Intelligence Artificielle
El Mahdi BOUYAHROUZI
[Link]@[Link]
E.M BOUYAHROUZI – EST, Oujda Intelligence Artificielle 1/40
Sommaire :
Chapitre 4 « Introduction à l’Apprentissage Artificiel »
Module 2.1 : Apprentissage Artificiel
Module 2.2 : Apprentissage Supervisée
Module 2.3 : Apprentissage non Supervisée
Module 2.4 : Apprentissage par renforcement
E.M BOUYAHROUZI – EST, Oujda Intelligence Artificielle 2/40
Chapitre 4 « Introduction à l’Apprentissage Artificiel »
Type d’Apprentissage Artificielle
Agent intelligent à base de règles d’inférence:
§ Logique des prédicats
§ Logique floue
Les propositions ont des valeurs dans l’intervalle { Vrai, Faux} ou {1, 0}
Agent intelligent à base d’Apprentissage:
§ Arbres de décision
§ Support vecteur machines
§ Réseaux de Neurones
E.M BOUYAHROUZI – EST, Oujda Intelligence Artificielle 3/40
Chapitre 4 « Introduction à l’Apprentissage Artificiel » Apprentissage Artificiel (ou Automatique)
Apprentissage Artificielle
Apprentissage Naturel (Humain)
Dès sa naissance l’enfant apprend:
§ La voix de sa mère
§ Apprend à marcher
§ Apprend à lire
Apprentissage Artificiel (ou Automatique)
§ Les machines (agents) ont besoin d’apprendre
§ L’apprentissage est essentiel pour des environnements inconnus, où le concepteur ne peut pas
tout savoir à l’avance => Ce qui permet d’améliorer la capacité de l’agent à agir dans le futur
E.M BOUYAHROUZI – EST, Oujda Intelligence Artificielle 4/40
Chapitre 4 « Introduction à l’Apprentissage Artificiel » Apprentissage Artificiel (ou Automatique)
Domaine d’applications
§ Elles s'appliquent à un grand nombre d'activités humaines
§ Il s'agira, par exemple:
q Etablissement d’un diagnostic médical à partir de la description clinique d’un patient,
q Reconnaissance de l’écriture, des formes, paroles, de visages…
q Approximation des fonctions incertaines
q Analyse des données et BIG DATA
E.M BOUYAHROUZI – EST, Oujda Intelligence Artificielle 5/40
Chapitre 4 « Introduction à l’Apprentissage Artificiel » Apprentissage Artificiel (ou Automatique)
Les données pour l’apprentissage
Ensemble des bases de données
§ On partitionne l'échantillon en un ensemble d'apprentissage « S » et ensemble de validation « V »
et ensemble test « T ».
E.M BOUYAHROUZI – EST, Oujda Intelligence Artificielle 6/40
Chapitre 4 « Introduction à l’Apprentissage Artificiel » Apprentissage Artificiel (ou Automatique)
Les données pour l’apprentissage
Ensemble des bases de données
E.M BOUYAHROUZI – EST, Oujda Intelligence Artificielle 7/40
Chapitre 4 « Introduction à l’Apprentissage Artificiel » Apprentissage Artificiel (ou Automatique)
Les données pour l’apprentissage
1) Base d’entraînnement
§ C’est la base qui sert à entraîner le modèle.
q Le modèle “voit” ces données pendant l’entraînement.
q Il ajuste ses paramètres pour minimiser l’erreur.
q Objectif : apprendre les patterns.
E.M BOUYAHROUZI – EST, Oujda Intelligence Artificielle 8/40
Chapitre 4 « Introduction à l’Apprentissage Artificiel » Apprentissage Artificiel (ou Automatique)
Les données pour l’apprentissage
2) Base de validation
§ C’est la base qui sert à régler le modèle pendant le développement.
§ Elle n’est pas utilisée pour apprendre les paramètres.
§ Elle sert à :
q choisir les hyperparamètres (ex. profondeur d’un arbre, taux d’apprentissage, nombre
de neurones),
q décider quand arrêter l’entraînement (early stopping),
q comparer plusieurs modèles.
§ Objectif : éviter le surapprentissage et sélectionner la meilleure version.
E.M BOUYAHROUZI – EST, Oujda Intelligence Artificielle 9/40
Chapitre 4 « Introduction à l’Apprentissage Artificiel » Apprentissage Artificiel (ou Automatique)
Les données pour l’apprentissage
3) Base de test
§ C’est la base qui sert à évaluer le modèle final
§ Elle reste totalement inconnue du modèle jusqu’à la fin.
§ On l’utilise une seule fois idéalement.
§ Objectif : mesurer la performance réelle de généralisation.
E.M BOUYAHROUZI – EST, Oujda Intelligence Artificielle 10/40
Chapitre 4 « Introduction à l’Apprentissage Artificiel » Apprentissage Artificiel (ou Automatique)
Types d’apprentissage
E.M BOUYAHROUZI – EST, Oujda Intelligence Artificielle 11/40
Chapitre 4 « Introduction à l’Apprentissage Artificiel » Apprentissage Artificiel (ou Automatique)
Apprentissage Supervisé
1) Définition
L’apprentissage supervisé est une famille de méthodes d’IA où l’on apprend une fonction qui
relie: - des entrées (features) : 𝑋 => à une sortie annotée (label) : y
On dispose donc d’un ensemble de données :
Ø Objectif est d’apprendre un modèle 𝑓 tel que :
𝑦" = 𝑓 𝑥
Et par la suite généraliser la fonction sur de nouvelles données.
