AI Q/As

Voici les questions et réponses possibles extraites du document Chapitre 1 à partir de la page 4:

Page 4:

Q1: Qu'est-ce que l'intelligence artificielle ?

A1: L'intelligence artificielle (IA) est l'ensemble des théories, techniques et systèmes capables de
simuler des capacités humaines telles que le raisonnement, l'apprentissage, la décision, etc. L'IA
permet aux machines d'apprendre par l'expérience, de s'adapter à de nouvelles données et de réaliser
des tâches humaines.

Q2: Quels sont les objectifs de l'intelligence artificielle ?

A2: Les objectifs de l'IA sont d'imiter le raisonnement humain, automatiser la prise de décisions et
prédire les événements/actions futures.

Q3: Quelle est l'histoire de l'intelligence artificielle ?

A3: Le concept d'IA date de 1956. Dans les années 1960, le département américain de la Défense
s'y est intéressé. Dans les années 1970, l'agence DARPA a travaillé sur les assistants personnels
intelligents. Dans les années 2000, l'internet et les big data ont permis des avancées. Vers 2015, l'IA
visait la perception visuelle, la compréhension du langage, etc. En 2016, les investissements ont
explosé.

Page 5:

Q4: Pourquoi y a-t-il eu de grandes avancées récentes en IA ?

A4: Les raisons sont : l'augmentation de la puissance de calcul, l'apparition d'algorithmes avancés,
la baisse du coût du traitement de données, la disponibilité accrue de données, et l'attente des
consommateurs pour des services améliorés par l'IA.

Q5: Comment définir l'intelligence artificielle ?

A5: "L’IA est la science de programmer les ordinateurs pour qu’ils réalisent des tâches qui
nécessitent de l’intelligence lorsqu’elles sont réalisées par des êtres humains." (Marvin Minsky)

Q6: Utilise-t-on déjà l'IA au quotidien ?

A6: Oui, de nombreux services utilisent l'IA : assistants vocaux, identification sur photos,
recommandations produits, déverrouillage des smartphones, etc.

Page 6:

Q7: Quelles sont les différentes branches de l'IA ?

A7: Il y a l'intelligence artificielle en général, le machine learning ou apprentissage automatique, et

le deep learning ou apprentissage profond par réseaux de neurones.

Q8: Comment fonctionne l'apprentissage automatique ?

A8: Les algorithmes d'apprentissage automatique permettent aux machines d'apprendre sans
programming explicite, en analysant de grandes quantités de données. C'est un peu comme
l'apprentissage d'un bébé.

Q9: Où se situe l'IA dans le domaine de la data science ?

A9: L'IA se trouve au sommet de la pyramide des besoins en data science, après la collecte, le
stockage, le traitement et l'analyse des données.

Page 7:

Q10: L'IA a-t-elle une intelligence innée ou acquise ?

A10: L'IA acquiert son intelligence par un processus d'apprentissage, grâce à des algorithmes et de
grandes quantités de données. Elle n'a pas d'intelligence innée à la "naissance".

Voici les questions et réponses possibles extraites du document Chapitre2 à partir de la page 2:

Page 2:

Q1: Quelles sont les approches de classification en apprentissage automatique ?

A1: Il existe l'apprentissage supervisé, l'apprentissage non supervisé et l'apprentissage semi-

supervisé.

Q2: Qu'est-ce que l'apprentissage supervisé ?

A2: L'apprentissage supervisé consiste à entraîner un algorithme à partir de données annotées, c'est-
à-dire des données pour lesquelles on connaît déjà les résultats attendus.

Page 3:

Q3: Où se situe l'intelligence artificielle par rapport à l'apprentissage automatique ?

A3: L'intelligence artificielle est un domaine général, l'apprentissage automatique ou machine

learning en est une branche, visant à donner aux machines la capacité d'apprendre sans programmer
explicitement.

Page 4:

Q4: Quels sont les domaines révolutionnés par l'apprentissage automatique ?

A4: Les transports, l'aérospatial, la santé, les finances, le marketing, l'éducation, la sécurité,
l'agriculture, les objets connectés, etc.

Page 5:

Q5: Comment l'apprentissage automatique s'apparente-t-il à l'apprentissage humain ?

A5: Comme l'humain, la machine doit être "entraînée" avec des exemples pour apprendre à
effectuer des tâches, établir des relations entre des données.

