Introduction à l'Intelligence Artificielle (IA) - Résumé PDF

AI /ML MELEKHER Résumé détaillé du document : Introduction à l’Intelligence Artificielle (IA) 1. Histoire de l’IA L’histoire de l’IA se divise en plusieurs phases marquantes : 1. Préhistoire (1943-1955) : o Travaux fondateurs de McCulloch et Pitts sur les neurones artificiels....

AI /ML MELEKHER Résumé détaillé du document : Introduction à l’Intelligence Artificielle (IA) 1. Histoire de l’IA L’histoire de l’IA se divise en plusieurs phases marquantes : 1. Préhistoire (1943-1955) : o Travaux fondateurs de McCulloch et Pitts sur les neurones artificiels. o Premier réseau de neurones construit par Minsky et Edmonds. o Publication en 1950 par Alan Turing de l’article "Computing Machinery and Intelligence", où il introduit le test de Turing. 2. Naissance (1956) : o La conférence de Dartmouth marque la naissance officielle de l’IA. o John McCarthy, Marvin Minsky, Claude Shannon et Nathan Rochester y participent. o Premier programme d’IA : Logic Theorist par Newell et Simon. 3. Débuts (1955-1970) : o Développement du General Problem Solver (GPS) par Newell, Shaw et Simon. o Création de LISP (langage phare de l’IA) par McCarthy en 1960. o Introduction de systèmes experts, comme Dendral pour la chimie. 4. Déception (1966-1973) : o Échec des projets de traduction automatique (approches syntaxiques insuffisantes). o Publication du livre "Perceptrons" par Minsky et Papert, critiquant les limites des réseaux de neurones. 5. Spécialisation (1970-1980) : o Apparition de systèmes experts comme MYCIN (diagnostic médical) et Prospector (géologie). o Développement du système SHRDLU (langage naturel). 6. Reconnaissance (1980-1990) : o Retour des réseaux de neurones grâce à la backpropagation. o Victoire de systèmes comme Deep Thought dans les échecs. 7. Confirmation (1990-2010) :  o Deep Blue bat Kasparov en 1997. o Victoires dans des compétitions robotiques comme le DARPA Grand Challenge. 8. Démocratisation (2010-2020) : o Apparition d’applications accessibles : Siri, Alexa, Google Assistant. o Victoire d’AlphaGo sur Lee Sedol (2016). 2. Définitions de l’IA L’IA est définie selon plusieurs approches : McCarthy : "Faire exécuter par un ordinateur des tâches où l’homme est meilleur." Feigenbaum : "Rendre les ordinateurs plus intelligents pour imiter les comportements humains." Bellman : "Automatiser des activités associées au raisonnement humain." Deux grandes perspectives : Pensée ou action humaine ("human-like") : Simuler l’intelligence humaine. Pensée ou action rationnelle ("rationally") : Résoudre des problèmes efficacement. 3. Problèmes spécifiques en IA L’IA traite des problèmes complexes : Traduction automatique : Projets abandonnés dans les années 60 pour manque de compréhension contextuelle. Jeux : Résolution de jeux comme les échecs ou le Go grâce à des algorithmes d’élagage. Langage naturel (NLP) : Compréhension et traitement des langues humaines. Reconnaissance visuelle : Vision par ordinateur pour interpréter des images et vidéos. Exploration de données : Extraction d’informations pertinentes dans des volumes massifs de données. 4. Représentation et résolution de problèmes Les problèmes en IA sont modélisés pour être résolus efficacement : 1. Espaces d’états : o État initial : Point de départ du problème.  o État objectif : Solution recherchée. o Opérations : Transitions entre les états. 2. Graphes ET/OU : o Liens "OU" : Choix entre plusieurs solutions. o Liens "ET" : Sous-problèmes à résoudre conjointement. 3. Stratégies de recherche : o Recherche en profondeur : Explore les solutions jusqu’au bout d’une branche. o Recherche en largeur : Explore tous les nœuds d’un niveau avant de passer au suivant. o Recherche informée (heuristique) : Utilise une fonction pour guider la recherche (ex. A*). 5. Techniques d’apprentissage automatique L’apprentissage automatique est un pilier de l’IA : 1. Apprentissage supervisé : o L’IA apprend à partir de données labellisées. o Exemples : Régression linéaire, SVM, réseaux de neurones. 2. Apprentissage non supervisé : o L’IA découvre des structures dans des données non étiquetées. o Exemple : Clustering (regroupement de données similaires). 3. Apprentissage par renforcement : o L’IA apprend en interagissant avec son environnement et en recevant des récompenses ou pénalités. o Exemple : AlphaGo Zero, qui s’entraîne en jouant contre lui-même. 6. Applications de l’IA L’IA impacte de nombreux secteurs : Santé : Diagnostic avec MYCIN, médecine personnalisée, robots chirurgicaux. Industrie : Automatisation des tâches répétitives et dangereuses (robots industriels). Transports : Voitures autonomes, optimisation du trafic.  