Dédicaces

A mes chers parents pour leur sacrifice et leur dignité, Les

mots me manquent pour exprimer toute ma gratitude, ma fierté
et ma profonde, l’amour que j'ai pour vous, Vous avez
travaillé pour mes succès.

Trouver ici un témoignage d'attachement, ma gratitude, Ma

gratitude et mon respect.

Que Dieu vous protège et vous donne une vie longue et saine.
 Remerciements

Grâce au Très Miséricordieux Allah, j’avais pu achever ce travail.

J’ai tenu à exprimer ma profonde gratitude et mon sincères remerciements à Madame

Khadija, mon encadrante au sein de la poste de Tunisie pour ses directives, ses
recommandations, ses remarques constructives et sa disponibilité.

Nous remercions également le président et les membres du jury d'avoir accepté

l'évaluation de notre travail.

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

1.1. Intelligence artificielle

L’intelligence artificielle est essentiellement le mécanisme permettant d’incorporer

l’intelligence humaine dans les machines à travers un ensemble de règles (algorithmes). L’IA
est une combinaison de deux mots : « Artificiel » signifiant quelque chose fabriqué par des
humains ou des choses non naturelles et « Intelligence » signifiant la capacité de comprendre
ou de penser en conséquence. Une autre définition pourrait être que « l’IA est essentiellement
l’étude de l’entraînement de votre machine (ordinateurs) pour imiter un cerveau humain et ses
capacités de réflexion ». [2]
L’IA se concentre sur 3 aspects majeurs : l’apprentissage, le raisonnement et
l’autocorrection pour obtenir le maximum d’efficacité possible.

1.2. Concepts de l’apprentissage automatique 

1.2.1. Définition

Il consiste à appliquer des algorithmes afin de donner aux ordinateurs la capacité

d’apprendre en fonction des données qui leur sont présentées, L’apprentissage automatique
permet de détecter des objets dans des images et de les classer, pour cela il suffit d’utiliser une
grande quantité d’images pour que l’algorithme détermine les caractéristiques nécessaires
pour identifier un objet.

1.2.2. Modes d’apprentissage automatique

 Apprentissage automatique supervisé

L’apprentissage supervisé consiste à superviser l’apprentissage de la machine en lui

montrant des exemples (des données par exemple des images) de la tâche qu’elle doit réaliser.
Les applications sont nombreuses : classifications, vision par ordinateur, régressions,
Reconnaissance vocale, etc. Avec l’apprentissage supervisé, la machine peut apprendre à faire
une certaine tâche en étudiant des exemples de cette tâche. Par exemple, elle peut apprendre à
reconnaître une photo de feuille après qu’on lui ait montré des millions de photos de feuille.
D’une manière générale, la machine peut apprendre une relation f : x → y qui relie x à y en
ayant analysé des millions d’exemples d’associations x → y . Comme une montre la figure :

Figure 1 : Exemple d’apprentissage supervisé

 Apprentissage automatique non supervisé 

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.

1.1. Apprentissage profond

L’apprentissage profond (Deep Learning) est un sous-domaine spécifique de

l’apprentissage automatique (machine Learning). Le terme « profond » dans l’apprentissage
représente l'idée de couches successives de représentations. Le nombre de couches qui
contribuent à un modèle de données définit la profondeur du modèle. L'apprentissage profond
moderne implique souvent des dizaines, voire des centaines de couches successives de
représentations et elles sont toutes calculées automatiquement par l'exposition aux données
d’entraînement.

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

La classification et la régression dans les problèmes de l’IA :

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).

L’objectif de la régression linéaire (ici) est de proposer un modèle qui, pour

chaque valeur entre 0 et 4, prédit la position du point rouge. On remarque
que le modèle ne prédit (quasiment) jamais la bonne valeur mais n’en est pas
très loin.
classification :
La classification, comme le nom l’indique, repose sur des classes : ce sont les
problèmes pour lesquels l’objectif est de prédire une classe parmi un
ensemble fini.[ On a notamment :

 Déterminer si l’animal présent dans l’image est un chat, un chien ou

un lapin »
 Evaluer la gravité d’un cancer (bénin ou malin, l’équivalent en
régression serait de prédire le risque de décès en pourcentage) »…
 Ainsi que de très nombreux autres exemples]
La classification présentée ainsi ressemble à un problème lié à de
l’apprentissage non-supervisé, mais ce n’est pas le cas. La différence est
qu’en non-supervisé les classes ne sont pas connues et sont déterminées à la
volée, tandis qu’ici la prédiction de l’IA est une classe parmi un ensemble de
classe définies (et pour lesquelles l’IA a des exemples, idéalement en même
quantité).

Materiels et méthodes :

Introduction :

Matériels utiliser : avec colab

Colaboratory : est un environnement de notebook Jupyter développeé par google qui ne

nécessite aucune configuration et qui s’exécute entièrement dans le cloud. Il permet d’écrire
et d’exécuter du code, de sauvegarder et partager des analyses, et d’accéder à de puissantes
ressources informatiques. Tout cela gratuitement, depuis le navigateur. Tous les modules
nécessaires aux travaux d’apprentissage machine y sont déjà disponible.

2 Outils techniques :

Langage utilisé : python

Python est un type de langage de programmation. L’implémentation la plus courante de ce

langage de programmation est celle en C (aussi connu sous le nom de CPython). Non
seulement Python est un langage de programmation, mais il consiste en une grande
bibliothèque standard. Cette bibliothèque est structurée pour se concentrer sur la
programmation générale et contient des modules pour les OS spécifiques, les threads, la mise
en réseau et les bases de données. 4.2.1.1.1 Avantages et inconvénients - Une pile de calcul
scientifique très fragmentée mais complète. - Pandas, scikit.learn, numpy, scipy, ipython, &
matplotlib font partie des bibliothèques informatiques scientifiques les plus utilisées. - Tous
les avantages d’un langage de programmation à usage général. - Malheureusement lent si
vous ne passez pas en C. - Une partie de la pile de calcul scientifique est toujours coincée
dans Python 2.7. - Très bon pour les problèmes qui ne se présentent pas sous la forme d’une
simple matrice de fonctionnalités, entre des outils comme pandas et nltk. - Un écosystème
open source incroyable.

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.

Les bibliothéques , la langage ansi le tools utiliser

Generalites w but ,