Page 6:

Q6: Comment définit-on l'apprentissage automatique ?

A6: Donner à une machine la capacité d'apprendre sans la programmer explicitement.

Page 7:

Q7: Quelle est la différence entre l'apprentissage supervisé et non supervisé ?

A7: En supervisé, on fournit à l'algorithme des données annotées. En non supervisé, on laisse
l'algorithme trouver des structures dans des données brutes.

Page 8:

Q8: Quels sont les éléments clés d'un problème d'apprentissage automatique supervisé ?

A8: Un jeu de données contenant des caractéristiques (features) et une cible (target), un modèle
avec des paramètres à ajuster.

Voici les questions et réponses possibles extraites du document Chapitre 3 à partir de la page 2:

Page 2:

Q1: Qu'est-ce que la reconnaissance de formes?

A1: La reconnaissance de formes est une discipline dont le but est la classification d'objets en
catégories ou classes, à partir de signaux, images ou autres mesures.

Q2: Quelles sont les applications de la reconnaissance de formes?

A2: La reconnaissance de la parole, la détection de défauts, la biométrie, la reconnaissance de

l'écriture, la détection d'anomalies médicales, etc.

Page 3:

Q3: Quelle est la différence entre similarité et dissimilarité en reconnaissance de formes?

A3: Deux formes sont similaires si elles présentent des informations similaires, dissimilaires dans le
cas contraire.

Q4: Pourquoi la représentation par une seule information n'est pas suffisante?

A4: Il faut décrire la forme par plusieurs informations représentatives pour pouvoir faire la
distinction entre les classes.

Page 4:
Q5: En quoi consiste la reconnaissance de formes?

A5: À rechercher une similarité entre une forme inconnue et une forme connue pour la classer grâce
à un processus de classification.

Page 5:

Q6: Quelles sont les 3 étapes de la reconnaissance de formes?

A6: Définir l'objectif, choisir un codage de la forme, choisir le type de classification (supervisée ou
non).

Page 6:

Q7: Quelle est la différence entre classification supervisée et non supervisée?

A7: En supervisé, les classes sont connues et l'algorithme apprend avec des exemples annotés. En
non supervisé, les classes sont inconnues et l'algorithme trouve des similarités.

Page 7:

Q8: Quels sont les deux objectifs possibles en reconnaissance de formes?

A8: La vérification d'une forme connue ou l'identification parmi des formes inconnues.

Page 8:

Q9: Quelles sont les deux approches de codage de l'information?

A9: Le codage par caractéristiques ou mesures, et le codage par primitives comme des composantes
élémentaires.

Page 9:

Q10: Quels sont les modules d'un système de reconnaissance de formes?

A10: Acquisition, prétraitement, codage, réduction du code, classification, décision.

Voici d'autres questions et réponses possibles extraites du document:

Page 10:

Q11: En quoi consiste la conception du classifieur ?

A11: La conception du classifieur consiste à élaborer une règle de décision qui transforme le
vecteur caractéristique en appartenance à une classe.

Page 11:

Q12: Qu'est-ce qu'une région de décision ?

A12: Une région de décision est une zone de l'espace des vecteurs caractéristiques affectée à une
classe. Si un vecteur tombe dans cette région, la forme associée est classée dans la classe
correspondante.

Page 12:

Q13: Qu'est-ce qu'une fonction de décision ?

A13: La fonction de décision permet de séparer les formes en régions de décision. C'est un élément
fondamental de conception d'un bon classifieur.

Page 13:

Q14: Quel est l'objectif de la discrimination de formes ?

A14: La discrimination de formes vise à séparer l'espace des vecteurs caractéristiques en régions
affectées à chaque classe.

Page 15:

Q15: Comment s'écrit une fonction de décision linéaire ?

A15: Sous la forme d(X) = W^T X + w0, avec W le vecteur de poids, w0 le biais et X le vecteur
caractéristique.

Page 16:

Q16: Qu'est-ce qu'un hyperplan de séparation ?

A16: Dans un espace de dimension d, la fonction de décision devient une surface appelée hyperplan
de séparation.

Page 17:

Q17: Quand utilise-t-on une fonction de décision non linéaire ?

A17: On utilise une fonction de décision non linéaire quand les formes à séparer sont très similaires
et qu'une séparation linéaire n'est pas possible.

