Réaliser par : Hind Bouifalioune
Intelligence
Artificielle (IA)
Plan
Définition IA
-Quel langage apprendre pour coder les
algorithmes d’IA?
-Pourquoi l'IA?
Apprentissage machine
01 02
03 04
Apprentissage profond
Avantage et des inconvénients
Definition IA
01
John Mc Carthy
- Le terme « intelligence artificielle », créé par John Mc Carthy, est souvent abrégé par le sigle « IA » (ou « AI » en anglais, pour Artificial Intelligence) en
1956.
‘’la construction de programmes informatiques qui s'adonnent à des tâches qui sont pour l'instant , accomplies de façon plus satisfaisante par des êtres humains car elles demandent des processus
mentaux de haut niveau tels que : l'apprentissage perceptuel , l'organisation de la mémoire et le raisonnement critiquée ‘’.
Marvin Lee
Minsky
Les langages de programmation
Prolog
FEB 02
JAVA
Python C++
Framework
Pourquoi l’IA ?
Les principaux objectifs de l’IA sont mentionnés ci-dessous :
• Création de systèmes experts : Les systèmes mentionnés ici doivent pouvoir afficher un comportement intelligent, apprendre, démontrer, expliquer et fournir aux utilisateurs les meilleurs conseils.
• Mise en œuvre de l’intelligence dans les machines : Cela vise à développer des systèmes qui peuvent comprendre, penser, apprendre et se comporter comme des humains
Rapports entre logique &
intelligence artificielle
• Représentation des connaissances (modélisées par la logique) Exemple :
- X est père de Y : père(X,Y).
- Si X est père de Y alors Y est enfant de X : père(X,Y) :-enfant(Y,X)
• Raisonnement : (déduction ou inférence de nouvelles connaissances à partir de celles déjà stockées ou mémorisées).
Exemple :
père(Ali, Med).
père(Ali, Farid).
Frère(A,B):-père(X,A),père(X,B).
Une donnée est ce qui est connu et qui sert de point de départ à un raisonnement ayant pour objet la détermination d'une solution à un problème en relation avec cette donnée. Cela peut être une description élémentaire d’une réalité, le résultat d'une comparaison entre deux événements du même ordre (mesure).
Qu'est-ce qu'une donnée (Data) ?
Les types de données
Données structurées Données non structurées
Traitement de données
Statistic
Machine learning
IA
Deep learning
Apprentissage machine
02
Apprentissage machine (Machine learning)
Expérience
Input Data
• Images
• Frais de logement
• Transactions clients
…
Task
Task
• catégoriser l'image
• Prédiction de prix
• segment client…
Performan ce
Performance
• Prix précis (Accurate)
• Images
correctement triées
• Groupement cohérent
Définition de ML :
‘’L’étude des algorithmes qui permettent aux
programmes de s’améliorer automatiquement
par expérience.’’
Tom Mitchell, 1997Quiz
• Supposez que votre programme de mails (yahoo, gmail,…) vous observe en train de marquer les spams et de garder les autres mails pour apprendre à distinguer les mails des spams. Quelle est la tâche T qu’il dans cette expérience?
Classifier les emails en spam et non-spam.
Vous observer en train de labéliser les mails
Le pourcentage d’emails correctement classifiés par le programme de mails.
Aucune des réponses précédentes.
Pourquoi Machine learning ?
• Classifier • L'expertise humaine n'existe pas
Apprentissage non-supervisé
Apprentissage par
renforcement Les différentes principales
approches du Machine Learning
Apprentissage supervisé
1-Apprentissage supervisé
1
2
3
Régression linéaire
Régression logistique
K Nearest Neighbors (KNN)
- une tâche d'apprentissage automatique consistant à apprendre une fonction de prédiction à partir d'exemples annotés. On distingue les problèmes de régression des problèmes de classement. Ainsi, on considère que les problèmes de prédiction d'une variable quantitative sont des problèmes de régression tandis que les problèmes de prédiction d'une variable qualitative sont des problèmes de classification.
4
Decision Trees1.Régression linéaire
0 1 2 3 4 5 6 7 8
0 200000 400000 600000 800000 1000000 1200000 1400000 1600000
Prix en dirhams
Cas d’application : Prédiction des prix de maison
0 1 2 3 4 5 6 7 8
0 200000 400000 600000 800000 1000000 1200000 1400000 1600000
Prix en dirhams
-
Comment prédire le prix d’une maison en utilisant sa surface?: équation d’une droite
2.Régression logistique
Parfois nous avons besoin de classifier c.-à-d. de diviser des exemples en 2 catégories qui sont représentées par 0 pour la première catégorie et 1 pour la seconde catégorie.
Comment prédire pour une nouvelle patiente si sa tumeur est bénigne ou maligne en basant uniquement sur son âge et la taille de sa
tumeur?
En prenant comme la fonction sigmoide g(z)
z
La régression logistique de x avec le paramètre Ɵ s’exprime:
3.K plus proche voisins (KNN)
Vous allez prendre un choix très important dans votre vie et vous ne savez pas quelle décision prendre.
