Introduction À L'intelligence Artificielle-Chap1 - Et - 2

Cours d’Intelligence
Artificielle
Université Protestante de Lubumbashi

Faculté des sciences informatiques
Par Vially KAZADI
Qui suis-je ?
❑ Vially KAZADI M.
❑ PhD Candidate
❑Expérience Professionnelle:
□ Consultant en réseaux informatiques (CISCO)
□ Ingénieur et chercheur en Intelligence Artificielle(dans les entreprises)
❑ Domaine de recherche
□ Software Engineering, AI, WSN, IoT, Data Science, Cloud Computing, …
❑ Contacts:
□ Téléphone: +82 10 0000-0000 (privé)
□ E-mail:
- vially.me@gmail.com (pour les étudiants)
□ LinkedIn: Vially KAZADI
Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 2

Pre-réquis
❑ Notions fondamentales de mathématiques et Algèbre Linéaire
□ Matrices,
□ Polynômes, …
□ Les dérivées,
□ Les différentielles,
□ Les intégrales
❑ Notions fondamentales de probabilité et statistiques

□ Variables aléatoires
□ Distributions probabilistiques, …
❑Un niveau intermediaire de Programmation
□ Maitriser au moins un langage de programmation de préférence le Python
❑ La maitrise de l’anglais

Plan du Cours: Intelligence Artificielle
❑ Chapitre 1: Les Généralités sur l’Intelligence Artificielle
❑ Chapitre 2: Bases de la Programmation Python
❑ Chapitre 3: Gestion d’un Projet d’Apprentissage Automatique de bout-en-bout
❑ Chapitre 4: Apprentissage Supervisé: Classification
❑ Chapitre 5: Entrainement des Modèles
❑ Chapitre 6: Les Machines de Vecteur Support
❑ Chapitre 7: Les Arbres de Décision
❑ Chapitre 8: Apprentissage en Ensemble et Forêts Aléatoires
❑ Chapitre 9: Réduction de Dimension
❑ Chapitre 10: Apprentissage Non-Supervisé

Evaluation
❑ Présence: 20points
❑ Travaux pratiques: 40 points(TD, TP et Exposés) Moyenne Générale ~ /100points
❑ Interrogation: 40 points
❑ Examen: 100 points

Chapitre 1: Les généralités sur l’Intelligence Artificielle
❑ Qu’est-ce que l’Intelligence Artificielle?
❑ L’Intelligence Artificielle et ses applications
❑ Qu’est-ce que l’aprrentissage automatique
❑ Types d’apprentissage Automatique
❑ Challenges de l’apprentissage Automatique(IA)
❑ Test et Validation
❑ Exercices

❑ Qu’est-ce que l’Intelligence Artificielle?
□ La théorie et le développement de systèmes informatiques capables d'effectuer des tâches qui
requièrent normalement l'intelligence humaine, telles que la perception visuelle, la
reconnaissance vocale, la prise de décision, la traduction entre les langues et autres.

□ Apprentissage Automatique(Machine Learning)
- Regression: consiste à prédire une Valeur numérique ou continue en function des entrées
- Classification: consiste à attribuer une etiquette ou catégorie à une donnée en function de
ses attributs ou caracteristiques.
□ Apprentissage Approfondi(Deep Learning)
- Les reseaux de neurones profonds
o CNN(Convolutional Neural Networks: Réseaux de neurones convolutionnels)
o RNN(Réseaux de neurones Récurrents)
o NLP(Traitement du language Naturel)
□ Apprentissage Renforcé(Reinforcement Learning)

- Jeux video(AlphaGo de Deep Mind), la robotique, gestion de portefeuille financier, la conduit
autonome,etc.

