l'intelligence Artificielle

Kahilia Amira
Larbi Jugurta
Sadiki Ilia Maroua
Louai Cherif
Cherif Sarah Rabia
Chettih Yasmine
Benadouda Bouchra
Mouffok Ikhass Aichi
Boutrik Nihal
Achouri Chafik
Sabet Manel
2020/2021
 Définition et
domaines
de
l'intelligence
1 artificielle

2
1.1 Definition
L’intelligence artificielle est un domaine de l’informatique, il s’appuie sur l’utilisation des
systèmes d’informations aidant à la prise de décisions et à faire des prévisions dans des
contextes précis. Les applications d’IA peuvent exécuter un large éventail de
comportements intelligents : optimisation (p. ex., les chaînes d’approvisionnement);
reconnaissance et détection de formes (p. ex., reconnaissance faciale); prévision et mise à
l’essai d’hypothèses (p. ex., prévision d’éclosions de maladies); traitement du langage
naturel; et traduction automatique. Les technologies de l’IA sont sur le point d’avoir une
incidence importante sur la société étant donné qu’elles tirent parti de l’infrastructure
existante (Internet, grands ensembles de données) pour réduire radicalement les coû ts des
activités (à la fois les nouvelles et les anciennes, les bonnes et les mauvaises) sur une
grande échelle.

1.2 Domaines de l'intelligence Artificielle

L’intelligence artificielle est aujourd’hui présente dans tous les domaines industriels :
automobile, construction, ingénierie et permet d’augmenter les capacités des produits finis
tout en optimisant les coû ts de construction, en réduisant l’impact écologique également.
Microsoft Expériences et l’intelligence artificielle propose une étude complète très
intéressante sur le sujet, Mais cette intelligence artificielle est surtout présente dans notre
vie de tous les jours avec par exemple les assistants vocaux comme Alexa ou encore Google
Home. Lors de son fonctionnement, un aspirateur-robot est doté d’une “petite couche”
d’intelligence artificielle puisqu’il sait éviter les meubles grâ ce à ses capteurs, mais
également en apprenant et en mémorisant son environnement, aussi, dans le secteur
médical s’arme de plus en plus d’Intelligence Artificielle pour venir en aide aux médecins.
Demain “nous ne pourrons plus vivre sans l’Intelligence Artificielle”. Elle sera présente dans
nos Smartphones, nos tablettes, nos GPS ! Elle s’immiscera dans nos vies jusqu’à la rendre
indissociable de notre quotidien.

3
 l'apprentissage
automatique ou

2 machine learning ?

4
2.1. L'apprentissage automatique
L'apprentissage automatique, également appelé apprentissage machine ou apprentissage
artificiel et en anglais machine Learning, est une forme d'intelligence artificielle (IA) qui
permet à un système d'apprendre à partir des données et non à l'aide d'une programmation
explicite. Cependant, l'apprentissage automatique n'est pas un processus simple. Au fur et à
mesure que les algorithmes ingèrent les données de formation, il devient possible de créer
des modèles plus précis basés sur ces données. Un modèle de machine learning est le
résultat généré lorsque vous entraînez votre algorithme d'apprentissage automatique avec
des données. Après la formation, lorsque vous fournissez des données en entrée à un
modèle, vous recevez un résultat en sortie. Par exemple, un algorithme prédictif crée un
modèle prédictif. Ensuite, lorsque vous fournissez des données au modèle prédictif, vous
recevez une prévision qui est déterminée par les données qui ont servi à former le modèle.

2.2. Apprentissage itératif

Le machine learning permet aux modèles de se former sur des ensembles de données avant
d'être déployés. Certains modèles d'apprentissage automatique sont en ligne et opèrent en
continu. Ce processus itératif des modèles en ligne permet d'améliorer les types des
associations établies entre des éléments de données. En raison de leur complexité et de leur
taille, ces tendances et ces associations risquent de ne pas être détectées par un
observateur humain. Lorsqu'un modèle a été formé, il peut être utilisé en temps réel pour
apprendre à partir des données. Les améliorations sur le plan de l'exactitude résultent du
processus de formation et d'automatisation qui font partie de l'apprentissage automatique.

2.3. Approches de l'apprentissage automatique

Des techniques d'apprentissage automatique sont nécessaires pour améliorer l'exactitude
des modèles prédictifs. Selon la nature du problème métier traité, il existe différentes
approches qui varient selon le type et le volume des données. Dans cette section, nous
discutons des catégories de l'apprentissage automatique.

Des techniques d'apprentissage automatique sont nécessaires pour améliorer l'exactitude

des modèles prédictifs. Selon la nature du problème métier traité, il existe différentes
approches qui varient selon le type et le volume des données. Dans cette section, nous
discutons des catégories de l'apprentissage automatique.

