Apprentissage Profond

Pr. Asmae BENTALEB

Année universitaire 2025-2026
 Plan
• Introduction

• Réseaux de neurones simples

• Évolution des réseaux de neurones

• Perceptron: origine des réseaux de neurones

• Réseaux de neurones profonds (deep learning)

• Analyse des séries temporelles

• Étude de cas: prévision (forecasting) de la tendance des séries temporelles financières

• Inconvénients de l’IA
 Réseaux de Neurones Simples (neural nets)
L'Apprentissage Automatique est la science qui consiste à permettre aux ordinateurs d'apprendre et d'agir à
partir de données sans être explicitement programmés pour chaque règle. Les catégories majeures des
algorithmes de ML:

 Apprentissage Supervisé : Le modèle apprend à partir des données étiquetées (données avec des
réponses connues). Algorithmes : Régression Linéaire, Régression Logistique, Machines à Vecteurs de
Support (SVM), Arbres de Décision, Forêts Aléatoires et Réseaux de Neurones.

 Apprentissage Non Supervisé : Le modèle trouve des motifs/patterns dans des données non
étiquetées. Algorithmes : K-Means (pour le Regroupement des points de données)

 Apprentissage par Renforcement : Le modèle apprend en interagissant avec un environnement et en

recevant des récompenses ou des pénalités. Algorithmes : Q-Learning
 Réseaux de Neurones Simples (neural nets)
•Ces neurones sont comme les cellules nerveuses interconnectées
qui permettent le traitement et la transmission des signaux
chimiques et électriques.
•Les dendrites sont des branches recevant les informations à partir des
autres neurones.
•Les noyaux cellulaires traitent les informations reçues à partir des
dendrites.
•Enfin, les synapses servent de connexion entre les neurones.

•Les neurones artificiels cherchent à imiter le fonctionnement des

neurones du cerveau. Il s’agit d’une fonction mathématique basée
sur un modèle de neurones biologiques. Chaque neurone reçoit des
données, les pèse, calcule leur somme et produit un résultat par le
biais d’une fonction non-linéaire
 Réseaux de Neurones Simples(neural nets)
Un réseau de neurones artificiel est constitué de multiples neurones artificiels. Les résultats des calculs sont
transmis d’un neurone à l’autre, et chacun conserve un état interne appelé signal d’activation. Les neurones sont
liés entre eux par des liens de connexions, par lesquels circulent les informations sur les données entrées.
Dans chaque réseau de neurones, il y a:
 la couche d’entrée,
 la couche de sortie,
 et différentes couches cachées. Les données sont transmises d’une couche à l’autre.

Les réseaux de neurones simples contiennent généralement une couche cachée.

 L’Evolution des Réseaux de Neurones
Les Réseaux de Neurones (Neural Networks ou NN) sont une classe spécifique d'algorithmes au sein du domaine de
l'Apprentissage Automatique, inspirés du cerveau humain.
Fondations (1943-1958) : Modèle du neurone formel puis création du perceptron par Rosenblatt.
Premier hiver de l'IA (1969-1985) : Minsky et Papert démontrent les limites du perceptron, entraînant un abandon relatif
de la recherche.
Renaissance(1986-1990): Invention du concept de la rétro-propagation permettant l'entraînement des réseaux
multicouches.
Deuxième hiver (1990-2000) : Limitations pratiques (données insuffisantes, puissance de calcul inadequate)
Ère du Deep Learning(apprentissage profond) (2012) : Succès retentissant d'AlexNet au concours ImageNet, marquant le
début de l'explosion actuelle du DL grâce à trois facteurs clés :
 Apparition des GPUs pour le calcul massif
 Accès à d'énormes quantités de données
 Avancées algorithmiques
 Cette histoire montre comment une idée née dans les années 1940 a connu plusieurs cycles d’évolution avant de
finalement révolutionner l'intelligence artificielle.
Perceptron?
L’origine des Réseaux de Neurones
 Qu'est-ce qu’un Perceptron ?
•C’est en 1957 que le Perceptron fut inventé par Frank Rosenblatt au laboratoire aéronautique de Cornell.

•Un Perceptron est un neurone artificiel, et donc une unité de réseau de neurones. Il effectue des calculs pour
détecter des caractéristiques ou des tendances dans les données d’entrée.

•Il s’agit d’un algorithme pour l’apprentissage supervisé de classificateurs binaires. C’est cet algorithme qui
permet aux neurones artificiels d’apprendre et de traiter les éléments d’un ensemble de données.