□ Traitement du Language Naturel( NLP: Natural Language Processing)
- Analyse de texte, Comprehension du language, Traduction automatique, Reconnaissance
Vocale(Siri, Bixby, Alexa), Réponse aux questions(Chatbots), Génération de texte, Résumé de
texte, Analyse de sentiment, Recherche d’informations, etc.
- Grands Modèles de langage - Large Language Models(LLMs)

o Modèles d'apprentissage automatique développés pour traiter des tâches liées au langage
naturel, telles que la traduction, la génération de texte, la compréhension de texte, la réponse aux
questions, la rédaction automatique, etc.
o Exemple: GPT, BERT, XLNet, RoBERTa, …

❑ L’Intelligence Artificielle et ses types
□ Vision par Ordinateur(Computer Vision)
Classifiaction d’images Detection d’objects Suivi d’objets Segmentation d’image
Reconnaissance d’actions Estimation de la profondeur

Reconnaissance de texte dans les images

❑L’Intelligence Artificielle et ses types
□ Vision par Ordinateur(Computer Vision)
Reconstruction 3D
Super résolution d’images
- Il faut noter que:
- Les applications de visions par ordinateurs sont plus couteuses en terme de resources et
demandent beaucoup des données pour avoir des bons resultats.
- Le type de caméra(RGB, IR, Event, Depth), la position et l’angle de la caméra sont des
éléments à considérer lorsque vous travailler sur un projet de vision par ordinateur.

❑ Qu’est-ce que l’aprrentissage automatique?
□ La science et l’art de programmer des ordinateurs pour qu’ils puissant apprendre à partir des
données.
□ Domaine d'étude qui donne aux ordinateurs la capacité d'apprendre sans être explicitement
programmés. —Arthur Samuel, 1959
□ Un programme informatique est dit apprendre de l'expérience E par rapport à une tâche T et une
mesure de performance P, si sa performance sur T, telle que mesurée par P, s'améliore avec
l'expérience E. —Tom Mitchell, 1997
□ Exemples:
- La catégorisation des emails en Spam/non-spam par l’utilisateur
❑ Pourquoi l’Apprentissage Automatique?
□ Prenons l’exemple où vous devez écrire un programme permettant de filtrer les emails
- Analyser le problème pour savoir quels sont les termes utilisés dans les spams,
- Ecrire une liste de lois ou conditions permettant d’identifier les spams

❑ Pourquoi l’Apprentissage Automatique?
Raisonnement:
Lancer
Etape 1: Extraire tous les mots de
l’email
Etape 2: Créer une collection de
termes et phrases
Etude du Définir les Evaluer la sensibles(cadeau, ticket gratuit,
problème conditions solution code promo, carte de crédit, payer
maintenant; )
Etape 3: Créer des conditions pour
vérifier si un ou deux mots ont été
trouvés dans l’email en fonction de
Analyse
votre analyse.
d’Erreur
Etape 4: Catégoriser l’email
Etape 5: Evaluer les résultats
Etape 6: Corriger l’erreur
□ Question: Cas imprévus(sex, trouvez votre partenaire,…)

❑Pourquoi l’Apprentissage Automatique?
Lancer
Données
Etude du Train ML Evaluer la

problème Algorithm solution
Analyse
d’Erreur

❑ Types de system d’apprentissage Automatique
□ Il existe tellement de types différents de systèmes d'apprentissage automatique qu'il est utile de
les classer en catégories générales en fonction de plusieurs critères :
- S'ils sont ou non formés sous la supervision humaine (apprentissage supervisé, non
supervisé, semi-supervisé et apprentissage par renforcement).
- S'ils peuvent ou non apprendre de manière progressive en temps réel (apprentissage en
ligne par opposition à l'apprentissage par lots).
- S'ils fonctionnent en comparant simplement de nouveaux points de données à des points de
données connus, ou s'ils détectent plutôt des motifs dans les données d'entraînement et
construisent un modèle prédictif, un peu comme le font les scientifiques (apprentissage basé
sur l'instance par opposition à l'apprentissage basé sur le modèle).

❑ Apprentissage Supervisé
□ En apprentissage supervisé, les données d'entraînement que vous fournissez à l'algorithme
comprennent les solutions souhaitées, appelées étiquettes.
□ Il existe deux tâches supervisées les plus courantes notamment la classification et la régression
- Classification: Classifier les minérais, les maladies, …
- Regression: prédire le prix des vehicules, maisons, etc.
Classification Régression
□ NB: Les algorithmes de regression peuvent être utilisés pour la classification et vice versa.

