Travaux Pratiques : Principes de l’Intelligence
Artificielle
Master Leadership Managerial
Introduction
Ce TP a pour objectif de manipuler concrètement les algorithmes vus en cours : Régression,
Classification et Clustering. Nous utiliserons le langage Python via l’environnement Google
Colab.
Prérequis :
1. Avoir un compte Google (Gmail).
2. Se rendre sur [Link]
3. Cliquer sur "Nouveau Notebook".
—
1 TP 1 : Régression Linéaire Simple (Marché Immobilier)
Contexte : Vous disposez d’un fichier [Link] contenant 200 transactions réelles.
Vous devez créer un modèle capable d’estimer le prix du marché pour n’importe quelle surface.
Questions à traiter
1. Analyse des Coefficients Économiques : Regardez les résultats affichés par le code.
— Quel est le Coefficient (la pente) ? Interprétez ce chiffre : de combien augmente le
prix si j’ajoute 1 m2 ?
— Quelle est l’Ordonnée à l’origine ? Cela correspond-il à un coût fixe (terrain, frais) ?
2. Performance du Modèle (Précision) : Regardez la MAE (Erreur Moyenne Ab-
solue).
— Si la MAE est de 25 kDH, est-ce acceptable pour un appartement à 400 kDH ?
— Est-ce que les points bleus (Test) sont proches de la ligne rouge ? S’il y a des points
très éloignés, comment appelle-t-on ces anomalies en statistique ?
3. Simulation : Testez le modèle pour une surface de 300 m2 .
— Le prix prédit vous semble-t-il réaliste ?
— Le modèle est-il fiable pour des surfaces qu’il n’a jamais vues (extrapolation) ?
1
2 TP 2 : Classification Supervisée (Crédit Bancaire)
Contexte : Vous travaillez au département Risques. Vous avez chargé un fichier historique
de 200 clients (credit_clients.csv). L’objectif est de calibrer l’IA pour minimiser les pertes
financières.
Questions à traiter
1. Analyse de la performance : la Matrice de Confusion .
— Combien de fois l’IA a-t-elle refusé un crédit à tort (Faux Négatif) ? (C’est une perte
commerciale).
— Combien de fois l’IA a-t-elle accordé un crédit à un client qui a fait défaut (Faux
Positif) ? (C’est une perte financière directe).
2. Impact du paramètre K :
— Lancez le code avec K = 1. Quelle est la précision globale (Accuracy) ? Regardez la
frontière de décision (le graphique rouge/bleu) : est-elle lisse ou très découpée ?
— Lancez avec K = 20. La frontière devient-elle plus simple ? L’Accuracy s’améliore-t-
elle ?
3. Simulation (Zone "Simulateur") : Testez un client avec un Revenu de 80 kDh mais
une Épargne de 0 kDH.
— L’IA accorde-t-elle le crédit ?
— D’un point de vue économique, que nous apprend ce résultat sur l’importance de
l’épargne pour cette banque ?
3 TP 3 : Clustering Non-Supervisé (Segmentation Client)
Contexte : Votre directeur marketing vous donne un fichier de 200 clients (clients_mall.csv).
Il veut lancer des campagnes publicitaires ciblées mais ne sait pas comment grouper les clients.
Vous utilisez l’IA pour trouver des groupes naturels.
Questions à traiter
1. Choix du nombre de segments (K) :
— Lancez le code avec nb_clusters = 2. Regardez le graphique. Est-ce que cette seg-
mentation ("Pauvres" vs "Riches") est suffisante pour une stratégie marketing fine ?
— Lancez le code avec nb_clusters = 5. Les groupes vous semblent-ils plus cohérents
visuellement ?
— Notez le Score de Silhouette pour K=2 et K=5. Lequel est le meilleur (le plus
proche de 1) ?
2. Interprétation des Profils (Personas) : Avec K=5, regardez la position des croix
rouges (Centroïdes). Identifiez le groupe "VIP" (Cible prioritaire).
— Quel est environ le revenu moyen et le score moyen de ce groupe VIP ?
— Quelle action marketing proposeriez-vous pour le groupe qui a un Revenu Faible mais
un Score Élevé ?
3. Prédiction : Utilisez la zone de prédiction à la fin du code.
— Si un nouveau client entre avec un Revenu de 100 kDH et un Score de 5, dans quel
groupe l’IA le place-t-elle ?
— Est-ce logique par rapport au graphique ?