1. Chapitre 1 : Introduction
Intelligence Artificielle
Apprentissage automatique
3ème année Géomatique
Sonia Ben Ticha Azzouz
Septembre 2023
Ministère de la
défense
nationale
2. Qu’est ce que l’intelligence artificielle
L'intelligence artificielle ou informatique cognitive est
la « recherche de moyens susceptibles de doter les
systèmes informatiques de capacités intellectuelles
comparables à celles des êtres humains ».
Partie I
Intelligence
Artificielle
Définitions
Historique
Domaines de
recherches
Domaines
d’applications
Partie II
Apprentissage
Plan du cours
2 Sonia Ben Ticha Azzouz
3. Partie I
Intelligence
Artificielle
Définitions
Historique
Domaines de
recherches
Domaines
d’applications
Partie II
Apprentissage
Plan du cours
Plusieurs définitions: quatre approches
3
Réussite mesurée par
rapport à la rationalité
Machines qui agissent
comme les humains
Test de Turing
Machine qui pensent
rationnellement
Les lois de la pensée
Machines qui agissent
rationnellement
Approche de l’agent rationnel
Réussite mesurée par
rapport aux humains
Machines qui pensent
comme les humains
Approche cognitive
Pensée et
raisonnement
Comportement
Sonia Ben Ticha Azzouz
4. Partie I
Intelligence
Artificielle
Définitions
Historique
Domaines de
recherches
Domaines
d’applications
Partie II
Apprentissage
Plan du cours
Plusieurs définitions
Machines qui agissent comme les humains
« L’art de créer des machines capables de prendre en
charge des fonctions exigeant de l’intelligence quant elles
sont réalisées par des gens » (Kurzweil, 1990)
« L’étude des moyens à mettre en œuvre pour faire en
sorte que les ordinateurs accomplissent des choses pour
lesquelles il est préférable de recourir à des personnes
pour le moment » (Rich & Knight, 1991)
4
Sonia Ben Ticha Azzouz
5. Partie I
Intelligence
Artificielle
Définitions
Historique
Domaines de
recherches
Domaines
d’applications
Partie II
Apprentissage
Plan du cours
Plusieurs définitions
Machines qui pensent comme les humains
« La tentative nouvelle et passionnante d’amener les
ordinateurs à penser…[d’en faire] des machines dotées
d’un esprit au sens le plus littéral » (Haugeland, 1985)
L’automatisation d’activités que nous associons à la
pensée humaine, des activités telles que la prise de
décision, la résolution de problèmes, l’apprentissage… »
(Bellaman, 1978)
5
Sonia Ben Ticha Azzouz
8. Partie I
Intelligence
Artificielle
Définitions
Historique
Domaines de
recherches
Domaines
d’applications
Partie II
Apprentissage
Plan du cours
Un peu d’histoire…
Naissance
8
Terme introduit par John McCarthy (1927-2011) en 1956
à la conférence qui s'est tenue sur le campus de Dartmouth
College pendant l'été 1956 à laquelle assistaient ceux qui vont
marquer la discipline.
C’est à cette date qu’a été créé le domaine de recherche en
Intelligence Artificielle (IA)
IA: est l’abréviation en français, et AI: Artificial Intelligence en
anglais
Sonia Ben Ticha Azzouz
9. Partie I
Intelligence
Artificielle
Définitions
Historique
Domaines de
recherches
Domaines
d’applications
Partie II
Apprentissage
Plan du cours
Un peu d’histoire…
Origine
9
Origine de l’IA
1950 par Alan Turing (1912-1954) dans « Computing
Machinery and Intelligence » (octobre 1950)
Alan Turing: père fondateur de l’informatique moderne avec la
machine de Turing
En voulant répondre à la question « Est-ce que la machine
pense? »
Sonia Ben Ticha Azzouz
10. Partie I
Intelligence
Artificielle
Définitions
Historique
Domaines de
recherches
Domaines
d’applications
Partie II
Apprentissage
Plan du cours
Un peu d’histoire…
Test de Turing
10
Objectif du test:
qualifier une machine d’intelligente en donnant une définition
satisfaisante et opérationnelle de l’intelligence.
