Académique Documents
Professionnel Documents
Culture Documents
Que Dieu vous protège et vous donne une vie longue et saine.
Remerciements
Afin de n'oublier personne, j'exprime ma gratitude à tous ceux qui m'ont aidé à réaliser
ce projet.
1. Intelligence artificielle et ses sous domaines
1.2.1. Définition
Dans l’apprentissage non supervisé, seules les données d’entrée (inputs) sont connues. Les
données de sortie (outputs) ne sont pas connues. Ce type d’apprentissage est utilisé lorsqu’on
ne connaît pas ou mal les données de sortie. Ce qui n’est pas le cas avec notre problématique.
L’IA est associée à ses sous domaines comme le montre la Figure 2 :
Figure 2 : Illustration de l’apprentissage profond par rapport à l'intelligence artificielle
et l'apprentissage automatique
Dans cet article, nous allons nous intéresser à deux grands types de
problèmes endémiques de l’IA supervisée : la régression et
la classification.
La régression :
Littéralement en mathématiques, la régression est le fait d’approcher une
variable à partir d’autres qui lui sont liées. Pour atteindre cet objectif,
plusieurs modèles d’approches sont possibles : approcher les données par
une droite régression linéaire, par un polynôme une régression polynômiale,
par une fonction logarithmique. Par extension, on appelle régression en
intelligence artificielle tout problème qui consiste à prédire une
variable qualitative. Les domaines d’application sont nombreux, des
finances (prédiction du cours de la Bourse…) au commerce (stocks futurs à
prévoir…) en passant par la maintenance prédictive (anticiper une panne).
Materiels et méthodes :
Introduction :
2 Outils techniques :
Tensorflow : est un framework de programmation pour le calcul numérique qui a été rendu
Open Source par Google en Novembre 2015. TensorFlow n’a cessé de gagner en popularité,
pour devenir très rapidement l’un des frameworks les plus utilisés pour le Deep Learning et
donc les réseaux de neurones. Son nom est notamment inspiré du fait que les opérations
courantes sur des réseaux de neurones sont principalement faites via des tables de données
multi-dimensionnelles, appelées Tenseurs (Tensor). Un Tenseur à deux dimensions est
l’équivalent d’une matrice. Aujourd’hui, les principaux produits de Google sont basés sur
TensorFlow : Gmail, Google Photos, Reconnaissance de voix, ainsi sa documentation très
riche fait d’elle une bibliothèque facile à utiliser. Keras : est une API de réseaux de neurones
de haut niveau, écrite en Python et capable de fonctionner sur TensorFlow ou Theano. Il a été
développé en mettant l’accent sur l’expérimentation rapide. Être capable d’aller de l’idée à un
résultat avec le moins de délai possible est la clé pour faire de bonnes recherches. Il a été
développé dans le cadre de l’effort de recherche du projet ONEIROS (Open-ended Neuro-
Electronic Intelligent Robot Operating System), et son principal auteur et mainteneur est
François Chollet, un ingénieur Google. En 2017, l’équipe TensorFlow de Google a décidé de
soutenir Keras dans la bibliothèque principale de TensorFlow. Chollet a expliqué que Keras a
été conçue comme une interface plutôt que comme un cadre d’apprentissage end-to-end. Il
présente un ensemble d’abstractions de niveau supérieur et plus intuitif qui facilitent la
configuration des réseaux neuronaux.
Generalites w but ,