Cours d'Intelligence Artificielle

Cours d'Intelligence Artificielle - Semestre 1

• Le cours est dispensé par la Dr. Chaymae Miloudi
• La période de cours est 2024-2025
• Le semestre est 1

Concepts Fondamentaux

• L'Intelligence Artificielle (IA) est un domaine qui vise à créer des machines intelligentes. Elle inclut différents sous-domaines, dont les techniques de Machine Learning.
• L'IA en anglais se traduit par Artificial Intelligence (AI)
• Le concept d'IA a été introduit en 1956 par John McCarthy.
• L'IA est interdisciplinaire, reliant des domaines comme l'informatique, la philosophie, la logique, la linguistique et la psychologie.
• Le besoin de l'IA est motivé par l'explosion des données produites, la grande accessibilité des algorithmes et le progrès des capacités de calcul des ordinateurs.

Approches de l'IA

• Symbolisme : Se base sur la logique mathématique et la représentation symbolique des données.
• Connexionnisme : Représente les données par des ensembles de nombres, vecteurs ou matrices, comme dans les réseaux de neurones.
• Actionnisme : Se concentre sur l'interaction entre l'agent et son environnement, via des actions et leurs conséquences.

IA, Apprentissage automatique vs. Apprentissage profond

• L'IA englobe l'apprentissage automatique et l'apprentissage profond.
• L'apprentissage automatique se base sur la conception et le développement d'algorithmes qui permettent à une machine d'apprendre à résoudre un problème spécifique à partir de données (expérience et tâche) et à mesurer sa performance.

Histoire de l'IA

• 1950-1970 (1er Âge d'Or): Test de Turing, naissance du terme "Intelligence Artificielle," réseaux de neurones (Perceptron), les premiers agents conversationnels (Eliza), logique modale et floue
• 1980-1990 (2ème Âge d'Or): Perceptron multicouches, systèmes experts (si x alors y), réseaux bayésiens, cartes auto-organisatrices
• Depuis 2010 (3ème Âge d'Or): Emergence du Machine Learning (ML), utilisation des bases de données de milliers d'exemples (ML en santé), l'*Deep Learning (réseaux de neurones profonds), victoire d'AlphaGo, Big Data (les 4V).

Domaines d'applications

• Vision par ordinateur: reconnaissance et analyse d'images
• Traitement de la parole: reconnaissance et traitement de la parole humaine
• Traitement du langage naturel: analyse et compréhension du langage humain.
• Détection d'objets & Segmentation d'objets; identification automatique et segmentation d'objets sur une image.
• Reconnaissance de l'écriture manuscrite; une application pour la conversion de l'écriture manuscrite en texte numérique, et vice-versa.

Utilisation de l'IA

• Analyse des actions: l'IA peut analyser des actions humaines.
• Authentification: Contrôle d'identité grâce à la reconnaissance faciale et d'autres éléments.
• Recherche des images: Trouver des images via requêtes textuelles.
• Reconnaissance faciale: Identifier les individus grâce à leurs visages.
• Navigation vocale: Navigation à travers des commandes vocales
• Éducation intelligente: Utiliser l'IA dans le cadre éducatif.
• Détection de mensonges: Analyse de la parole et des expressions faciales pour détecter des mensonges.
• Traduction automatique: Traiter le texte dans différentes langues.
• Détection des cellules cancéreuses: Utiliser l'IA pour trouver rapidement les cellules anormales.
• Text generation (génération de texte): Créer des textes dans différents contextes.

Prérequis

• Python 3
• NumPy (Calcul scientifique)
• Pandas (Exploration des données)
• Matplotlib & Seaborn (Visualisation graphique)
• Statistiques
• Mathématiques
• Excel (x)

Objectifs du cours

• Introduire le domaine de l'Intelligence Artificielle (IA)
• Présenter les concepts de base du Machine Learning (ML)
• Acquérir une maîtrise des algorithmes d'apprentissage non supervisé ainsi que supervisé.
• Apprendre à utiliser les APIs Python pour traiter, analyser et visualiser les données.

Organisation du cours

• La répartition du temps est approximativement : cours 50%, travaux dirigés 20%, travaux pratiques 30%
• Les formules d'évaluation sont : Formule 1 (25% exposé, 50% TP, 25% examen), Formule 2 (45% DS, 55% examen)

Plan du cours

• Un volet théorique, incluant l'introduction générale, initiation au Machine Learning, apprentissage non-supervisé, apprentissage supervisé, réseaux de neurones et Deep Learning.
• Un volet pratique, couvrant le calcul scientifique, l'exploration et la visualisation des données. Apprentissage automatique non supervisionné et supervisé via le package learn.

Concepts de bases Dataset:

• Base de données (Dataset): Ensemble de données.
• Ensemble d'apprentissage (Training set): données utilisées pour créer le modèle.
• Ensemble de test (Test set): données utilisées pour évaluer le modèle.

Phases: Training and Testing

• Phase 1 (Apprentissage): Données d'entrainement utilisées pour créer le modèle.
• Phase 2 (Déploiement): nouvelles données utilisées pour tester le modèle.
• Dans la phase d'application, le modèle entraîné est utilisé pour prévoir la prédiction pour les nouvelles données.

Processus de ML

• Collecte des données
• Préparation des données
• Apprentissage automatique
• Validation du modèle
• Déploiement & intégration du modèle
• Feedback & itération

Préparation des données

• Détection des descripteurs
• Prétraitement (Data preprocessing)
• Nettoyage (remplacement valeurs manquantes, suppression valeurs aberrantes, détection des anomalies)
• Transformation de données (normalisation, combianion...)
• Discrétisation des données
• Réduction des données (sélection, transformation)

Types d'apprentissage automatique

• Apprentissage supervisé (données étiquetées)
• Apprentissage non-supervisé (pas de données étiquetées)
• Apprentissage semi-supervisé (données étiquetées + non étiquetées)
• Apprentissage par renforcement (l'environnement fournit la récompense/pénalité).

Quelques techniques dans l'apprentissage supervisé

• Régression logistique
• Support Vector Machine (SVM)
• Régression linéaire
• Réseaux de neurones
• Arbres de décision
• Random Forest
• Gradient Boosting Decision Tree (GBDT)
• K-Nearest Neighbors (KNN)
• Naive Bayes

Quelques techniques dans l'apprentissage non supervisé

• Classification Ascendante Hiérarchique
• K-Moyennes (K-means)
• Analyse des Composantes Principales (ACP)
• Isomap
• One class SVM
• Isolation Forest

Apprentissage semi-supervisé

• Utilise les données étiquetées pour compléter des données non étiquetées
• Utilise ses propres prédictions pour s'améliorer.
• Techniques plus connues :
  • Auto-apprentissage (self-training)
  • Co-apprentissage (co-training)

Apprentissage par renforcement

• L'apprentissage est guidé par l'environnement à travers des récompenses et des pénalités
• L'environnement fournit les actions, mesures, et l'état
• Le modèle ajuste ses paramètres en fonction de l'environnement et des résultats.