❑ Apprentissage Supervisé et Non-Supervisé
□ Voici les quelques algorithmes d'apprentissage supervisé les plus utilisés que nous allons essayé
de couvrir dans ce cours:
□ k-Nearest Neighbors (k-plus proches voisins)
□ Régression linéaire
□ Régression logistique
□ Machines à vecteurs de support (SVMs)
□ Arbres de décision
□ Forêts aléatoires
□ Réseaux neuronaux (MLP, ANN)

❑ Apprentissage Non Supervisé
□ En apprentissage non supervisé, comme vous pouvez le deviner, les données d'entraînement ne
sont pas étiquetées. Le système essaie d'apprendre sans enseignant.
□ Voici quelques algorithmes d'apprentissage non supervisé les plus utilisés, si le temps nous le
permettra, on touchera quelques-uns :
- Clustering (Regroupement)
o K-Means (K-Moyennes)
o DBSCAN
o Analyse hiérarchique des clusters (HCA)
- Détection d'anomalies et détection de nouveauté
o SVM à une classe
o Isolation Forest (Forêt d'Isolation)
- Visualisation et réduction de la dimension
o Analyse en composantes principales (PCA), PCA à noyau, Plongement linéaire local (LLE),
Enfoncement stochastique de voisins t-distribués (t-SNE)
- Apprentissage de règles d'association
o Apriori, Eclat

❑Apprentissage Semi-Supervisé
□ En Apprentissage semi-supervisé, l’algorithme traite des données d'entraînement partiellement
étiquetées. Généralement, beaucoup de données sont non étiquetées et un peu de données
étiquetées.
- Par exemple le système Facebook ou Google, lorsque vous télécharger des photos de vos
amis ou familles, les mêmes personnes sont sur plusieurs photos, tout ce dont le système a
besoin, c'est que vous lui disiez qui sont ces personnes. Juste une étiquette par personne, et
il est capable de nommer tout le monde sur chaque photo, ce qui est utile pour la recherche
de photos.
□ La plupart des algorithmes d'apprentissage semi-supervisé sont des combinaisons d'algorithmes
non supervisés et supervisés.
❑Apprentissage par Renforcement(RL)
□ Différemment des autres types, le système d'apprentissage, appelé agent dans ce contexte, peut
observer l'environnement, choisir et effectuer des actions, et recevoir des récompenses(ou
pénalités) en retour.
□ L’algorithme va apprendre par lui-même quelle est la meilleure stratégie ou politique pour
obtenir des récompenses au fil du temps.

❑ Apprentissage par renforcement
□ Les jeux vidéos
AlphaGo de DeepMind a battu le champion du Monde de Go

❑ Robotique
□ https://www.youtube.com/watch?v=LFje4022SEc

❑ Apprentissage par lots(Batch Learning) et Apprentissage en ligne (Online Learning)
□ Un autre critère de catégorisation des systèmes d’apprentissage automatique est de savoir si le
système peut apprendre de manière incrémentielle à partir d’un flux de données entant.
□ Apprentissage par lots(Batch Learning)
- Dans l'apprentissage par lots, le modèle est formé sur l'ensemble complet de données
d'entraînement à la fois.
- Une fois que le modèle est entraîné, il ne peut pas être mis à jour avec de nouvelles données
sans réentraîner l'ensemble du modèle.
- C'est efficace pour des ensembles de données statiques où l'ensemble des données est
disponible dès le départ.
□ Apprentissage en ligne(Online Learning)
- Dans l'apprentissage en ligne, le modèle apprend de manière incrémentielle en le
nourrissant avec des de nouvelles données.
- Le modèle peut s'adapter aux changements dans les données en temps réel.
- Il est particulièrement utile lorsque les données arrivent progressivement ou lorsque
l'environnement change rapidement, ou encore lorsque les données sont trop énormes
qu’elles ne peuvent pas suffirent dans l’espace mémoire, ce qui implique que l’apprentissage
en ligne est aussi bonne option lorsqu’on est limité en terme de ressources.

