xd où chaque Xi est le domaine d'un attribut Ai symbolique ou
numérique.
○ Exemple: A1= âge, X1= [0; 122], A2= fumeur, X2= {oui, non}
✓Classes (cible, target, label, etiquettes) : Un ensemble fini de classesY.
○ Exemple:Y = {patient_à_risque, patient_sans_risque}
✓ Une variable aléatoire Z=(X,Y) à valeurs dans X xY.
○ Exemple: le risque cardiaque est lié à l'âge et au fait de fumer
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)

4.1. 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

✓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





✓En cas d’égalité:
Si 2 classes ou plus sont aussi fréquentes dans le k-voisinage, on peut :
● Augmenter k de 1 (le nombre des voisins à prendre en compte)

● Tirer une classe au hasard parmi les plus fréquentes
● Attribuer la classe majoritaire dans les données
● Pondérer les exemples par leur distance à la donnée à classer

4.2. SVM « Support Vector Machines »
✓Les SVM sont une généralisation des classifieurs linéaires.

✓C’est un ensemble de techniques d'apprentissage supervisé destinées à
résoudre des problèmes de discrimination (décider à quelle classe
appartient un échantillon) et de régression (prédire la valeur numérique
d'une variable).
✓La résolution de ces deux problèmes passe par la construction d'une
fonction h qui à un vecteur d'entrée x fait correspondre une sortie y:
Y= h(X)
L’hypothèse de départ est que les données sont linéairement séparables (cette
hypothèse sera partiellement relâchée)
➢ Pour un ensemble de points linéairement séparables, il existe une infinité

d'hyperplans séparateurs.
➢ On cherche obtenir l’hyperplan ayant la marge maximale (distance entre les

échantillons de classes différentes).
➢ Objectif : réduire l’erreur sur les données non vues.
➢ Les échantillons entourés sont appelés des vecteurs supports.

✓ 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.

http://eric.univ-lyon2.fr/~ricco/cours/slides/svm.pdf
4.3. Les arbres de décision (Decision Tree Classifier)
Un arbre de décision est un arbre orienté dont :

✓ Les nœuds internes sont étiquetés par un test applicable à tout individu,
généralement sur un attribut de description.
✓ Les arcs contiennent les résultats du test.
✓ Les feuilles sont étiquetés par une classe par défaut.

Un arbre de décision est donc un classifieur organisé de manière arborescente.
● Il a une traduction immédiate en terme de règles de décision, mutuellement exclusives

et ordonnées (si ... alors ... sinon ...).
● Il présente 2 qualités principales :

✓ Facilement interprétables
✓ Classification rapide

➢ 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)
Jusqu'à obtenir un arbre de décision compatible

https://www.lri.fr/~antoine/Courses/Master-ISI/ISI_arbre.pdf

Cours IA Chapitre 1 2 2

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours IA Chapitre 1 2 2

Transféré par

Droits d'auteur :

Formats disponibles

Ecole Pluridisciplinaire

A.U 2021/2022 4ème année G.Informatique

✓Identifier l'algorithme d'apprentissage approprié pour une tâche donnée dans un

✓Intégrer les connaissances acquises dans le contexte de la recherche scientifique

✓Chapitre 2 : Machine Learning

✓Chapitre 3 : Les Réseaux de Neurones Artificiels: ANN

✓Chapitre 4: Apprentissage Profond (Deep Learning)

✓Chapitre 5: Introduction aux produits Huawei

Cours IA - Dr. Fatma SBIAA 3

Chapitre 1: Introduction à l’Intelligence

Cours IA - Dr. Fatma SBIAA 4

Pour y arriver, on a besoin de faire recours à des algorithmes conçus à

Cours IA - Dr. Fatma SBIAA 5

Cours IA - Dr. Fatma SBIAA 6

➢ Au commencement, on parlait surtout des règles logiques, de la récursivité,

➢ Mais actuellement, ce sont l'apprentissage automatique et plus particulièrement

Cours IA - Dr. Fatma SBIAA 7

Cours IA - Dr. Fatma SBIAA 8

➢ Ainsi, nous pouvons actuellement lancer des calculs complexes et analyser

➢ Cela encourage les travaux de recherche et les investisseurs pour s’en

Cours IA - Dr. Fatma SBIAA 9

4. La stratégie de développement de l'IA de

La 6éme entreprise la plus Huawei compte parmi les

4. La stratégie de développement de l'IA de

Cours IA - Dr. Fatma SBIAA 13

4. La stratégie de développement de l'IA de

➢ Sa vision et sa mission consistent à apporter le numérique à chaque personne, foyer et

Cours IA - Dr. Fatma SBIAA 14

4. La stratégie de développement de l'IA de

✓ favoriser une connectivité omniprésente et promouvoir l'égalité d'accès aux réseaux

Cours IA - Dr. Fatma SBIAA 15

Chapitre 2: Machine Learning

Cours IA - Dr. Fatma SBIAA 16

Cours IA - Dr. Fatma SBIAA 17

➢ Les machines d’apprentissage sont des programmes d’ordinateurs qui performent

Cours IA - Dr. Fatma SBIAA 19

Cours IA - Dr. Fatma SBIAA 20

➢ Supervisé: Models/Méthodes prédictives: Labeled training

➢ Semi-supervisé: Utilisation de données non étiquetées, en combinaison avec des

➢ Par renforcement : apprendre à agir en fonction des commentaires / récompenses

Cours IA - Dr. Fatma SBIAA 22

✓ L’apprentissage supervisé permet, sur base d’un échantillon déjà étiqueté, de

L’un des prochains enjeux de l’apprentissage supervisé est de réduire le nombre

Cours IA - Dr. Fatma SBIAA 24

Cours IA - Dr. Fatma SBIAA 25

Cours IA - Dr. Fatma SBIAA 26

Cours IA - Dr. Fatma SBIAA 28

Cours IA - Dr. Fatma SBIAA 29

Apprendre à classifier des données revient à apprendre une fonction de décision : la

Cours IA - Dr. Fatma SBIAA 30

Cours IA - Dr. Fatma SBIAA 31

✓Attributs (variables ou colonnes) : c’est l’un ensemble des X = X1 x X2

Cours IA - Dr. Fatma SBIAA 33

Cours IA - Dr. Fatma SBIAA 34

Cours IA - Dr. Fatma SBIAA 35

Cours IA - Dr. Fatma SBIAA 36

Cours IA - Dr. Fatma SBIAA 37

Cours IA - Dr. Fatma SBIAA 38

Cours IA - Dr. Fatma SBIAA 39

✓En cas d’égalité:

Si 2 classes ou plus sont aussi fréquentes dans le k-voisinage, on peut :

● Augmenter k de 1 (le nombre des voisins à prendre en compte)

Cours IA - Dr. Fatma SBIAA 40

✓Les SVM sont une généralisation des classifieurs linéaires.