presentation for ia project

1. Aperçu de l'Intelligence Artificielle et
de ses applications
Présenté par: Becheikh Med Aymen
Université de Relizane Ahmed zabana Faculté des Sciences et de la Technologie
Departement d ‘ Informatique
E-mail: aymenbecheikh63@gmail.com
Université Ahmed Zabana
Relizane

2. 2
Introduction : Contexte & Problématique
1. C’est quoi l’IA
2. L'IA dans notre quotidien(activités)
3. Tâches courantes d’IA
4. Vision artificiel
5. Apprentissage automatique (machine
learning)
6. Apprentissage profond (deep learning)

3. 3
C’est quoi
Intelligence
Artificial
Introduction : Contexte & Problématique
L'intelligence
artificielle dans
notre quotidien

4. 4
Introduction : Contexte & Problématique
L‘intelligence artificielle (IA) est un domaine de la technologie qui
vise à permettre aux machines de simuler des capacités humaines telles
que la perception, la réflexion et la prise de décision.

5. 5
L' ia dans notre quotidien
1. Assistants vocaux personnels
2. Systèmes de recommandation
youtube vous propose des vidéos similaires à celles que vous avez regardées.
3. Reconnaissance d'images
facebook et Instagram utilisent l'IA pour reconnaître les visages dans les
photos et suggérer des tags automatiques.
4. Achat en ligne
Publicités ciblées : Les publicités que vous voyez sur Internet sont souvent basées
sur vos comportements d'achat ou de navigation, analysés par l’IA

6. 6
L'IA dans notre quotidien

7. 7
Introduction : Contexte & Problématique
Intelligence Artificielle: la capacité d'un
ordinateur à simuler le comportement
cognitif humain.
Machine Learning: le processus de
combiner des algorithmes et des données
pour permettre à un ordinateur d'apprendre
sans intervention humaine.
Deep Learning utilisant des réseaux multi-
couches pour l'apprentissage automatique.

8. 9
Computer
vision
La prédiction, la
prévision et la
détection des
anomalies sont des
techniques destinées à
analyser des données,
généralement des
valeurs numériques, et
à générer une
estimation.
Traitement du langage
naturel (NLP) : le
processus d'interprétation
du langage écrit ou parlé.
Analyse de texte : analyser
des documents. Traduction
de texte
L'exploration de
connaissances
(Knowledge mining)
est le processus
d'extraction de
connaissances à partir
de vastes quantités
d'informations..
L'intelligence artificielle
conversationnelle consiste à
développer des agents
logiciels destinés à
communiquer directement
avec les humains.
Tâches courantes d'IA

9. 10
Vision artificielle
La vision artificielle est l'un des domaines de l'intelligence artificielle
qui forme et permet aux ordinateurs de comprendre le monde visuel.
Les ordinateurs peuvent utiliser des images numériques et des
modèles d'apprentissage en profondeur pour identifier et classifier
avec précision les objets, ainsi que réagir à leur présence.

10. 11
définir le sujet d’image
classification d’Image
• déterminer si une chose particulière est une
image + compter les objets
détection d'Objets
• identifier si il ya un visage sur une photo
reconnaissance et détection
Facial
• l’analyse d’image nous fournit une description
textuelle de qui ou de ce qui se trouve unela
photo
analyse d’image
• lire le texte a partir de l'image
reconnaissance optique des
caractères
Vision artificielle

11. 12
I. Vision artificiel
Les chercheurs s'inspirent de la psychologie cognitive et des études sur
le cerveau humain pour développer des réseaux qui imitent la façon dont les
humains reconnaissent les objets dans une image. Le processus commence
par la détection des contours, qui sont essentiels pour identifier les objets, et
le résultat final est la reconnaissance de l'objet à partir de ses
caractéristiques visuelles. Cette inspiration du cerveau humain a permis aux
modèles d'apprentissage profond, comme les CNN, d'atteindre des
performances exceptionnelles en reconnaissance d'images