Déroulement du test: jeu basé sur des questions-
réponses
Un humain (juge) pose des questions écrites à l’aveugle à une
machine et à un humain
Il reçoit des réponses écrites aux questions posées
La machine réussit le test:
Le test est réussi si au bout d’un certain nombre de questions,
l’humain est dans l’incapacité de dire si les réponses écrites
proviennent d’un humain ou d’une machine
Sonia Ben Ticha Azzouz
11. Partie I
Intelligence
Artificielle
Définitions
Historique
Domaines de
recherches
Domaines
d’applications
Partie II
Apprentissage
Plan du cours
Un peu d’histoire…
Test de Turing complet
11
Pas d’interaction physique directe entre le questionneur
et l’ordinateur, car la simulation physique d’une personne
n’est pas indispensable pour l’intelligence.
Le test complet inclut
Un signal vidéo permettant au questionneur de tester les
capacités perceptives du sujet (machine ou homme)
La possibilité du questionneur de passer des objets physiques
par « un guichet »
Sonia Ben Ticha Azzouz
12. Partie I
Intelligence
Artificielle
Définitions
Historique
Domaines de
recherches
Domaines
d’applications
Partie II
Apprentissage
Plan du cours
Domaines de recherche
12
Le traitement du langage naturel
permettra de communiquer avec le questionneur
La représentation des connaissances
lui permettant de stocker ce qu’il sait et entend
Le raisonnement automatisé
pour répondre aux questions et tirer des conclusions
L’apprentissage
pour s’adapter à de nouvelles circonstances
La vison par ordinateur
pour percevoir des objets
La robotique
pour manipuler des objets et se déplacer
Sonia Ben Ticha Azzouz
13. Partie I
Intelligence
Artificielle
Définitions
Historique
Domaines de
recherches
Domaines
d’applications
Partie II
Apprentissage
Plan du cours
Domaines d’applications
13
L’automobile: véhicules connectés et véhicules autonomes
La santé:
la médecine prédictive, les robots compagnons pour les personnes
âgés, l’aide à la décision, la chirurgie assistée, la prévention des
épidémies
L’industrie: la maintenance prédictive pour anticiper les
pannes
Le Marketing: recommandation personnalisée, analyse
d’audience,
L’assurance: assurance prédictive & détection de la fraude
Sonia Ben Ticha Azzouz
14. Partie I
Intelligence
Artificielle
Définitions
Historique
Domaines de
recherches
Domaines
d’applications
Partie II
Apprentissage
Plan du cours
Domaines d’applications
14
La Banque: améliorer les performances des conseillers
Le Tourisme: e-tourisme et assistance personnelle via
les chatbots
Les Médias & Divertissements: contenus personnalisés
L’éducation: orientation ciblée et apprentissage
personnalisé
L’Environnement: l’eau, l’agriculture, le changement
climatique
Arts: musique et arts visuels
La Défense & l’Aéronautique: cybersécurité
Sonia Ben Ticha Azzouz
15. Apprentissage & IA
Partie I
Intelligence
Artificielle
Partie II
Apprentissage
Définitions
Plan du cours
15
Today’s IA is Deep Learning (a technique of Machine Learning)
https://blog.alore.io/machine-learning-and-artificial-intelligence/
Sonia Ben Ticha Azzouz
16. Objectif du module
Présenter les bases de l'apprentissage artificiel
Présenter les différents types d’apprentissages artificiels
Comprendre les concepts de bases de certains
algorithmes d’apprentissages artificiels (supervisés et
non supervisés
Implémenter certains algorithmes d’apprentissage
artificiels (supervisés, non et supervisés) en python
Partie I
Intelligence
Artificielle
Partie II
Apprentissage
Plan du cours
16 Sonia Ben Ticha Azzouz
18. L’apprentissage: c’est quoi?
Partie I
Intelligence
Artificielle
Partie II
Apprentissage
Définitions
Plan du cours
18
Une définition générale:
≪L’apprentissage automatique est la discipline donnant
aux ordinateurs la capacité d’apprendre sans qu’ils soient
explicitement programmés.≫
Arthur Samuel, 1959
Sonia Ben Ticha Azzouz
19. L’apprentissage: c’est quoi?
Partie I
Intelligence
Artificielle
Partie II
Apprentissage
Définitions
Plan du cours
19
Une définition technique:
« Un programme informatique est réputé apprendre
(learn) d’une expérience E pour certaines classes de tâches
T et une mesure de performance P, si ses performances aux
tâches T, mesurée par P, s’améliorent avec l’expérience. »
Tom Mitchell, 1997
Sonia Ben Ticha Azzouz
20. L’apprentissage: c’est quoi?
Exemple: un robot qui apprend
Partie I
Intelligence
Artificielle
Partie II
Apprentissage
Définitions
Plan du cours
20
Un robot doté d’un ensemble de capteurs et d’un algorithme
d’apprentissage en ligne
Tâche: jouer au football
Performance: score
Expérience:
environnement actuel
jeux passés
Sonia Ben Ticha Azzouz
21. L’apprentissage: c’est quoi?
Exemple: détection d’objets dans une image
Partie I
Intelligence
Artificielle
Partie II
Apprentissage
Définitions
Plan du cours
21
Un algorithme de détection/reconnaissance
Tâche: dire si un objet est présent ou non dans l’image
Performance: nombre d’erreurs
Expérience:
ensemble d’images ’”labelisées” précédemment vues
Sonia Ben Ticha Azzouz
22. L’apprentissage: c’est quoi?
Exemple: reconnaissance de chiffres manuscrits
Partie I
Intelligence
Artificielle
Partie II
Apprentissage
Définitions
Plan du cours
22
Un algorithme de reconnaissance de chiffres manuscrits
Tâche: reconnaitre la valeur du chiffre manuscrit
Performance: nombre d’erreurs
Expérience: ensemble d’images ’”labelisées” précédemment vues, chaque
image contenant un chiffre manuscrit et le label correspondant
Sonia Ben Ticha Azzouz
23. L’apprentissage: c’est quoi?
Partie I
Intelligence
Artificielle
Partie II
Apprentissage
Définitions
Plan du cours
23
Donner la capacité à un ordinateur à apprendre à exécuter des
taches (classification, prédiction, détection,…) sans être
explicitement programmé
En fonction des données d’expérimentation que prendra l'algorithme
d’apprentissage en entrée
En construisant un modèle à partir de ses données en entrées
Et, en améliorant ses performances au fil du temps
Sonia Ben Ticha Azzouz
24. L’apprentissage: pourquoi?
Approche algorithmique
Partie I
Intelligence
Artificielle
Partie II
Apprentissage
Définitions
Plan du cours
24
Pour résoudre un problème:
On écrit un algorithme
puis on le traduit dans un langage de programmation
Le programme est exécuté par un ordinateur
Il donne en sortie les résultats
L’algorithme doit traiter tous les cas possibles
La machine ne pourra pas traité les cas non prévus,
Si un cas non prévu survient une erreur surviendra (un bug)
-- Parfois le problème est assez complexe, l’approche algorithmique peut être
couteuse voir impossible
computer
Données
programme
résultats
Approche algorithmique classique
Sonia Ben Ticha Azzouz
25. L’apprentissage: pourquoi?
Approche IA (Système expert)
Partie I
Intelligence
Artificielle
Partie II
Apprentissage
Définitions
Plan du cours
25
Pour résoudre un problème:
On définit un ensemble de règles avec l’aide d’un expert humain du domaine
Ces règles modélisent les connaissances du domaine
Le programme est exécuté par un ordinateur
Il donne en sortie les résultats
Le doit traiter tous les cas possibles
Toutes les règles doivent être au préalable exprimées par l’expert avant le traitement
Les règles seront exprimées suivant une représentation des connaissances données (logique des prédicats)
Le Si un cas non prévu survient une erreur surviendra (un bug)
--Il est impossible de modéliser toutes les formes de connaissances
-- Se limite aux domaines ou la modélisation des connaissances est possibles
Domaine des sciences exactes: physique, mécanique, électronique, mathématique
-- ne s’applique pas aux sciences dites « humaines » comme la médecine, la philosophie, la psychologie, l’art
computer
Base de
connaissances
Système expert
résultats
Approche IA (système expert)