5
2.4. Apprentissage supervisé
L'apprentissage supervisé commence généralement par un ensemble de données bien
défini et une certaine compréhension de la façon dont ces données sont classifiées.

L'apprentissage supervisé a pour but de déceler des modèles au sein des données et de les
appliquer à un processus analytique. Ces données comportent des caractéristiques
associées à des libellés qui définissent leur signification. Vous pouvez, par exemple, créer
une application d'apprentissage automatique capable de faire la distinction entre plusieurs
millions d'animaux, en se basant sur des images et des descriptions écrites.

2.5. Apprentissage non supervisé

L'apprentissage non supervisé est utilisé lorsque le problème nécessite une quantité
massive de données non étiquetées. Par exemple, les applications de réseaux sociaux, telles
que Twitter, Instagram et Snapchat, exploitent toutes de très grandes quantités de données
non étiquetées. Pour comprendre le sens de ces données, il est nécessaire d'utiliser des
algorithmes qui classifient les données en fonction des tendances ou des clusters qu'ils
décèlent. L'apprentissage non supervisé mène un processus itératif, analysant les données
sans intervention humaine. Il est utilisé avec la technologie de détection de spam envoyé
par e-mail. Les e-mails normaux et les spams comportent un nombre de variables beaucoup
trop élevé pour qu'un analyste puisse étiqueter les e-mails indésirables envoyés en masse.
En revanche, les discriminants d'apprentissage automatique, basés sur la mise en cluster et
l'association, sont appliqués pour identifier les courriers électroniques non désirés.

2.6. Apprentissage par renforcement

L'apprentissage par renforcement est un modèle d'apprentissage comportemental.
L'algorithme reçoit un feedback de l'analyse des données et guide l'utilisateur vers le
meilleur résultat. L'apprentissage par renforcement diffère des autres types
d'apprentissage supervisé, car le système n'est pas formé avec un ensemble de données
exemple. Au lieu de cela, le système apprend plutô t par le biais d'une méthode d'essais et
d'erreurs. Par conséquent, une séquence de décisions fructueuses aboutit au renforcement
du processus, car c'est lui qui résout le plus efficacement le problème posé.

6
2.7. Apprentissage en profondeur
L'apprentissage en profondeur est une méthode spécifique d'apprentissage automatique
qui intègre des réseaux neuronaux en couches successives afin d'apprendre des données de
manière itérative. L'apprentissage en profondeur est particulièrement utile lorsque vous
tentez de détecter des tendances à partir de données non structurées. Les réseaux
neuronaux complexes d'apprentissage en profondeur sont conçus pour émuler le
fonctionnement du cerveau humain, de sorte que les ordinateurs peuvent être entraînés
pour faire face à des abstractions et des problèmes mal définis. La plupart des enfants de
cinq ans distinguent facilement le visage de leur instituteur de celui de l'agent chargé de
leur faire traverser le passage piéton. En revanche, l'ordinateur doit fournir un travail
considérable pour identifier chaque visage. Les réseaux neuronaux et l'apprentissage en
profondeur sont souvent utilisés dans les applications de reconnaissance d'image, de
communication orale et de vision numérique.

L'apprentissage automatique nécessite d'appliquer un ensemble de données adéquat à un

processus d'apprentissage. Une organisation n'a pas besoin de Big Data pour utiliser des
techniques d'apprentissage automatique. Toutefois, le Big Data contribue à améliorer la
précision des modèles d'apprentissage automatique. Avec le Big Data, il est désormais
possible de virtualiser les données pour qu'elles puissent être stockées de la manière la plus
efficace et la plus rentable, que ce soit sur site ou dans le cloud. En outre, les améliorations
de la vitesse et de la fiabilité du réseau ont fait disparaître d'autres limitations physiques
liées à la gestion de quantités massives de données à une vitesse acceptable. Ajoutez à cela
l'impact des changements sur le prix et la sophistication de la mémoire informatique et il
est désormais possible d'imaginer comment les entreprises peuvent tirer parti des données
d'une manière qui aurait été inconcevable il y a seulement cinq ans.

Le machine Learning peut intéresser les entreprises souhaitant exploiter le Big Data et les
aider à mieux comprendre les modifications subtiles de comportement, de préférences ou
de satisfaction des clients. Les chefs d'entreprise commencent à se rendre compte qu'une
simple recherche ne permet pas de comprendre de nombreux événements au sein de leurs
organisations et de leurs secteurs d'activité. Ce n'est pas les questions que vous connaissez ;
il s'agit des motifs cachés et des anomalies enfouis dans les données qui peuvent vous aider
ou vous donner du mal.