12. 13
Selon la littérature, les travaux de classification automatique des images
peuvent être classés en deux familles:
1. Méthodes classiques basées sur l’apprentissage classiques(machine learning);
2. Méthodes récentes basées sur l’apprentissage profond (Deep Learning).
I. Méthodologie & Outils

13. 14
I. Apprentissage automatique (machine learning)
Apprentissage automatique
L'apprentissage automatique (ou machine
learning) est un sous-domaine de l'intelligence
artificielle qui permet aux systèmes d'apprendre à
partir des données et d'améliorer leurs performances
sans être explicitement programmés. Le système
analyse les données et utilise les motifs qu'il a appris
pour prendre des décisions ou faire des prédictions.

14. 15
I. Apprentissage automatique (machine learning)
Traditional Programming
Machine Learning
Data
Output
Program Output
Program
Data

15. 16
I. Apprentissage automatique (machine learning)
L'apprentissage supervisé
❏ Dans l'apprentissage supervisé, nous disposons d'un
ensemble de données et nous savons déjà à quoi devrait
ressembler notre sortie correcte, en partant du principe qu'il existe
une relation entre les entrées et les sorties.
Les problèmes d'apprentissage supervisé sont classés en deux
catégories : les problèmes de régression et de classification.
❏ Dans un problème de régression, nous essayons de prédire des
résultats dans une sortie continue, c'est-à-dire que nous cherchons à relier
les variables d'entrée à une fonction continue.
❏ Dans un problème de classification, nous cherchons à prédire
des résultats dans une sortie discrète. En d'autres termes, nous essayons de
mapper les variables d'entrée dans des catégories discrètes.

16. 17
I. Apprentissage automatique (machine learning)
L'apprentissage non supervisé
❏ Dans l'apprentissage non supervisé, nous disposons d'un ensemble de
données, mais nous ne connaissons pas les sorties correctes à l'avance
❏ l'algorithme doit apprendre à partir des données brutes sans connaître les
résultats corrects, et trouver des structures sous-jacentes dans les données.
❏ Les problèmes d'apprentissage non supervisé sont généralement divisés en
deux catégories principales :.la réduction de dimensionnalité et le clustering
(ou regroupement)..
❏ Clustering : Il s'agit de regrouper les données en clusters ou groupes
similaires, où les objets au sein d'un même groupe sont plus similaires entre
eux qu'avec ceux d'un autre groupe.
❏ Réduction de dimensionnalité : L'objectif ici est de réduire le nombre de
variables d'un jeu de données tout en préservant autant d'informations que
possible. Cela permet de simplifier les données tout en conservant les
structures importantes.

17. 18
Classification Clustering
Regression
Dimensionality
reduction
Supervised Unsupervised
Discrete
Continuous
I. Apprentissage automatique (machine learning)

18. 19
I. Apprentissage automatique (machine learning)
nous devons donc séparer
Tâches Expérience Performance

19. 20
I. Apprentissage automatique (machine learning)
1. Tâche : définit l'objectif à atteindre.
2. L'expérience : fournit les connaissances ou les
information nécessaires pour atteindre cet
objectif.
3. La performance : évalue l'efficacité avec
laquelle l'objectif a été atteint, en fonction de
l'expérience et des connaissances accumulées
au cours du processus d'apprentissage.