Sonia Ben Ticha Azzouz
26. L’apprentissage: pourquoi?
Partie I
Intelligence
Artificielle
Partie II
Apprentissage
Définitions
Plan du cours
26
Ces deux approches ne suffisent pas à répondre à tous les problèmes
Le domaine de la reconnaissance de formes (images, signaux)
Du diagnostic,
La traduction automatique, la compréhension du langage naturelle
Même ceux évidents pour un enfant de 4 ans qui arrive à reconnaitre les
visages des personnes qui lui sont familières
Algorithmes
d’apprentissage
Données
Sorties recherchées
Modèle
(programme)
Machine Learning/ Apprentissage artificielle
Sonia Ben Ticha Azzouz
27. Diagnostic médical
Partie I
Intelligence
Artificielle
Partie II
Apprentissage
Définitions
Domaines
d’applications
Plan du cours
27
Détection du mélanome malin130 000 images dont
plus de 2 000 cas de cancer Taux d'erreur 28 %
(humain 34 %)
Mammographie numérique DREAM Challenge640 000
mammographies (1209 participants)taux de faux
positifs diminué de 5 %
Analyse du rythme cardiaque500 000 ECGprécision
92,6 % (humain 80,0 %) sensibilité de 97 %
Sonia Ben Ticha Azzouz
28. Désabonnement des clients (Marketing)
Partie I
Intelligence
Artificielle
Partie II
Apprentissage
Définitions
Domaines
d’applications
Plan du cours
28
Le client reste ou pas
Sonia Ben Ticha Azzouz
29. Segmentation des clients (Marketing)
Partie I
Intelligence
Artificielle
Partie II
Apprentissage
Définitions
Domaines
d’applications
Plan du cours
29
Détecter des groupes de clients
Sonia Ben Ticha Azzouz
30. Analyse des sentiments (Sentiment analysis)
Partie I
Intelligence
Artificielle
Partie II
Apprentissage
Définitions
Domaines
d’applications
Plan du cours
30
Classer les avis stockés en fonction des sentiments des
utilisateurs
Sonia Ben Ticha Azzouz
32. Implémentation d’un projet de Machine Learning
Partie I
Intelligence
Artificielle
Partie II
Apprentissage
Définitions
Domaines
d’applications
Concepts de
base
Plan du cours
32
Renforcement des
données
(Data strengthing)
Ingénierie des
données
(Data Engineering)
Business
Collecte des
données
(Data Gathering)
Monde
réel
Industries
Assurance
Internet
Réseaux sociaux
Médical
…
Capteurs
Transactions
Clics Web, traces (logs)
Mobilité
Open data
Documents
. . .
Nettoyage
Organisation
Agrégation
Gestion d'erreurs
. . .
Exploration
Représentation
Affichage
Machine Learning
Data mining
. . .
Interpretation
Prise de
decision
Evaluation
. . .
Sonia Ben Ticha Azzouz
33. Processus d’apprentissage
Partie I
Intelligence
Artificielle
Partie II
Apprentissage
Définitions
Domaines
d’applications
Concepts de
base
Plan du cours
33
1. Ccomprendre et analyser le but du projet
2. Pré-traitement/ visualisation /analyse des données
3. Quel type de ML problème? (régression,
classification, clustering, réduction de dimension,…)
4. Concevoir la solution
5. Evaluer ses performances
6. Aller à 2 si nécessaire
Apprentissage du
modèle
(Train Model)
Evaluation du
modèle
(Evaluate the
model)
Modèle
Pré-traitement
des données
(data pre-
processing)
Données
(Data)
Objectif du cours: étudier les étapes de 2 à 5 Sonia Ben Ticha Azzouz
34. Les données (espace de représentation)
Partie I
Intelligence
Artificielle
Partie II
Apprentissage
Définitions
Domaines
d’applications
Concepts de
base
Type
d’apprentissage
Plan du cours
34
Données
sont des exemples, instances, objets ou observations
Ils sont décrits par des attributs
L’ensemble des données (data set) est composé de N exemples
Attribut
Un attribut est une propriété ou une caractéristique observée.