Page 18:

Q18: Quelle est la différence entre sélection et extraction de caractéristiques ?

A18: La sélection conserve un sous-ensemble de caractéristiques existantes, l'extraction applique

une transformation sur les données pour en extraire de nouvelles.

Page 19:

Q19: Quels sont les modules principaux d'un système de reconnaissance de formes ?

A19: Le prétraitement, la représentation de l'information (codage) et la classification (apprentissage

et test).
Page 21:

Q20: Comment réduit-on la dimensionalité des données ?

A20: Soit par sélection d'un sous-ensemble de caractéristiques, soit par extraction de nouvelles
caractéristiques par transformation des données.

Voici d'autres questions et réponses possibles extraites du document:

Page 22:

Q21: En quoi consiste la sélection de caractéristiques ?

A21: La sélection de caractéristiques consiste à sélectionner les composantes les plus

représentatives selon un critère d'optimisation.

Page 23:

Q22: Pourquoi est-il impossible de tester toutes les combinaisons en sélection de caractéristiques ?

A22: Le nombre de combinaisons croît de façon exponentielle avec la taille du vecteur de départ.
Le temps de calcul devient prohibitivement long.

Page 24:

Q23: Comment est constitué le vecteur caractéristique dans l'exemple de reconnaissance de chiffres
manuscrits ?

A23: Il contient des caractéristiques de concavité, de contour et de surface sur 6 zones de l'image,
soit 132 composantes.

Page 25:

Q24: Quelle est la démarche de base pour la sélection incrémentale de caractéristiques ?

A24: On part de l'ensemble complet, puis on élimine progressivement les composantes les moins
utiles.

Page 26:

Q25: En quoi consiste l'algorithme Branch and Bound pour la sélection de caractéristiques ?

A25: Il construit un arbre en éliminant des caractéristiques à chaque niveau, et évalue la pertinence
des nœuds pour ne conserver que les meilleurs.

Page 27:

Q26: Comment formulé-t-on généralement le critère de sélection de caractéristiques ?

A26: Comme une fonction de la forme J(Xk) = Xk^T S^-1 Xk, où Xk est le vecteur réduit et Sk la
matrice de covariance.
Voici les questions et réponses possibles extraites du document Chapitre 4 à partir de la page 3:

Page 3:

Q1: Qu'est-ce que la classification en apprentissage automatique ?

A1: La classification est l'élaboration d'une règle de décision qui transforme le vecteur
caractéristique en appartenance à une classe.

Q2: Quelles sont les deux approches de conception d'un classifieur ?

A2: L'approche par séparation et l'approche par modélisation.

Page 4:

Q3: Qu'est-ce qu'un réseau de neurones artificiel ?

A3: Un réseau de neurones artificiel est inspiré du fonctionnement des neurones biologiques, avec
des unités interconnectées imitant les dendrites, axones et synapses.

Page 5:

Q4: Comment fonctionne un neurone formel ?

A4: Un neurone formel calcule une somme pondérée de ses entrées, la compare à un seuil et
applique une fonction d'activation pour donner une sortie.

Page 6:

Q5: Quels sont les éléments d'un perceptron monocouche?

A5: Une couche d'entrée, une couche de sortie, et des connexions entre chaque neurone d'entrée et
de sortie.

Page 7:

Q6: Comment s'effectue l'apprentissage d'un perceptron monocouche ?

A6: Par une règle de modification des poids synaptiques basée sur l'erreur entre la sortie calculée et
la sortie désirée.

Page 8:

Q7: Quels sont les avantages et inconvénients du perceptron monocouche ?

A7: Avantage pour la séparation linéaire, inconvénient pour la séparation non linéaire.

Page 9:

Q8: Comment sont organisées les couches dans un perceptron multicouches ?

A8: En entrée, une ou plusieurs couches cachées, et une couche de sortie.

Page 10:

Q9: Comment propage-t-on les informations dans un perceptron multicouches ?

A9: Couche par couche, des entrées vers les sorties, via des fonctions d'activation sur chaque
neurone.

Page 11:

Q10: Comment s'effectue l'apprentissage d'un perceptron multicouches ?

A10: Par rétropropagation du gradient de l'erreur pour modifier les poids des couches.

Voici d'autres questions et réponses possibles extraites du document:

Page 12:

Q11: Quel est le critère d'optimisation pour l'apprentissage d'un perceptron multicouches ?