7
L'avantage du machine Learning est qu'il permet d'utiliser des algorithmes et des modèles
pour prédire les résultats. L'astuce consiste à s'assurer que les spécialistes des données
utilisent les bons algorithmes, les données les plus appropriées (précises et propres) et les
meilleurs modèles d'exécution. Si tous ces éléments se coordonnent harmonieusement, il
devient alors possible de former en continu le modèle et d'exploiter les résultats en
apprenant à partir des données. L'automatisation de ce processus de modélisation, de
formation du modèle et de test débouche sur des prédictions précises qui accompagnent
utilement le changement métier.

8
 Neural

3 networks ?

9
3.1. Définition
Les réseaux de neurones, communément appelés des réseaux de neurones artificiels sont
des imitations simples des fonctions d’un neurone dans le cerveau humain pour résoudre
des problématiques d’apprentissage de la machine (Machine Learning), Le neurone est
une unité qui est exprimée généralement par une fonction sigmoïde.

Pourquoi recourir à des réseaux de neurones ? La réponse est plutô t simple dans le sens où
les réseaux de neurones s’avèrent plus performants que les techniques de régressions pour
des tâ ches de Machine Learning.

Les domaines d’application des réseaux neuronaux sont souvent caractérisés par une
relation entrée-sortie de la donnée d’information :

 La reconnaissance d’image.
 Les classifications de textes ou d’images.
 Prédiction de données.
 Filtrage d’un set de données.

3.2. L'ARCHITECTURE D'UN RÉSEAU NEURONAL

10
Un réseau de neurones peut prendre des formes différentes selon l’objet de la donnée qu’il
traite et selon sa complexité et la méthode de traitement de la donnée.

Les architectures ont leurs forces et faiblesses et peuvent être combinées pour optimiser les
résultats. Le choix de l’architecture s’avère ainsi crucial et il est déterminé principalement
par l’objectif.

Les architectures de réseaux neuronaux peuvent être divisées en 4 grandes familles :

 Réseaux de neurones Feed fowarded

 Réseaux de neurones récurrent (RNN)
 Réseaux de neurones à résonance
 Réseaux de neurones auto-organisés

1. LES TYPES DE RÉSEAUX NEURONAUX

11
3.3. Les réseaux de neurones feed-forwarded
Feed-forwarded fait tout simplement référence à la procédure du traitement de la donnée
par le réseau neuronal. En effet, feed-fowarded (propagation avant) signifie tout
simplement que la donnée traverse le réseau d’entrée à la sortie sans retour en arrière de
l’information.

Typiquement, dans la famille des réseaux à propagation avant, on distingue les réseaux
monocouches (perceptron simple) et les réseaux multicouches (perceptron multicouche)

Le perceptron simple est dit simple parce qu’il ne dispose que de deux couches ; la couche
en entrée et la couche en sortie. Le réseau est déclenché par la réception d’une information
en entrée. Le traitement de la donnée dans ce réseau se fait entre la couche d’entrée et la
couche de sortie qui sont toutes reliées entre elles. Le réseau intégral ne dispose ainsi que
d’une matrice de poids. Le fait de disposer d’une seule matrice de poids limite le perceptron
simple à un classificateur linéaire permettant de diviser l’ensemble d’informations
obtenues en deux catégories distingues.

Le perceptron multicouche se structure de la même façon. L’information entre par une

couche d’entrée et sort par une couche de sortie. À la différence du perceptron simple, le
perceptron multicouche dispose entre la couche en entrée et la couche en sortie une ou
plusieurs couches dites « cachées ». Le nombre de couches correspond aux nombres de
matrices de poids dont disposent le réseau. Un perceptron multicouche est donc mieux
adapté pour traiter les types de fonctions non-linéaires.

12
Pour le traitement d’informations complexes et très variées, il est envisageable de créer
plusieurs réseaux de neurones distincts dédiés à traiter chacun une partie de l’information.
Ces réseaux de neurones sont appelés des réseaux neuronaux convolutés (Convolutional
Neural Networks). Ces réseaux peuvent être imaginés comme une compilation d’un
segment d’informations pour au final traiter l’ensemble de l’information (par exemple le
traitement d’image, de vidéos, de textes).

13
3.1.1.Les réseaux de neurones récurrents

Les Réseaux de Neurones récurrents traitent l’information en cycle. Ces cycles permettent
au réseau de traiter l’information plusieurs fois en la renvoyant à chaque fois au sein du
réseau.

La force des Réseaux de neurones récurrents réside dans leur capacité de prendre en
compte des informations contextuelles suite à la récurrence du traitement de la même
information. Cette dynamique auto-entretient le réseau.

Les Réseaux de neurones récurrents se composent d’une ou plusieurs couches. Le modèle

de Hopfield (réseau temporel) est le réseau de neurones récurrent d’une seule couche le
plus connu.

Les Réseaux de neurones récurrents à couches multiples revendiquent quant à eux la

particularité de posséder des couples (entrée/sortie) comme les perceptrons entre lesquels
la donnée véhicule à la fois en propagation en avant et en rétro propagation.