Synonyme: feature ou variable indépendante
Désignation : xi ième variable décrivant un objet x
Exemple
C’est une entité caractérisant un objet et composé d’attributs
Synonyme: Objet, instance, observation, vecteur, point
Notation x={x1,……….., xi,……., xd} généralement dans
Sonia Ben Ticha Azzouz
35. Types de données
Partie I
Intelligence
Artificielle
Partie II
Apprentissage
Définitions
Domaines
d’applications
Concepts de
base
Type
d’apprentissage
Plan du cours
35
Descripteurs : variables qualitatives et
quantitatives nominales et ordinales
Texte: Chaîne de caractères
Parole: Des séries chronologiques
Images :Données 2D
Vidéos : Données 2D + temps
Réseaux : graphe
Flux: trace, logs
Étiquettes ou label: Sortie attendue
(apprentissage supervisé)
Sonia Ben Ticha Azzouz
36. Apprentissage supervisé
Supervised learning
Partie I
Intelligence
Artificielle
Partie II
Apprentissage
Définitions
Domaines
d’applications
Concepts de
base
Type
d’apprentissage
Plan du cours
36
Principe
Etant donnée N exemples pour l’apprentissage SN={(xi,yi) ∈XxY,
i=1…N}
Xi est l’entrée, et yi=f(xi) est la sortie de la fonction appliquée à xi
(xi,yi) est un exemple, une observation, un objet, une instance
La fonction f est inconnue,
L’objectif est de trouver une fonction h qui approxime f, c’est-à-dire
h(x) soit le plus proche possible de y=f(x)
La fonction h est appelée hypothèse
Difficulté:
Trouver l’hypothèse h parmi un ensemble d’hypothèses H qui
approxime le mieux f c’est le problème de l’induction
L’apprentissage est dit supervisé car il y ‘ a un oracle (un
expert) qui fournit pour chaque x le label y (f(x)) correspondant
Sonia Ben Ticha Azzouz
37. Apprentissage supervisé
Exemples: reconnaissance de forme
Partie I
Intelligence
Artificielle
Partie II
Apprentissage
Définitions
Domaines
d’applications
Concepts de
base
Type
d’apprentissage
Plan du cours
37
Les labels sont fournis par un expert (un superviseur)
Voici les données d’apprentissage (Training set): l’algorithme d’apprentissage va apprendre sur ces 5
observations
Le processus d’apprentissage supervisé consiste à trouver l’hypothèse h qui prédit pour un X donné la
forme correspondante
Les
x1
FormeA
(label)(y1)
X2
FormeA
y2
FormeA
Y3
XX4
Forme B
(label)
Y4
X5
Forme B
(label)
Y5
Sonia Ben Ticha Azzouz
38. Apprentissage supervisé
Exemples: reconnaissance de forme
Partie I
Intelligence
Artificielle
Partie II
Apprentissage
Définitions
Domaines
d’applications
Concepts de
base
Type
d’apprentissage
Plan du cours
38
Et maintenant une fois l’apprentissage terminé….
Quelle est l’étiquette correspondant à cette image? (Forme A ou forme B)?
Que représente Forme A?
Que représente Forme B?
?
Sonia Ben Ticha Azzouz
40. Apprentissage supervisé
Exemple1: apprendre à classifier des champignons
Partie I
Intelligence
Artificielle
Partie II
Apprentissage
Définitions
Domaines
d’applications
Concepts de
base
Type
d’apprentissage
Plan du cours
40
Durant la phase d’apprentissage: l’agent apprenant commence par observer une
série de champignons, classés comestibles ( C), non comestibles (N), toxiques (T)
ou mortels (M)
Sonia Ben Ticha Azzouz
41. Apprentissage supervisé
Exemple1: apprendre à classifier des champignons
Partie I
Intelligence
Artificielle
Partie II
Apprentissage
Définitions
Domaines
d’applications
Concepts de
base
Type
d’apprentissage
Plan du cours
41
La performance de l’agent est mesurée par sa capacité à classifier
correctement de nouveaux champignons.