❑ Challenges de l’apprentissage Automatique
Certains des principaux défis en apprentissage automatique sont:
□ Quantité insuffisante de données d'entraînement : Lorsque le nombre de données disponibles pour l'entraînement
est limité, cela peut conduire à une mauvaise généralisation du modèle.
□ Données d'entraînement non représentatives : Si les données d'entraînement ne reflètent pas fidèlement la
distribution des données réelles, le modèle peut être biaisé et produire des prédictions inexactes.
□ Données de mauvaise qualité : Les données de mauvaise qualité, telles que les données bruitées ou erronées,
peuvent entraîner des résultats peu fiables.
□ Caractéristiques non pertinentes : L'inclusion de caractéristiques non pertinentes peut rendre le modèle moins
efficace en introduisant du bruit dans les données d'entraînement.
□ Surajustement des données d'entraînement : Lorsque le modèle s'ajuste trop précisément aux données
d'entraînement, il peut ne pas généraliser correctement aux nouvelles données, conduisant ainsi à un
surajustement.
□ Sous-ajustement des données d'entraînement : À l'inverse, si le modèle est trop simple pour capturer la complexité
des données, il peut conduire à un sous-ajustement, où il ne peut pas bien prédire les données.

❑ Test et Validation du modèle
□ Répartition de données
□ L'ajustement des hyperparamètres et la sélection de modèles
□ Inadéquation des données(Data Mismatch)

- Dans certains cas, il est possible d'avoir une grande quantité de données d'entraînement,
mais ces données peuvent ne pas représenter parfaitement les données qui seront
rencontrées dans un environnement de production du monde réel.
□ Classes non équilibrées(Class imbalance)
- Lorsqu’il plus des données de la A, et B moins des données de la classe C.

❑ Exercices
□ Qu’est-ce que l'apprentissage automatique ?
□ Citez quatre types de problèmes où l'apprentissage automatique excelle ?
□ Qu'est-ce qu'un ensemble d'entraînement étiqueté ?
□ Quelles sont les deux tâches supervisées les plus courantes ?
□ Quelles sont les quatre tâches non supervisées courantes ?
□ Quel type d'algorithme d'apprentissage automatique utiliseriez-vous pour permettre à un robot
de marcher sur différents terrains inconnus ?
□ Quel algorithme utiliseriez-vous pour séparer vos clients en plusieurs groupes ?
□ Considériez-vous la détection de spam comme un problème d'apprentissage supervisé ou non
supervisé ? Justifiez votre réponse
□ Qu'est-ce qu'un système d'apprentissage en ligne (online Learning system) ?

❑Exercices
□ Qu'est-ce que l'apprentissage hors ligne (out-of-core learning) ?
□ Quel type d'algorithme d'apprentissage s'appuie sur une mesure de similarité pour effectuer des
prédictions ?
□ Quelle est la différence entre un paramètre de modèle et un hyperparamètre d'algorithme
d'apprentissage ?
□ Que recherchent les algorithmes d'apprentissage basés sur le modèle ? Quelle est la stratégie la
plus courante qu'ils utilisent pour réussir ? Comment effectuent-ils des prédictions ?
□ Citez quatre des principaux défis en apprentissage automatique ?
□ Si votre modèle fonctionne bien sur les données d'entraînement mais généralise mal sur de
nouvelles instances, que se passe-t-il ? Citer trois solutions possibles pour palier à ce problème ?
□ Qu'est-ce qu'un ensemble de test (test set) et pourquoi est-il important de l'utiliser ?
□ Quel est le but d'un ensemble de validation ?
□ Quels sont les problèmes possibles si vous réglez les hyperparamètres en utilisant l'ensemble de
test ?
□ Qu'est-ce que la validation croisée répétée (repeated cross-validation) et pourquoi la préféreriez-
vous à l'utilisation d'un seul ensemble de validation ?

Chapitre 2: Les Bases de la Programmation Python
❑ Installation de l’Interpreteur et IDE Python
□ Installation de Python
□ Anaconda Navigator
□ IDE: VS Code, Pycharm, Jupyter Notebook; Google Colab
❑ Création d’environnement virtuel
❑ Les variables
❑ Les types de données
❑ Les conditions
❑ Les boucles
❑ Les fonctions
❑ Les classes
❑ Les modules
□ Pandas, Numpy, JSON, SciPy, Matplotlib

❑ Installation de l’Interpreteur et IDE Python
□ Il y a deux manières d’installer Python:
- Télécharger le fichier d’execution sur le site official de Python et l’installer:
o https://www.python.org/downloads/
• Il vient avec un terminal(ISE) que vous pouvez utiliser pour le dévélopement.
- A travers un IDE, Anaconda, Pycharm, VS Code, dans ce cours nous allons expliquer
comment le télécharger et installer Anaconda Navigator et Pycharm.
o https://www.anaconda.com/download
o https://www.jetbrains.com/pycharm/download/?section=windows
• Rassurez-vous de télécharger l’édition communautaire de Pycharm qui est gratuite.
- Après installation de Python, rassurez-vous qu’il est ajouté aux variables d’environnement
PATH