FinTech : Robots Advisor et Robots Trader pour optimiser les finances personnelles et les investissements. Marketing : Analyse des réseaux sociaux et ciblage publicitaire. Éducation : Systèmes d’enseignement intelligents et notation automatique des devoirs. 7. Algorithmes et stratégies Plusieurs algorithmes guident la résolution de problèmes : Recherche aveugle : Explore sans tenir compte des contraintes (profondeur, largeur). Recherche informée : Utilise des heuristiques comme dans Hill Climbing et Beam Search. A* : Combine le coût réel g(n) et une estimation heuristique h(n) pour trouver la solution optimale. Backpropagation : Technique d’apprentissage pour ajuster les poids dans les réseaux de neurones. Conclusion L’intelligence artificielle a évolué d’un domaine académique à un moteur clé de la révolution numérique. De la résolution de problèmes complexes à la personnalisation des expériences quotidiennes, l’IA continue d’innover. Cependant, elle doit relever des défis comme l’éthique, l’explicabilité et la robustesse face aux biais pour maximiser son impact positif. QCM Histoire de l'IA 1. Qui a développé le premier modèle de neurones artificiels ? o A. Alan Turing o B. McCulloch et Pitts o C. Marvin Minsky o D. John McCarthy o Explication : McCulloch et Pitts ont proposé un modèle mathématique de neurones artificiels en 1943, une base pour les réseaux de neurones. 2. Quelle conférence a marqué la naissance officielle de l’IA en 1956 ? o A. La conférence de Berlin o B. La conférence de Dartmouth  o C. La conférence de Stanford o D. La conférence de Harvard o Explication : La conférence de Dartmouth a introduit le terme "intelligence artificielle" et défini les objectifs du domaine. 3. Quel échec a marqué les débuts de l'IA dans les années 60 ? o A. Traduction automatique o B. Traduction automatique abandonnée en 1966 o C. Logic Theorist inefficace o D. Problèmes avec les systèmes experts o Explication : Les approches syntaxiques seules se sont révélées insuffisantes, menant à l'abandon des projets de traduction automatique. 4. Quelle avancée japonaise a marqué les années 80 ? o A. Systèmes experts en médecine o B. Projet des ordinateurs de cinquième génération (FGCS) o C. Développement d'AlphaGo o D. Premiers assistants virtuels o Explication : Les Japonais ont investi dans les architectures parallèles et les langages logiques pour révolutionner l'IA. 5. Quel système a vaincu un champion d'échecs en 1997 ? o A. Watson o B. Deep Blue o C. AlphaGo o D. Siri o Explication : Deep Blue a battu Garry Kasparov grâce à sa puissance de calcul et ses algorithmes spécialisés. Définitions et Concepts 6. Comment McCarthy définit-il l'IA ? o A. Exécuter des tâches mieux que l'homme dans un contexte donné o B. Automatiser toutes les activités humaines o C. Simuler le raisonnement humain uniquement o D. Réduire la complexité algorithmique  o Explication : McCarthy voit l'IA comme une manière d'améliorer les performances humaines grâce aux ordinateurs. 7. Qu’est-ce qu’un problème spécifiable et difficile en IA ? o A. Un problème facilement résoluble o B. Un problème avec une combinatoire trop importante o C. Un problème algorithmique classique o D. Une tâche sans contrainte temporelle o Explication : Ces problèmes nécessitent des approches heuristiques ou des approximations. 8. Quel est l’objectif du traitement du langage naturel (NLP) ? o A. Comprendre, interpréter et manipuler le langage humain o B. Générer du texte aléatoire o C. Développer des bases de données o D. Traduire uniquement des langues étrangères o Explication : Le NLP englobe des tâches comme la traduction, les assistants vocaux et l'analyse de texte. 9. Qu’est-ce qu’un graphe ET/OU ? o A. Un graphe de solutions alternatives uniquement o B. Un graphe avec des liens représentant des choix (OU) et des dépendances (ET) o C. Un graphe cyclique o D. Un graphe optimisé pour les problèmes simples o Explication : Les graphes ET/OU permettent de décomposer des problèmes complexes en sous-problèmes liés. 10. Qu’est-ce qu’un espace d’états ? o A. L’ensemble des états atteignables dans un problème donné o B. Une base de données d’algorithmes o C. Une solution unique o D. Un arbre décisionnel figé o Explication : L'espace d'états inclut tous les états possibles et leurs transitions, facilitant la résolution de problèmes. Applications 11. Quelle IA a identifié des chats sur YouTube sans apprentissage supervisé ? o A. AlphaGo o B. Google Brain (2012) o C. Watson o D. Siri o Explication : L’IA de Google a reconnu des chats en utilisant un réseau de neurones profond. 