Sonia Ben Ticha Azzouz
42. Apprentissage supervisé
Exemple2: apprendre à reconnaitre des chiffres manuscrits
Partie I
Intelligence
Artificielle
Partie II
Apprentissage
Définitions
Domaines
d’applications
Concepts de
base
Type
d’apprentissage
Plan du cours
42 Sonia Ben Ticha Azzouz
43. Apprentissage supervisé
Exemple3: Analyse des sentiments
Partie I
Intelligence
Artificielle
Partie II
Apprentissage
Définitions
Domaines
d’applications
Concepts de
base
Type
d’apprentissage
Plan du cours
43
Classification: le commentaire est positif ou non,
Régression: prédire la note du commentaire
Sonia Ben Ticha Azzouz
44. Apprentissage non supervisé
Unsupervised learning
Partie I
Intelligence
Artificielle
Partie II
Apprentissage
Définitions
Domaines
d’applications
Concepts de
base
Type
d’apprentissage
Plan du cours
44
Principe
Les entrées ne sont pas étiquetées
On dispose uniquement des xi
N exemples pour l’apprentissage SN={xi ∈X,
i=1…N}
L’objectif est de décrire comment les données sont
organisées et d'en extraire des sous-ensembles
homogènes.
Sonia Ben Ticha Azzouz
45. Apprentissage non supervisé
Exemple1: Reduction de dimension /visualisation/segmentation
Partie I
Intelligence
Artificielle
Partie II
Apprentissage
Définitions
Domaines
d’applications
Concepts de
base
Type
d’apprentissage
Plan du cours
45 Sonia Ben Ticha Azzouz
46. Apprentissage non supervisé
Exemple2: Segmentation de clients
Partie I
Intelligence
Artificielle
Partie II
Apprentissage
Définitions
Domaines
d’applications
Concepts de
base
Type
d’apprentissage
Plan du cours
46
Clustering
Sonia Ben Ticha Azzouz
47. Apprentissage par renforcement
Reinforcement learning
Partie I
Intelligence
Artificielle
Partie II
Apprentissage
Définitions
Domaines
d’applications
Concepts de
base
Type
d’apprentissage
Plan du cours
47
L’apprentissage par renforcement est une méthode
qui permet de trouver, par un processus
d’essais/erreurs, la politique de contrôle d’un
agent en cherchant à maximiser un signal de
renforcement (récompense) provenant de
l’environnement.
L’algorithme apprend un comportement étant
donnée une observation.
L'action de l'algorithme sur l'environnement produit
une valeur de retour qui guide l'algorithme
d'apprentissage.
Sonia Ben Ticha Azzouz
48. Approches pour le ML/Deep learning
Partie I
Intelligence
Artificielle
Partie II
Apprentissage
Définitions
Domaines
d’applications
Concepts de
base
Type
d’apprentissage
Plan du cours
48 Sonia Ben Ticha Azzouz
49. Choix en fonctions des données
Partie I
Intelligence
Artificielle
Partie II
Apprentissage
Définitions
Domaines
d’applications
Concepts de
base
Type
d’apprentissage
Plan du cours
49
Méthodes pour le ML
Grand catalogue de
méthodes,
Besoin de définir la
performance,
Design des features.
(attributs)..
Sonia Ben Ticha Azzouz
50. Plan du cours
Le prétraitement des données (Preprocessing): pour bien préparer
les données de sorte à faciliter l'apprentissage du modèle.
Apprentissage supervisé
Régression : pour prédire une valeur réelle continue.
Linéaire Simple
Linéaire Multiple
Régression polynomiale
Evaluation
Classification: pour prédire une catégorie.
Régression logistique
SVM Linéaire
Arbre de décision
KNN
Apprentissage non supervisé
Clustering: pour identifier des segments d'observations groupées par similarité.
Kmeans
Partie I
Intelligence
Artificielle
Partie II
Apprentissage
Plan du cours
50 Sonia Ben Ticha Azzouz