20. 21
I. Apprentissage automatique (machine learning)
Exemple( linear regression)
1. Tâche : Prédiction des prix des maisons
2 Expérience
Superficie (pi²) Nombre de chambres Prix ($)
1000 2 150 000
1200 3 200 000
1500 4 250 000
1800 4 300 000
2200 5 350 000
:

21. 22
I. Apprentissage automatique (machine learning)
Exemple
3 Performance : Évaluation du modèle
Superficie (pi²) Nombre de chambres Prix réel ($) Prix prédit ($)
1100 3 175 000 180 000
1600 4 270 000 260 000
1900 4 310 000 320 000
2100 5 340 000 330 000

22. 23
I. Apprentissage automatique (machine learning)
Exemple
3 Performance : Évaluation du modèle
calcule error
Formule du MAE :
formule de MSE :

23. 30
Étapes de
l'apprentissage
automatique
Étapes du processus de Machine Learning

24. 31
Comment commencez-vous une tâche d'apprentissage
automatique ?
Étape 1 :
Définir le
problème
Définir une tâche très spécifique.
Identifier la tâche d'apprentissage
automatique que nous pourrions utiliser
pour résoudre ce problème.
Étapes du processus de Machine Learning

25. 32
Étape 2 :
Construire
l'ensemble de
données
Est-ce que les
données que vous
avez collectées
correspondent à la
tâche
d'apprentissage
automatique et au
problème que vous
avez définis ?
il est bon de
vérifier que vos
données sont
conformes aux
hypothèses sous-
jacentes de votre
modèle
d'apprentissage
automatique
choisi.
En inspectant vos
données,
recherchez les
éléments suivants
: les valeurs
aberrantes, les
valeurs
manquantes ou
incomplètes,
identifier les valeurs
aberrantes et les
tendances dans vos
données, ainsi que
pour aider les parties
prenantes à
comprendre vos
données.
Étapes du processus de Machine Learning

26. 33
Étape 3 :
Entraînement du
modèle
❑ Diviser votre modèle de jeu de données.
❑ Alimenter les données d'entraînement dans le modèle.
❑ Calculer la fonction de perte sur les résultats.
❑ Mettre à jour les paramètres du modèle dans une direction qui
réduit la perte.
❑ Répéter ces étapes jusqu'à ce que vous atteignez une condition
d'arrêt prédéfinie. Cela peut être basé sur une durée
d'entraînement, le nombre de cycles d'entraînement, ou un
mécanisme encore plus intelligent ou adapté à l'application.
Soyez prêt à itérer.
Algorithme d'entraînement du modèle : L'algorithme d'entraînement met
à jour itérativement les paramètres d'un modèle afin de minimiser une
fonction de perte spécifique. Paramètres du modèle : Les paramètres du
modèle sont des configurations ou des réglages que l'algorithme
d'entraînement peut mettre à jour pour modifier le comportement du
modèle. Fonction de perte : Une fonction de perte est utilisée pour
mesurer la distance entre le modèle et l'objectif fixé.
Étapes du processus de Machine Learning

27. 34
Étapes du processus de Machine Learning
Step4:
Evaluate the
Model
Une fois que vous avez collecté vos données et entraîné un
modèle, vous pouvez commencer à évaluer la performance
de votre modèle. Les métriques utilisées pour l'évaluation
sont susceptibles d'être très spécifiques au problème que
vous avez défini. À mesure que vous approfondissez votre
compréhension de l'apprentissage automatique, vous
serez en mesure d'explorer une grande variété de
métriques qui vous permettront d'évaluer efficacement.
Une fois que vous avez entraîné votre modèle, évalué son
efficacité et êtes satisfait des résultats, vous êtes prêt à
générer des prédictions sur des problèmes réels en
utilisant des données non vues sur le terrain. En
apprentissage automatique, ce processus est souvent
appelé "inférence".
Step 5: Utiliser
le modèle

28. 35
Tâches
d'apprentissage
automatique

29. 38
I. Méthodologie & Outils
Méthodes récentes
Apprentissage profond (deep learning )
L'apprentissage profond est une branche de
l'apprentissage automatique qui utilise des
réseaux de neurones artificiels avec plusieurs
couches pour apprendre des représentations
complexes des données. Il permet au modèle
d'apprendre automatiquement des caractéristiques à
partir de données brutes, comme des images, du
texte ou du son, sans nécessiter d'extraction
manuelle des caractéristiques.

