ECOLE CENTRALE DES LOGICIELS LIBRES ET DE

TELECOMMUNICATIONS

INSTITUT SUPÉRIEUR DE TECHNOLOGIE DE l'UNIVERSITÉ DE

BANGUI (IST/UB)

Travaux dirigés Machine Learning

TD Machine Learning

Séquence 1 : Concepts généraux de l’intelligence artificielle

1. Définir l’intelligence artificielle

2. Comparez les approches symboliques et les approches connexionnistes en

intelligence artificielle en expliquant leurs avantages et inconvénients respectifs.

3. Identifiez les domaines d'application de l'IA.

4. Donnez les avantages et inconvénients de L’IA

Séquence 2 : Introduction au Machine Learning

1. Définir le Machine Learning.

2. Expliquez les différents types d’apprentissage (supervisé, non-supervisé,

renforcement) et fournissez des exemples d'applications.

3. Citez cinq algorithmes de machine Learning

4. Examinez les différences entre les machines à vecteurs de support (SVM) et les
réseaux de neurones profonds pour la classification.

5. Qu’est-ce qu’un modèle en machine learning ?

6. Quels sont les principaux outils utilisés en machine learning ?

Séquence 3 : Le Deep Learning

1. Comment appelle-t-on le neurone en deep learning ?

2. Faire le schéma d’un neurone ?

3. Quelles sont les différentes couches d’un réseau de neurones ?

4. Qu’est-ce qu’un réseau entièrement connecté ?

5. Quelle est la différence entre les RNN, et les CNN ?

 6. Expliquez comment les réseaux de neurones convolutifs sont adaptés à la vision
numérique et analysez les avantages des couches de convolution et de pooling dans
ces architectures.

7. Approfondissez les détails de l'architecture AlexNet, en expliquant comment

l'utilisation de couches de convolution et des couches entièrement connectées
contribue à son succès.

8. Évaluez l'impact d'AlexNet sur l'évolution des architectures de réseaux de neurones

profonds dans le domaine de la vision numérique.

Séquence 4 : Application à la vision numérique

1. Qu'est-ce que la détection de visages et pourquoi est-elle importante dans le

domaine de la vision par ordinateur ?

1. Citez quelques applications pratiques de la détection de visages.

2. Expliquez la différence entre la détection de visages et la reconnaissance faciale.

3. Décrivez brièvement la méthode de Viola-Jones (haar cascade) pour la détection de

visages.

4. Quels sont les avantages et les inconvénients de la méthode de Viola-Jones ?

5. Expliquez le fonctionnement de la méthode de détection de visages basée sur les

descripteurs de Histogrammes de Gradient Orienté (HOG).

6. Quelle est la principale raison pour laquelle les CNN sont devenus populaires dans la
détection de visages ?

7. Comment un CNN peut-il être utilisé pour détecter des visages dans une image ?
Décrivez les étapes principales.

8. Qu'est-ce que la reconnaissance faciale et pourquoi est-elle importante dans les

applications modernes ?

9. Citez quelques exemples d'applications pratiques de la reconnaissance faciale.

10. Quelles sont les différentes étapes de la reconnaissance faciale ?

11. Différence entre la reconnaissance faciale basée sur la vérification et la

reconnaissance faciale basée sur l'identification.