12. Dans quel domaine MYCIN a-t-il été utilisé ? o A. Géologie o B. Médecine (diagnostic de maladies sanguines) o C. Robotique o D. Marketing o Explication : MYCIN est un système expert conçu pour diagnostiquer des maladies et prescrire des médicaments. 13. Quel système aide à optimiser les investissements financiers ? o A. Robots Trader o B. Watson o C. Siri o D. AlphaGo o Explication : Les Robots Trader utilisent l’IA pour passer des ordres d’achat/vente à grande vitesse. 14. Quelle application d’IA est utilisée dans les voitures autonomes ? o A. Vision artificielle o B. NLP o C. Deep Blue o D. Prolog o Explication : La vision artificielle analyse l'environnement pour permettre la navigation autonome. 15. Quelle IA a surpassé AlphaGo ? o A. AlphaGo Zero o B. Deep Blue o C. GPT-3  o D. OpenAI Gym o Explication : AlphaGo Zero a appris par auto-jouabilité et a surpassé AlphaGo. Résolution de Problèmes et Recherche 16. Quelle est la fonction utilisée par l’algorithme A ?* o A. f(n) = g(n) + h(n) o B. h(n) = f(n) - g(n) o C. g(n) = h(n) + c(n) o D. f(n) = h(n) - c(n) o Explication : A combine le coût réel g(n) et le coût estimé restant h(n).* 17. Quelle méthode garantit une solution optimale ? o A. Recherche en profondeur d'abord o B. Recherche A* o C. Hill Climbing o D. Recherche aveugle o Explication : A est optimal car il combine des évaluations heuristiques et de coût réel.* 18. Quel problème célèbre est résolu par une approche espace d’états ? o A. Voyageur de commerce o B. Recherche sur YouTube o C. Traduction automatique o D. Traitement vocal o Explication : Le problème du voyageur de commerce nécessite une exploration systématique des états. 19. Qu’est-ce qu’une stratégie de recherche informée ? o A. Une recherche exhaustive o B. Une recherche guidée par une heuristique o C. Une recherche non systématique o D. Une recherche aléatoire o Explication : Les stratégies informées utilisent des heuristiques pour réduire le temps de recherche. 20. Quelle est la principale limitation des recherches aveugles ?  o A. Elles explorent inutilement de nombreux nœuds o B. Elles utilisent des heuristiques incorrectes o C. Elles nécessitent des graphes ET/OU o D. Elles ignorent les solutions optimales o Explication : Les recherches aveugles manquent d’optimisation et testent systématiquement chaque possibilité. Techniques d’Apprentissage 21. Qu’est-ce que l’apprentissage supervisé ? o A. Une méthode basée sur des données labellisées o B. Une méthode non supervisée o C. Une exploration de graphes o D. Une recherche aveugle o Explication : En apprentissage supervisé, l’IA apprend à partir de données avec des réponses connues. 22. Quelle méthode est utilisée pour les problèmes de régression ? o A. Régression linéaire o B. SVM o C. Clustering o D. Classification o Explication : La régression linéaire prédit une valeur continue à partir de données. 23. Quelle caractéristique distingue l’apprentissage par renforcement ? o A. Nécessite des données labellisées o B. Optimise par essais et erreurs o C. Fonctionne sans heuristique o D. Apprend par supervision directe o *Explication : L’apprentissage par renforcement utilise des récomp enses pour ajuster ses actions.* 24. Quelle technique est utilisée pour regrouper des données non labellisées ? o A. Clustering o B. Régression logistique  o C. Réseaux convolutifs o D. SVM o Explication : Le clustering, méthode d'apprentissage non supervisé, regroupe les données par similarité. Questions supplémentaires (résumant tout) 25. Quel algorithme permet de trouver le plus court chemin ? o A. Dijkstra o B. Beam Search o C. Logic Theorist o D. Hill Climbing 26. Quel est le rôle d’un opérateur dans un problème ? o A. Transformer un état en un autre o B. Réduire la combinatoire o C. Evaluer une fonction coût o D. Ajouter des heuristiques 27. Quel système a répondu à des questions dans Jeopardy en 2011 ? o A. AlphaGo o B. Watson o C. Deep Blue o D. Google Assistant 28. Quel est l’avantage principal de l’algorithme Beam Search ? o A. Réduction du nombre de nœuds explorés o B. Recherche exhaustive o C. Optimisation mémorielle maximale o D. Absence totale de duplication 29. Quel est le rôle principal des systèmes experts ? o A. Simuler les réseaux de neurones o B. Modéliser le raisonnement humain dans des domaines précis o C. Optimiser les algorithmes heuristiques o D. Analyser les graphes implicites 30. Quel domaine d’application concerne l’analyse des grandes masses de données financières ? o A. FinTech o B. Robotique o C. Éducation o D. Transport