Académique Documents
Professionnel Documents
Culture Documents
Exercice 1
1. L’apprentissage automatique est une branche de l’intelligence artificielle qui
permet aux systèmes d’apprendre et d’améliorer leur performance sur la
base des données qu’ils rencontrent, sans être explicitement programmés
pour le faire.
2. Les types d’apprentissage automatique comprennent :
o Apprentissage supervisé : Le modèle apprend sur la base de données
d’entraînement étiquetées. Exemple : la prédiction du prix des
maisons en fonction de différentes caractéristiques.
o Apprentissage non supervisé : Le modèle apprend sans données
étiquetées. Exemple : la segmentation des clients en différents
groupes.
o Apprentissage par renforcement : Le modèle apprend en
interagissant avec son environnement. Exemple : un agent apprend à
jouer à un jeu en recevant des récompenses pour de bonnes actions
et des pénalités pour de mauvaises actions.
3. Les étapes de prétraitement des données comprennent :
o Nettoyage des données : Suppression des valeurs manquantes et des
outliers.
o Transformation des données : Normalisation ou standardisation des
données.
o Sélection des caractéristiques : Choix des caractéristiques les plus
pertinentes pour l’apprentissage.
4. Pour calculer l’exactitude (Accuracy), on utilise la formule suivante :
Dans ce cas, l’exactitude serait :
Cela signifie que le modèle a correctement prédit 70.4% des cas. Cependant, il est
important de noter que l’exactitude seule peut être trompeuse, surtout si les
classes sont déséquilibrées. Il est donc recommandé d’utiliser d’autres mesures de
performance, comme la précision, le rappel et le score F1.
5. Deux techniques de partitionnement des données sont :
o Partitionnement aléatoire : Les données sont divisées de manière
aléatoire en un ensemble d’entraînement et un ensemble de test.
o Validation croisée : Les données sont divisées en k sous-ensembles.
Chaque sous-ensemble est utilisé une fois comme ensemble de test,
tandis que les k-1 autres sous-ensembles forment l’ensemble
d’entraînement.
Exercice 2
Exercice 3
Exercice 4
(Awé va demander à ceux qui ont fait le TP, IA peut pas contruitre arbre)
Exercice 5
1. Modélisation du problème en programmation par contraintes :
Variables : Nous avons cinq variables correspondant aux cinq pièces musicales à
jouer pendant la soirée : X1, X2, X3, X4, X5. Chaque variable peut prendre une
valeur dans l’ensemble {M1, …, M10}.
Contraintes :
Contrainte de langue : Deux pièces consécutives ne peuvent pas être dans
la même langue. Cela se traduit par les contraintes suivantes : X1 != X2, X2 !
= X3, X3 != X4, X4 != X5.
Contrainte de style musical : Deux pièces consécutives ne peuvent pas être
du même style musical. Cela se traduit par les contraintes suivantes :
style(X1) != style(X2), style(X2) != style(X3), style(X3) != style(X4), style(X4) !=
style(X5).
Contrainte de diversité de style : Au moins une pièce de chaque style doit
être jouée. Cela se traduit par les contraintes suivantes : style(X1) ∈ {rock,
jazz, techno, alternatif}, style(X2) ∈ {rock, jazz, techno, alternatif}, style(X3)
∈ {rock, jazz, techno, alternatif}, style(X4) ∈ {rock, jazz, techno, alternatif},
style(X5) ∈ {rock, jazz, techno, alternatif}.
Contrainte de demande spéciale : La pièce M10 doit être jouée. Cela se
traduit par la contrainte suivante : M10 ∈ {X1, X2, X3, X4, X5}.
Contrainte de fin de soirée : La soirée doit se terminer avec une pièce de
jazz. Cela se traduit par la contrainte suivante : style(X5) = jazz.
b) Pour résoudre ce problème, on pourrait utiliser un algorithme de recherche
avec retour arrière (backtracking). Cet algorithme explore l’espace des solutions
possibles en profondeur, en construisant une solution une pièce à la fois, et en
revenant en arrière dès qu’il détecte qu’une contrainte ne peut pas être satisfaite.
Pour simuler les étapes de l’algorithme, on commencerait par choisir une valeur
pour X1, puis une valeur pour X2 qui ne viole aucune contrainte par rapport à X1,
et ainsi de suite. Si à un moment donné, aucune valeur ne peut être trouvée qui
satisfait toutes les contraintes, l’algorithme revient en arrière et essaie une autre
valeur pour la variable précédente. On continue ce processus jusqu’à ce qu’une
solution complète soit trouvée ou que toutes les possibilités aient été épuisées.
Notez que pour des raisons de simplicité, nous nous arrêtons à une profondeur de
2 maximum dans cette simulation.
(Simulation là n’est pas ici , Romuaaaaaald)
Exercice 6
Tout d’abord, nous devons normaliser les données en utilisant la formule donnée.
Pour chaque variable, xi est la valeur de la variable, xmin est la valeur minimale de
la variable et xmax est la valeur maximale de la variable.
Voici les données normalisées pour chaque quartier :
Aconville : ((27-25)/(28-25), (31-9)/(32-9), (1000-800)/(1800-800), (2-2)/(4-
2)) = (0.67, 1, 0.33, 0)
Aitchedji : ((26-25)/(28-25), (32-9)/(32-9), (800-800)/(1800-800), (4-2)/(4-2))
= (0.33, 1, 0, 1)
Kpota : ((25-25)/(28-25), (9-9)/(32-9), (1200-800)/(1800-800), (3-2)/(4-2)) =
(0, 0, 0.67, 0.5)
Zoudja : ((28-25)/(28-25), (32-9)/(32-9), (1500-800)/(1800-800), (2-2)/(4-2))
= (1, 1, 1.17, 0)
Zogbadjè : ((27-25)/(28-25), (31-9)/(32-9), (1800-800)/(1800-800), (3-2)/(4-
2)) = (0.67, 1, 1.67, 0.5)
Ensuite, nous calculons la distance euclidienne entre Tankpè et chaque quartier
dans l’espace des données normalisées. Les distances sont calculées en utilisant la
formule de la distance euclidienne :
où (x1, y1, z1, w1) sont les coordonnées de Tankpè et (x2, y2, z2, w2) sont les
coordonnées de chaque quartier.
Exercice 7 :
Il a dit il peut pas. MDR
Exercice 8:
Exercice 9:
By HVR
Exercice 10