❑ Création d’environnement virtuel
□ Qu’est-ce qu’un environnement virtuel et à quoi sert-il?
- Un environnement isolé et indépendant, permettant de gérer les dépendances et les
bibliothèques spécifiques à une application ou un projet.
□ Création d’un environnement virtuel
Il y a deux manières de créer un environnement virtuel
(1) En utilisant
- Etape 1: Ouvrez le terminal (Ctrl+R) et verifier que python a été qjouté au PATH:
- Etape 2: Créer en utilisant la commande python –m venv nom-environnement
Cette commande crée un nouveau dossier du nom mon-env dans le dossier c:\users\vially
- Etape 3: Activer et désactiver l’environment

❑Création d’environnement virtuel
Lorsque vous listez le dossier Scripts pour voir son contenu, vous verrez les fichiers activate.bat qui
permet d’activer et deactivate.bat qui permet de désactiver.
- Executer le fichier pour activate.bat pour activer l’environnement
Pour vérifier que votre environnement est activé, il sera affiché entre parenthèse en debut de chaque ligne.
- Après avoir fini avec votre environnement vous pouvez exécuter le fichier deactivate.bat

❑(2) En utilisant conda
□ Après avoir installé Anaconda sur votre PC, il vous facilite la creation d’environnements virtuels.
Comme Python, anaconda vient aussi avec un terminal de commande vous permettant d’executer des
commandes en utilisant le système de gestion de packets conda. Pour commencer veillez lancer
anaconda Powershell Prompt
□ Creer un environnement avec anaconda
- > conda create –n nom-env
- > conda create –n mon-env python=3.11
□ Activer/Desactiver
- > conda activate nom-env
- > conda deactivate
□ Lister les environnements disponibles
- > conda env list
□ Cloner un environnemt
- > conda create --name mon-env2 --clone mon-env
□ Supprimer un environnement existant
- > conda env remove -- name mon-env
❑ Que signifie activer et désactiver?
□ Activer un environment permet de dire à votre machine d’utiliser python et les modules disponibles
dans l’environnement que vous avez créé pour l’exécution de votre code. Cependant, si vous voulez
utiliser un autre environnement, vous devez donc désactivé l’environnement actif pour activer un
autre.

❑ Les Variables
□ Une variable est un espace memoire permettant de sauvegarder les données importantes pour
un programme.
□ La déclaration d’une variable se fait en lui assignant une valeur
□ Affichage

❑ Les variables
□ Affichage
□ Utilisation
- Operateurs arithmetiques
Operateur Description Exemple
+ Addition 8+3 =11
- Soustraction 23-20 = 3
* Multiplication 3*4 = 12
/ Division 45/9 = 5
% Modulo 14%5 = 4
// Quotient 14//5 = 2
** Exposant 4**2 = 16

❑ Les variables
□ Opérateurs logiques
Opérateur Description
and ET logique
or OU logique
not NON logique
□ Opérateurs conditionnels
Opérateur Description
== Egal
> Supérieur
< Inférieur
>= Supérieur ou égal
<= Inférieur ou égal
!= différent

❑ Les commentaires
□ Commentaire sur une ligne
□ Commentaire sur plusieurs lignes
□ Concaténation

❑ Types de variables:
□ Texte: str
□ Numérique: int, float, complex
□ Nombres complexes

❑Types de variables:
□ booléen : bool
- Peut se définir en assignant la Valeur True ou False à la variable ou encore une expression
conditionnelle.
□ Binaire: bytes, bytearray, memoryview

□ Non: NoneType

Méthode Description
□ Les listes(list)
append() Permet d’ajouter un nouvel élément a la liste
clear() Permet de supprimer tous les éléments de la
liste
copy() Permet de faire une copie de la liste
count() Renvoie le nombre d’éléments de la liste
extend() Permet d’ajouter des éléments à la liste
index() Retourne l’indice de l’élément spécifié en ()
insert() Permet d’insérer un élément à une position
spécifique
□ Operations sur les listes
pop() Permet de supprimer un élément de la liste
dont l’indice est spécifié en ()
remove() Permet de supprimer un élément de la liste
dont la valeur est spécifiée en ()
reverse() Permet de renverser l’ordre des éléments
sort() Permet de trier les éléments