Exemple 1: Vous voulez continuer vos études, vous avez le choix entre 2 Masters et vous ne savez pas lequel vous allez choisir
Exemple 2: Vous voulez cuisinez un repas de fêtes pour votre belle mère qui vient de rentrer de la
Mecque, vous avez en tête un repas royal à la viande et un repas impérial au poisson. Lequel choisir?
Exemple 3: Vous voulez choisir entre deux chemises, et vous ne savez pas laquelle choisir, la chemise
bleue aux carreaux, ou la chemise rouge aux cercle.
2-Apprentissage non supervisé
• Analyse descriptive des données pour organiser des données en groupes sans avoir d’idée préalable de leur appartenance
• Chaque groupe sera constitué d’un ensemble d’objets qui ont un certain degré de similarité entre eux
• Les objets de ce groupe sont en même temps différents aux objets des autres groupes
• Ce processus est parfois appelé classification non-supervisée
• Le Clustering est une technique magnifique pour structurer l’information et déduire des relations significatives au sein des données.
K-means
Quiz
• Parmi les exemples suivants, lesquels correspondent à des problèmes
d’apprentissage non-supervisé?
Etant donné un ensemble de mails correspondant aux catégories spam/ non spam, apprendre à filtrer les spams automatiquement
Etant donné un ensemble d’articles de presse sur le web, regrouper les articles qui parlent du même sujet
Etant donné une base de données des clients, découvrir les différents marchés qu’ils représentent qui existent
Etant donné des patients qui ont un diabète/ ou pas, apprendre à classifier les nouveaux patients en diabétique/ non diabétique
Apprentissage profond(Deep learning)
03
Définition :
L'apprentissage profond ou apprentissage en profondeur (en anglais : deep learning, deep structured learning, hierarchical learning) est un ensemble de méthodes d'apprentissage automatique tentant de modéliser avec un haut niveau
d’abstraction des données grâce à des architectures articulées de différentes transformations non linéaires.
Ces techniques ont permis des progrès importants et rapides dans les domaines de l'analyse du signal sonore ou visuel et notamment de la reconnaissance faciale, de la reconnaissance vocale, de la vision par ordinateur, du traitement automatisé du langage.
Learned weights
C’est quoi un neurone ?
Un neurone se compose d’un corps cellulaire, d’un axone qui représente le lien de transmission des signaux et d’une synapse qui permet le
déclenchement d’un potentiel d’action dans le neurone pour activer une communication avec un autre neurone
Les réseaux de neurones
CNN RNN
Réseaux neurones convolutif
(Convolution neural network)
Exemple architecture VGG16
Exemple d’algorithme Multi-
object tracking
Réseaux neurones récurent
(RNN)
Comment ça marche ?
RNN ne fournit que de la mémoire à court terme et rencontre des difficultés pour
«se souvenir» (à quelques pas de distance) des anciennes informations traitées par son intermédiaire.
Pour surmonter cette limitation, des versions améliorées des réseaux récurrents ont été introduites dans la littérature incluant le LSTM [Hocheriez et Schmid Huber, 1997], Unité récurrente sécurisée (GRU) [Cho et al., 2014], RNN bidirectionnel (B- RNN)
Quiz
Quels sont les possibilités du Deep Learning ?
Analyser des images
Développer des voitures autonomes
Mettre en évidence des
caractéristiques
Avantage et des inconvénients
05
Les avantages d’une intelligence
artificielle
1. La réduction des erreurs
- L’intelligence artificielle nous aide à réduire l’erreur humaine et les chances d’atteindre la précision avec un degré de précision supérieur
2.L’exploration difficile
-Grâce à la programmation des robots, ils peuvent effectuer un travail plus laborieux et difficile avec une plus grande responsabilité.
4.Les applications médicales
-Les professionnels de la santé sont souvent formés à des simulateurs de chirurgie artificielle. Il trouve une énorme application dans la détection et la surveillance des troubles neurologiques car il peut simuler les fonctions cérébrales.
Les Inconvénients de l’intelligence
artificielle
1. Un coût élevé
-La création d’une intelligence artificielle nécessite des coûts énormes car ce sont des machines très complexes.
2.Aucune initiative:
-Les machines n’ont pas d’émotions et de valeurs morales.
3. Aucune amélioration avec l’expérience
-L’intelligence artificielle ne peut être améliorée avec l’expérience. Avec le temps, cela peut conduire à l’usure. Il stocke beaucoup de données, mais la manière dont on peut y accéder et les utiliser est très différente de l’intelligence humaine.
5. Le chômage
-Le remplacement d’êtres humains par des machines peut entraîner un chômage important.
Congratulations !
You are a Data
Scientist.
Merci
■ https://www.axiocode.com/avantages-inconvenients-intelligence-artificielle/
■ https://www.axiocode.com/avantages-inconvenients-intelligence-artificielle/
■https://fr.wikipedia.org/wiki/Apprentissage_profond
■ https://fr.wikipedia.org/wiki/Donn%C3%A9e
■ Cours de Master Data science