Fiche de révision - Panorama d'Outils et de Problématiques en IA PDF

Fiche de révision - Panorama d’Outils et de Problématiques en IA Notions Clés Observation et Similarité Observation : Mesures issues du monde réel utilisées pour prendre une décision. Similarité : Grandeur estimée pour évaluer la ressemblance entre deux exemples. Attention, la simila...

Fiche de révision - Panorama d’Outils et de Problématiques en IA Notions Clés Observation et Similarité Observation : Mesures issues du monde réel utilisées pour prendre une décision. Similarité : Grandeur estimée pour évaluer la ressemblance entre deux exemples. Attention, la similarité n’est pas équivalente à une distance. Types de Modèles Modèles Linéaires Modèles basés sur des relations linéaires entre variables explicatives et variables cibles. Limites : inefficaces pour des phénomènes non linéaires. Modèles Non-Linéaires Adaptés aux phénomènes complexes, intégrant des structures plus flexibles pour séparer les observations en groupes homogènes. Fonction Noyau Utilisée dans des modèles comme SVM et ANN pour transformer un problème non linéaire en un problème linéaire dans un autre espace. Approches en Classification 1. Non-Paramétriques Basées sur la similarité entre exemples. Ne nécessitent pas de supposition préalable sur la distribution des données. 2. Probabilistes Estimation des lois de probabilité à partir des données. Permet de quantifier les incertitudes associées à la décision. Méthodes d’Apprentissage Supervisé Entraînement avec des données étiquetées. Objectif : minimiser les erreurs entre les prédictions et les résultats observés. Non-Supervisé Partitionnement des données en groupes homogènes sans étiquettes. Par Renforcement L’algorithme apprend via un système de récompenses et de pénalités pour maximiser une récompense cumulée. Semi-Supervisé Combinaison d’exemples étiquetés et non étiquetés, exploitant les relations entre les données. Modèles Courants 1. Arbre de Décision : Simple et interprétable. Limites : peut être instable si les données changent légèrement. 2. SVM (Support Vector Machine) : Sépare les classes en maximisant la marge entre elles. Utilisation de fonctions noyau pour des cas non linéaires. 3. Réseaux de Neurones (MLP, CNN, etc.) : Puissants pour les tâches complexes, mais nécessitent beaucoup de données. 4. k-NN (k-plus Proches Voisins) : Classe un exemple en fonction de ses voisins proches. Modèle non paramétrique. Applications des Méthodes d’IA Classification Reconnaissance faciale, vocale, écriture, objets pour conduite autonome, etc. Régression Prédiction de séries temporelles (finance, météo) ou de phénomènes physiques. Clustering Formation de groupes homogènes (segmentation d’images, profilage d’utilisateurs). Réduction de Dimension Permet de simplifier les données pour réduire les temps de calcul et améliorer la précision. Évaluation des Modèles 1. Validation Croisée Découper les données en plusieurs sous-ensembles pour entraîner et tester le modèle. Exemple : k-folding. 2. Mesures de Performance Précision : capacité à prédire correctement les classes positives. Rappel : capacité à identifier toutes les classes positives. Courbes ROC : évalue la performance globale d’un modèle en termes de compromis entre vrai positif et faux positif. Conclusion Le choix d’un modèle dépend des caractéristiques du problème (linéaire/non-linéaire, type de données, etc.). Les outils modernes comme les réseaux neuronaux sont puissants, mais souvent au prix de l’explicabilité. L’interprétation et la validation rigoureuse sont essentielles pour garantir l’efficacité et l’éthique des modèles.