□ Range
- range() permet de créer une liste numérique dont les élément vont d’une extremité i (0 par
défaut) à une extrémité n.
- On peut aussi spécifier le décalage entre les éléments:

❑ Types de variables
□ Tuple(tuple)
- C’est un autre type de sequence python, dont la difference avec les listes est que les tuples
ne sont pas modifiables.
□ Opérations: count(), index()

□ Ensemble: set, frozenset
- Les ensembles sont un autre type de données permettant de créer des listes non ordonnées.
- Il existe deux types d’ensembles:
o Set : ensemble modifiable
o Frozenset: ensemble non modifiable

□ Dictionnaire: dict
- C’est une collection de paires clé-valeur. Les clés doivent être uniques, et les valeurs peuvent
être de différents types.

❑ Les conditions
□ if condition:
□ if condition … else …

❑ Les conditions
□ if condition1 …elif condition2…else
□ Expression conditionelle

❑Les boucles
□ For
□ While

❑Les fonctions

❑Les classes

❑ Les classes
□ L’héritage

❑ Les classes
□ Polymorphisme

❑ La gestion d’erreur
□ try … except …
□ try … except … finally…

❑ Les modules
□ Travail Pratique en Groupes(exposés)
- Groupe 1:
o Manipulation des fichiers:
• os, Pathlib, urllib
- Groupe 2:
o Manipulation des données excel/csv:
• Pandas
- Groupe 3:
o Les tableaux, matrices(opérations):
• Numpy
- Groupe 4:
o La visualisation des données:
• Matplotlib, seaborn
- Groupe 5 et 6:
o Manipulation des fichiers excel/csv, opérations et visualisation:
• Pandas, numpy et Matplotlib

Chapitre 3: Gestion d’un projet d’apprentissage automatique de bout en bout
❑ Introduction
❑ La collection des données
❑Préparation et Ségrégation des données
❑ Sélection des modèles et apprentissage
❑ Le fine-tuning des modèles
❑ Présentation et évaluation de la solution
❑ Lancement Monitoring and maintenance du Système
❑ Travail Pratique

Introduction À L'intelligence Artificielle-Chap1 - Et - 2

Transféré par

Informations du document

Titre original

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

Introduction À L'intelligence Artificielle-Chap1 - Et - 2

Transféré par

Droits d'auteur :

Formats disponibles

Cours d’Intelligence

Université Protestante de Lubumbashi

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 2

❑ Notions fondamentales de probabilité et statistiques

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 3

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 4

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 5

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 6

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 7

□ Apprentissage Renforcé(Reinforcement Learning)

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 8

- Grands Modèles de langage - Large Language Models(LLMs)

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 9

Classifiaction d’images Detection d’objects Suivi d’objets Segmentation d’image

Reconnaissance d’actions Estimation de la profondeur

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 10

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 11

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 12

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 13

Etude du Train ML Evaluer la

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 14

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 15

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 16

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 17

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 18

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 19

AlphaGo de DeepMind a battu le champion du Monde de Go

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 20

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 21

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 22

□ L'ajustement des hyperparamètres et la sélection de modèles

□ Inadéquation des données(Data Mismatch)

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 23

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 24

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 25

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 26

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 27

- Etape 2: Créer en utilisant la commande python –m venv nom-environnement

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 28

- Executer le fichier pour activate.bat pour activer l’environnement

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 29

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 30

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 31

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 32

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 33

□ Commentaire sur plusieurs lignes

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 34

□ Numérique: int, float, complex

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 35

□ Binaire: bytes, bytearray, memoryview

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 36

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 37

- On peut aussi spécifier le décalage entre les éléments:

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 38

□ Opérations: count(), index()

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 39

o Frozenset: ensemble non modifiable

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 40

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 41

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 42

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 43

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 44

Par Vially KAZADI Cours d’Intelligence Artificielle BAC 3 GL, IA @UPL 45