Support de Cours

Chapitre 2 : Mathématiques de Base pour l’IA

Semestre : S2
UE : 1.2.1
Matière : Éléments d’Intelligence Artificielle Appliquée
VHS : 45h00 (Cours 1h30, TP 1h30)
Crédits : 2 | Coefficient : 2

Compétences visées :
— Identifier les opportunités de l’IA en sciences de l’ingénieur
— Comprendre les implications éthiques de l’IA
— Utiliser les techniques d’IA pour résoudre des problèmes

Département Génie des Procédés

Année Universitaire 2025-2026
1er mars 2026
Chapitre 2 - Mathématiques de Base pour l’IA Éléments d’IA Appliquée - S2

Table des matières

1 Introduction Générale 2

2 Algèbre Linéaire : Représentation des Données 2

2.1 Vecteurs et espace des états . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.2 Norme et distance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.3 Représentation matricielle d’un dataset . . . . . . . . . . . . . . . . . . . . . . . 3

3 Probabilités et Statistiques 3
3.1 Variable aléatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3.2 Espérance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3.3 Variance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3.4 Distribution normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

4 Régression Linéaire 4
4.1 Modèle simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
4.2 Modèle multivarié . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
4.3 Fonction de coût . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

5 Optimisation : Descente de Gradient 5

5.1 Principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
5.2 Interprétation géométrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

6 Travaux Pratiques : TP02 5

6.1 Objectifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
6.2 Données expérimentales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
6.3 Implémentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
6.4 Questions d’analyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

7 Exercices Théoriques 7

8 Compétences Acquises 7

1
Chapitre 2 - Mathématiques de Base pour l’IA Éléments d’IA Appliquée - S2

1 Introduction Générale
L’intelligence artificielle moderne repose sur des fondements mathématiques solides. Ces fonde-
ments ne constituent pas seulement un cadre théorique, mais représentent le socle opérationnel
de tout algorithme d’apprentissage automatique.
Trois piliers structurent ces bases :

— L’algèbre linéaire : représentation et transformation des données,

— Les probabilités et statistiques : modélisation de l’incertitude,
— Le calcul différentiel et l’optimisation : apprentissage des paramètres.

Dans le contexte du Génie des Procédés, ces outils permettent :

— L’analyse de données issues de capteurs industriels,

— La modélisation empirique de phénomènes physico-chimiques,
— L’optimisation des conditions opératoires,
— La détection d’anomalies.

2 Algèbre Linéaire : Représentation des Données

2.1 Vecteurs et espace des états

Une observation expérimentale est représentée par un vecteur colonne :
 
T
P  4
CA  ∈ R
x= 

où :
— T : température,
— P : pression,
— CA : concentration,
— Q : débit.
Chaque vecteur représente un état du procédé dans un espace à 4 dimensions.

2.2 Norme et distance

La norme euclidienne d’un vecteur x est définie par :
v
u n
uX
∥x∥2 = t x2i
i=1

La distance entre deux états xi et xj :

2
Chapitre 2 - Mathématiques de Base pour l’IA Éléments d’IA Appliquée - S2

d(xi , xj ) = ∥xi − xj ∥2

Application industrielle :
— Détection de points aberrants,
— Analyse de similarité entre régimes de fonctionnement,
— Clustering.

2.3 Représentation matricielle d’un dataset

Si l’on dispose de m observations :
 
xT1
 xT 
 2
X =  .. 
 . 
xTm

La matrice X est de dimension m × n.

Interprétation :
— Lignes = observations,
— Colonnes = variables explicatives.

3 Probabilités et Statistiques

3.1 Variable aléatoire

Une variable aléatoire modélise un phénomène incertain :
— Fluctuation de température,
— Variation du rendement,
— Temps entre pannes.

3.2 Espérance

n
1X
E(X) = µ = xi
n i=1

Elle représente la valeur moyenne attendue.

3.3 Variance

n
1X
V ar(X) = (xi − µ)2
n i=1

3
Chapitre 2 - Mathématiques de Base pour l’IA Éléments d’IA Appliquée - S2

Interprétation en Génie des Procédés :

— Faible variance → procédé stable,

— Forte variance → instabilité ou perturbation.

3.4 Distribution normale

1 (x−µ)2
f (x) = √ e− 2σ2
σ 2π
Elle modélise souvent :
— Erreurs de mesure,
— Bruit instrumental,
— Variations naturelles.

4 Régression Linéaire

4.1 Modèle simple

y = β0 + β1 x

Exemple : Température → Rendement.

4.2 Modèle multivarié

ŷ = Xβ

où :  
β0
 β1 
β =  .. 
 
.
βn

4.3 Fonction de coût

Erreur quadratique moyenne (MSE) :

n
1X
J(β) = (yi − ŷi )2
n i=1

Propriété importante : La fonction est convexe ⇒ minimum global unique.

4
Chapitre 2 - Mathématiques de Base pour l’IA Éléments d’IA Appliquée - S2

5 Optimisation : Descente de Gradient

5.1 Principe
L’algorithme met à jour les paramètres selon :

β := β − α∇J(β)

où :
— α : taux d’apprentissage,
— ∇J(β) : gradient.

5.2 Interprétation géométrique

Le gradient indique la direction de la plus forte augmentation. On se déplace dans la direction
opposée pour minimiser l’erreur.
Lien industriel : Optimisation des paramètres opératoires d’un procédé.

6 Travaux Pratiques : TP02

6.1 Objectifs
— Manipuler vecteurs et matrices avec NumPy,
— Calculer moyenne et variance,
— Implémenter une régression linéaire,
— Interpréter les résultats physiquement.

6.2 Données expérimentales

Température (K) Rendement (%)
300 65
320 72
340 78
360 85
380 90

5
 Chapitre 2 - Mathématiques de Base pour l’IA Éléments d’IA Appliquée - S2

6.3 Implémentation
1 import numpy as np
2 from sklearn . linear_model import LinearRegression
3 from sklearn . metrics import mean_squared_error
4 import matplotlib . pyplot as plt
5

6 T = np . array ([300 ,320 ,340 ,360 ,380]) . reshape ( -1 ,1)

7 R = np . array ([65 ,72 ,78 ,85 ,90])
8

9 print ( " Moyenne T : " , np . mean ( T ) )

10 print ( " Variance T : " , np . var ( T ) )
11

12 model = LinearRegression ()
13 model . fit (T , R )
14

15 print ( " Coefficient : " , model . coef_ )

16 print ( " Intercept : " , model . intercept_ )
17

18 prediction = model . predict ([[350]])

19 print ( " Prediction 350 K : " , prediction )
20

21 mse = mean_squared_error (R , model . predict ( T ) )

22 print ( " MSE : " , mse )
23

24 plt . scatter (T , R )
25 plt . plot (T , model . predict ( T ) )
26 plt . xlabel ( " Temperature ( K ) " )
27 plt . ylabel ( " Rendement (%) " )
28 plt . title ( " Regression Lineaire - Reacteur Chimique " )
29 plt . show ()
Listing 1 – Exemple 1

Figure 1 – Regression Lineaire - Reacteur Chimique

6
Chapitre 2 - Mathématiques de Base pour l’IA Éléments d’IA Appliquée - S2

6.4 Questions d’analyse

1. Interpréter physiquement le coefficient β1 .
2. Le modèle est-il extrapolable à 500K ?
3. Que se passerait-il si la cinétique était non linéaire ?
4. Le MSE obtenu est-il satisfaisant ?