Académique Documents
Professionnel Documents
Culture Documents
Introduction À L'intelligence Artificielle-Chap1 - Et - 2
Introduction À L'intelligence Artificielle-Chap1 - Et - 2
Artificielle
❑ Interrogation: 40 points
❑ Examen: 100 points
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.
□ 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
Lancer
Données
Analyse
d’Erreur
Classification Régression
□ NB: Les algorithmes de regression peuvent être utilisés pour la classification et vice versa.
□ 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.
Cette commande crée un nouveau dossier du nom mon-env dans le dossier c:\users\vially
- Etape 3: Activer et désactiver l’environment
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
□ 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
□ Opérateurs conditionnels
Opérateur Description
== Egal
> Supérieur
< Inférieur
>= Supérieur ou égal
<= Inférieur ou égal
!= différent
□ Concaténation
□ Nombres complexes
□ if condition … else …
□ Expression conditionelle
□ While