A11: Le critère des moindres carrés, qui minimise la somme des erreurs quadratiques entre
les sorties calculées et désirées.

Page 13:

Q12: Comment met-on à jour les poids dans un perceptron multicouches ?

A12: En calculant la dérivée de l'erreur par rapport à chaque poids grâce à la

rétropropagation du gradient.

Page 14:

Q13: Quelles applications des perceptrons multicouches ?

A13: La reconnaissance de chiffres manuscrits et la reconnaissance de la parole.

Page 15:

Q14: Quel est le principe d'une machine à vecteurs de support (SVM) ?

A14: Trouver l'hyperplan optimal séparant deux classes de données.

Page 16:

Q15: Comment formule-t-on le problème SVM dans le cas séparable ?

A15: On cherche à minimiser une fonction objectif sous contrainte d'une marge minimale
entre classes.

Page 17:
Q16: Comment résout-on le problème d'optimisation SVM ?

A16: Par la méthode des multiplicateurs de Lagrange pour obtenir un problème dual.

Page 18:

Q17: Qu'est-ce qu'un vecteur support en SVM ?

A17: Un point pour lequel le multiplicateur de Lagrange est non nul, situé sur la marge.

Page 19:

Q18: Comment traite-t-on le cas non séparable en SVM ?

A18: En introduisant des variables d'écart pour accepter que certains points soient mal
classés.

Page 20:

Q19: Comment classer de nouveaux points avec un SVM ?

A19: En calculant le signe de la fonction de décision entraînée.

Voici d'autres questions et réponses possibles extraites du document :

Page 21 :

Q20 : Comment traiter le cas où les données ne sont pas linéairement séparables avec un SVM
?

A20 : En projetant les données dans un espace de plus grande dimension où elles deviennent
linéairement séparables.

Page 22 :

Q21 : Comment projeter les données dans un autre espace avec un SVM ?

A21 : En utilisant une fonction noyau qui calcule un produit scalaire dans le nouvel espace.

Page 23 :

Q22 : Quels sont les noyaux courants utilisés dans les SVM ?

A22 : Le noyau linéaire, polynomial, RBF (fonction à base radiale).

Page 24 :

Q23 : Comment implémenter un SVM pour plus de 2 classes ?

A23 : Soit en faisant un SVM par classe contre les autres (un-contre-tous), soit un SVM par
paire de classes (un-contre-un).
Page 25 :

Q24 : Combien de SVM sont nécessaires en tout-contre-tous pour M classes ?

A24 : M SVM.

Page 26 :

Q25 : Combien de SVM sont nécessaires en un-contre-un pour M classes ?

A25 : M*(M-1)/2 SVM.

Page 27 :

Q26 : Quel est l'intérêt de la méthode un-contre-un par rapport à un-contre-tous ?

A26 : Elle peut donner de meilleures performances en séparant chaque paire de classes.

Page 28 :

Q27 : Quels sont les avantages des SVM par rapport aux réseaux de neurones ?

A27 : Meilleures garanties théoriques, pas de problèmes de minimas locaux, adaptabilité par
les noyaux.

Voici d'autres questions et réponses possibles extraites du document:

Page 29:

Q28: Quel est l'inconvénient des SVM par rapport aux réseaux de neurones?

A28: Le temps d'entraînement peut être beaucoup plus long pour des problèmes complexes.

Page 30:

Q29: Que faire si les données ne sont pas linéairement séparables avec un SVM?

A29: Utiliser une projection dans un espace de plus grande dimension via une fonction noyau
pour rendre possible une séparation linéaire.

Page 31:

Q30: Quels sont les noyaux usuels pour les SVM?

A30: Noyau linéaire, polynomial, Gaussien RBF. Le choix du noyau influence les
performances.

Page 32:

Q31: Comment choisir les hyperparamètres d'un SVM comme C ou gamma?

A31: Par validation croisée, en testant différentes valeurs pour maximiser la précision.

Page 33:

Q32: Quel est l'avantage de la méthode un-contre-un pour les SVM multiclasses?

A32: Elle construit des séparateurs optimisés entre chaque paire de classes plutôt que contre
le reste.

Page 34:

Q33: Quel est le principal inconvénient de la méthode un-contre-un?

A33: Le nombre de SVM croît quadratiquement avec le nombre de classes, ce qui augmente la
complexité.