30. 39
I. Méthodologie & Outils
Méthodes récentes
Apprentissage profond (deep learning )
Percptron

31. 40
I. Méthodologie & Outils
Méthodes récentes
Apprentissage profond (deep learning )
Percptron

32. 41
Exmple for classification avec deep
learning
Nombre d'heures
d'étude (x1)
Présence aux
cours (x2)
Résu
ltat
(y)
1 0 0
2 1 0
3 1 1
4 1 1
Contexte de l'exemple :
deux caractéristiques : le nombre d'heures d'étude et la présence aux cours.
● Entrée 1 (x1) : Nombre d'heures d'étude.
● Entrée 2 (x2) : Présence aux cours (par exemple, 1 pour présence, 0 pour
absence).
L'étiquette de sortie (y) représente le résultat de l'examen :
● 1 : Réussite (l'étudiant réussit l'examen).
● 0 : Échec (l'étudiant échoue à l'examen).
Jeu de données :
Objectif :
Nous voulons entraîner un perceptron à partir de ce jeu de données afin de prédire
si un étudiant réussira ou échouera à l'examen en fonction de ces deux

33. 42
Exmple for classification avec deep
learning
Étapes pour entraîner un perceptron :
1. Initialisation :
■ w1 = 0.1 (poids pour les heures d'étude)
■ w2 = 0.2 (poids pour la présence)
■ b = 0.1 (biais)
2. Calcul de la sortie : Pour chaque entrée (x1, x2), on calcule une somme pondérée :
Sortie calcule =w1×x1+w2×x2+b
3. Si cette somme est supérieure à un certain seuil, le perceptron renvoie 1 (réussite), sinon il renvoie 0 (échec).
4. Mise à jour des poids (apprentissage) : Après chaque prédiction, on compare la sortie calculée avec la sortie réelle (celle
indiquée dans la colonne "Résultat"). Si la prédiction est incorrecte, on ajuste les poids à l'aide de la règle de mise à jour du
perceptron :
w1=w1+α×(yre el​
−ypre dit​
)×x1
ˊ ˊ
5. w2=w2+α×(yre el​
−ypre dit​
)×x2
ˊ ˊ
6. b=b+α×(yre el​
−ypre dit​
)
ˊ ˊ
7. Où αalphaα est le taux d'apprentissage, une petite valeur qui contrôle l'ampleur des mises à jour.

34. 43
Exmple for classification avec deep
learning
Entraînement du perceptron :
Supposons que nous appliquons le perceptron à cet exemple avec un taux d'apprentissage α=0.1.
1ère itération (pour (x1 = 1, x2 = 0), y = 0) :
● Sortie calculée : 0.1×1+0.2×0+0.1=0.2
● Comme 0.2>0, la sortie calculée est 1 (prédiction incorrecte).
● Mise à jour des poids :
○ w1=0.1−0.1×1×1=0
○ w2=0.2−0.1×1×0=0.2
○ b=0.1−0.1×1=0
2ème itération (pour (x1 = 2, x2 = 1), y = 0) :
● Sortie calculée : 0.0×2+0.2×1+0.0=0.2
● Comme 0.2>0, la sortie calculée est 1 (prédiction incorrecte).
● Mise à jour des poids :
○ w1=0.0−0.1×1×2=−0.2
○ w2=0.2−0.1×1×1=0.1
○ b=0.0−0.1×1=−0.1

35. 45
I. Méthodologie & Outils
Méthodes récentes
Exemple de classification par Deep learning
Figure 2: Apprentissage des
motifs par un CNN

36. 46
I. Tp Apprentissage automatique (machine learning)
Weight (grams) Color Label
150 Red Apple
180 Red Apple
120 Orange Orange
130 Orange Orange
170 Red Apple
140 Orange Orange
K-Nearest Neighbors (KNN)

37. Merci