E.M BOUYAHROUZI – EST, Oujda Intelligence Artificielle 12/40
Chapitre 4 « Introduction à l’Apprentissage Artificiel » Apprentissage Artificiel (ou Automatique)
Apprentissage Supervisé
1) Régression
Ø La sortie dans la Régression est de type valeur continue.
Exemples :
§ Prédire une température
§ Estimer un prix
§ Prédire la consommation énergétique
Données
§ En maintenance : prédire la RUL (durée de vie restante)
météorologiques Valeur de
température
E.M BOUYAHROUZI – EST, Oujda Intelligence Artificielle 13/40
Chapitre 4 « Introduction à l’Apprentissage Artificiel » Apprentissage Artificiel (ou Automatique)
Apprentissage Supervisé
2) Classification
Ø La classification consiste à prédire une catégorie (une classe).
Exemples simples:
§ Email : spam / non spam
§ Machine : en panne / normale
§ Qualité : conforme / non conforme
Données
§ Santé : malade / sain
météorologiques Chaud / Froid
E.M BOUYAHROUZI – EST, Oujda Intelligence Artificielle 14/40
Chapitre 4 « Introduction à l’Apprentissage Artificiel » Apprentissage Artificiel (ou Automatique)
Régression
1) Régression linéaire
Idée de base
§ On cherche à modéliser la relation entre une variable cible « 𝑦 » et une ou plusieurs variables
explicatives « 𝑥 ».
Ø Cas simple (une seule variable)
𝑦 = 𝑎𝑥 + 𝑏
𝑎: pente
𝑏: intercept (valeur de 𝑦quand 𝑥 = 0)
Ø Cas multiple (plusieurs variables)
𝑦 = 𝑤! 𝑥! + 𝑤" 𝑥" + ⋯ + 𝑤# 𝑥# + 𝑏
E.M BOUYAHROUZI – EST, Oujda Intelligence Artificielle 15/40
Chapitre 4 « Introduction à l’Apprentissage Artificiel » Apprentissage Artificiel (ou Automatique)
Régression
1) Régression linéaire
Objectif de l’apprentissage
§ On doit trouver 𝑎, 𝑏 qui minimisent l’erreur entre les valeurs réelles et prédites.
§ La loss la plus classique :
$
1
𝑀𝑆𝐸 = +(𝑦! − 𝑦/! )%
𝑁
!"#
Ø Très utile si : la relation entre 𝑋et 𝑦est approximativement linéaire
E.M BOUYAHROUZI – EST, Oujda Intelligence Artificielle 16/40
Chapitre 4 « Introduction à l’Apprentissage Artificiel » Apprentissage Artificiel (ou Automatique)
Régression
2) SVR
Idée de base:
§ L’algorithme à base de SVE cherche une fonction qui
approxime « 𝑦 » en tolérant une petite marge d’erreur.
§ Le SVR essaie de trouver une courbe (souvent une droite
au départ) telle que la majorité des points soient à
l’intérieur d’un “tube” de largeur 2𝜀.
§ Si un point est dans le tube → pas de pénalité.
§ S’il est hors du tube → pénalité.
E.M BOUYAHROUZI – EST, Oujda Intelligence Artificielle 17/40
Chapitre 4 « Introduction à l’Apprentissage Artificiel » Apprentissage Artificiel (ou Automatique)
Régression
3) Réseau de neurone
Idée de base:
§ Un réseau de neurones apprend une fonction complexe en empilant des couches de
neurones.
§ Chaque neurone fait :
𝑧 =𝑤⋅𝑥+𝑏
§ puis applique une fonction d’activation :
ReLU
tanh
sigmoid…
E.M BOUYAHROUZI – EST, Oujda Intelligence Artificielle 18/40
Chapitre 4 « Introduction à l’Apprentissage Artificiel » Apprentissage Artificiel (ou Automatique)
Régression
3) Réseau de neurone
Architecture d’un neurone: biais
Voici l’équation d’un neurone : 𝑦! = 𝑓 + 𝜔" . 𝑥" + 𝑏 𝑥#
𝜔#
𝑦!
"#$ 𝜔"
𝑥"
Poids
Dans ce cas, on a : 𝑦! = 𝑓 𝜔$ . 𝑥$ + 𝜔% . 𝑥% + 𝑏 Fonction
Entrées Sortie
d’activation
E.M BOUYAHROUZI – EST, Oujda Intelligence Artificielle 19/40
Chapitre 4 « Introduction à l’Apprentissage Artificiel » Apprentissage Artificiel (ou Automatique)
Classification
Type de classification
1) Binaire: On a deux classes à la sortie
Ex : 0/1
2) Multiclasse: On a plusieurs classes à la sortie
Ex : défaut A, B, C
3) Multilabel: Plusieurs étiquettes possibles en même temps
Ex : une image peut contenir “chat” et “chien”
E.M BOUYAHROUZI – EST, Oujda Intelligence Artificielle 20/40