3.1.2.Les réseaux de neurones à résonance

L’appellation du réseau neuronal fait encore une fois référence à son fonctionnement. En
effet, au sein des réseaux de neurones à résonance, l’activation de tous les neurones est
renvoyée à tous les autres neurones au sein du système. Ce renvoi provoque des
oscillations, d’où la raison du terme résonance.

14
Il va sans dire que ces réseaux de neurones peuvent prendre différentes formes avec des
degrés de complexité plutô t élevés. Pour aller plus loin, je vous invite à vous intéresser à la
Mémoire Associative Bidirectionnel qui permet d’associer deux informations de natures
différentes ou encore le modèle ART (Adaptative Resonance Theory) qui fait interagir une
information contextuelle avec la connaissance que l’on a déjà pour identifier ou reconnaître
des objets.

3.1.3.Les réseaux de neurones auto-organisés

Les Réseaux de neurones auto-organisés sont surtout adaptés pour le traitement de
d’informations spatiales. Par des méthodes d’apprentissage non-supervisé, les réseaux
neuronaux auto-organisés sont capables d’étudier la répartition de données dans des
grands espaces comme par exemple pour des problématiques de clustérisassions ou de
classifications. Le modèle le plus connu de ce type de réseaux de neurones est sans doute la
carte auto-organisatrice de Kohonen :

15
16
 Deep

4 learning ?

17
4.1. Définition
Le deep learning ou apprentissage profond est un type d'intelligence artificielle dérivé
du machine learning (apprentissage automatique) où la machine est capable d'apprendre
par elle-même, contrairement à la programmation où elle se contente d'exécuter à la lettre
des règles prédéterminées.

Le deep learning est d'une grande utilité dans l'univers des technologies de l’information et
de la communication.

Il est employé dans les systèmes de reconnaissance faciale et vocale qu'embarquent

certains smartphones, et en robotique pour que les équipements intelligents puissent avoir
la réaction attendue dans une situation donnée (par exemple un réfrigérateur intelligent
qui émet un signal d'alarme s'il détecte une porte restée ouverte ou une température
anormale au sein des compartiments).
Vous vous demandez comment Facebook reconnaît vos amis sur les photos que vous
publiez ? Vous avez désormais la réponse : deep learning. Les chercheurs, notamment ceux
qui étudient et/ou manipulent l'ADN, ont recours au deep learning pour effectuer leurs
recherches.

Ces technologies sont aussi présentes dans les systèmes de traduction automatique, dans
les voitures et autres véhicules autonomes, en médecine pour établir un diagnostic à partir
d'un examen d'imagerie (radio, IRM, scanner), en physique pour rechercher des particules
et dans le domaine artistique pour reproduire une œuvre.

4.2. Fonctionnement du deep Learning

Le deep Learning s'appuie sur un réseau de neurones artificiels s'inspirant
du cerveau humain. Ce réseau est composé de dizaines voire de centaines de «
couches » de neurones, chacune recevant et interprétant les informations de la couche
précédente. Le système apprendra par exemple à reconnaître les lettres avant de
s'attaquer aux mots dans un texte, ou détermine s'il y a un visage sur une photo avant
de découvrir de quelle personne il s'agit.

18
À chaque étape, les « mauvaises » réponses sont éliminées et renvoyées vers les niveaux en
amont pour ajuster le modèle mathématique. Au fur et à mesure, le programme réorganise
les informations en blocs plus complexes. Lorsque ce modèle est par la suite appliqué à
d'autres cas, il est normalement capable de reconnaître un chat sans que personne ne lui ait
jamais indiqué qu'il n'ait jamais appris le concept de chat.

Les données de départ sont essentielles : plus le système accumule d'expériences

différentes, plus il sera performant

4.3. Applications du deep Learning

Le deep Learning est utilisé dans de nombreux domaines :

19
  Reconnaissance d'image,
 Traduction automatique.
 Voiture autonome.
 Voiture autonome.
 Recommandations personnalisées,
 Modération automatique des réseaux sociaux,
 Prédiction financière et trading automatisé,
 Identification de pièces défectueuses,
 Détection de malwares ou de fraudes,
 Chatbots (agents conversationnels),
 Exploration spatiale,
 Robots intelligents.

C'est aussi grâ ce au deep Learning que l'intelligence artificielle de Google Alpha Go a réussi
à battre les meilleurs champions de Go en 2016. Le moteur de recherche du géant américain
est lui-même de plus en plus basé sur l'apprentissage par deep Learning plutô t que sur des
règles écrites.
Aujourd'hui le deep Learning est même capable de « créer » tout seul des tableaux de Van
Gogh ou de Rembrandt, d'inventer un langage totalement nouveau pour communiquer
entre deux machines.

20