•Le Perceptron joue un rôle essentiel dans les projets de Machine Learning. Il est massivement utilisé pour
classifier les données dans le cadre de la classification binaire.
 La phase d'apprentissage du Perceptron (1)
•Le réseau de neurone représenté à droite de l'image est un réseau neuronal simple appelé "perceptron". Il se
compose d'une seule couche, qui est la couche d'entrée, avec plusieurs neurones dotés de leurs propres poids ;
il n'y a pas de couches cachées. L'algorithme du perceptron apprend les poids des signaux d'entrée afin de
tracer une frontière de décision linéaire.
 La phase d'apprentissage du Perceptron(2)
•En réalité, le Perceptron est une fonction mathématique. Les données d’entrée (x) sont multipliées par les
coefficients de poids (w). Le résultat produit est une valeur.

•Cette valeur peut être positive ou négative. Le neurone artificiel s’active si la valeur est positive. Il ne s’active donc
que si le poids calculé des données d’entrée dépasse un certain seuil.

•Le résultat prédit est comparé avec le résultat connu. En cas de différence, l’erreur est rétro-propagée afin de
permettre d’ajuster les poids.
Comment traiter les relations non
linéaires et plus complexes dans les
données?
 Solution: Apprentissage Profond(Deep Learning)
•Afin de résoudre des problèmes non linéaires plus complexes liés au traitement d'images, à la vision par
ordinateur et aux tâches de traitement du langage naturel, les réseaux de neurones profonds ont été introduits.
•Les méthodes traditionnelles de machine learning nécessitent un apport humain pour que le logiciel de machine
learning fonctionne adéquatement. Un scientifique des données détermine manuellement l'ensemble des
caractéristiques pertinentes que le logiciel doit analyser. Cela limite la capacité du logiciel, ce qui rend sa création
et sa gestion fastidieuses.

•D'autre part, dans le deep learning, le scientifique des données ne donne que des données brutes au logiciel. Le
réseau de deep learning dérive les fonctions par lui-même et apprend de manière plus indépendante. Il peut
analyser des jeux de données non structurées comme des documents textuels, identifier les attributs de données
à privilégier et résoudre des problèmes plus complexes.
Solution: Apprentissage Profond(Deep Learning)
 Deep Learning vs Machine Learning
Machine Learning Classique Deep Learning
Apprentissage Automatique Traditionnel
Caractéristique Réseaux de Neurones (surtout l'Apprentissage Profond)
(comme: SVM, Arbres de Décision)
Besoins en Fonctionnent souvent bien avec de petits jeux Nécessitent de très grandes quantités de données (millions d'exemples)
Données de données structurés (milliers d'exemples). pour bien performer et éviter le surapprentissage.
Idéal pour les données structurées, tabulaires Excellents pour les données non structurées comme les images, le texte,
Type de Données
(comme des feuilles de calcul). l'audio et la vidéo.
Peuvent atteindre une haute performance sur Peuvent atteindre une performance de pointe, surhumaine, sur des tâches
Performance de nombreuses tâches, surtout avec complexes comme la reconnaissance d'images ou la traduction
l'ingénierie des caractéristiques. automatique.
Élevée  Il est souvent facile de comprendre
pourquoi le modèle a pris une décision Faible ("Boîte Noire")  Il est très difficile de comprendre le raisonnement
Interprétabilité
(exemple: les règles d'un Arbre de Décision exact derrière une prédiction spécifique.
sont claires).
Dépendance importante  L'expertise métier AutomatiqueLes RNs apprennent automatiquement les caractéristiques
Ingénierie des
est nécessaire pour créer et sélectionner les pertinentes à partir des données brutes, réduisant le besoin d'ingénierie
Caractéristiques
bonnes caractéristiques en entrée. manuelle.
Généralement faible  Possibilité
Coût du Très élevé  Nécessite souvent du matériel spécialisé comme des
d’entrainement sur un ordinateur portable
processing GPU/TPU et peut prendre des jours ou des semaines d'entraînement.
standard.
 Quand utiliser ML ou DL ?
 Utilisez l'Apprentissage Automatique Traditionnel dans le cas :
• Un petit ou moyen jeu de données.
• Les données sont structurées (exemple: un fichier CSV avec des informations clients).
• Il y a besoin de comprendre les décisions du modèle construit (exemple : pour des explications d'approbation de
prêt, décision concernant le trading).
• Les ressources de computations/calculs sont limitées.
Exemples : Prédire le prix des maisons, analyse de la perte de clients, détection de spam

 Utilisez le deep learning quand :

• Les données sont très volumineuses (big data).
• Les données sont non structurées comme les images, le son ou le texte.
• Le problème à traiter est très complexe et les méthodes traditionnelles ont atteint leur plafond de performance.
• Il n’y a pas un besoin de produire un modèle très interprétable (Boite noire).

Exemples : Voitures autonomes (reconnaissance d'image), traduction vocale en temps réel, génération d'art et de
texte réaliste (IA Générative).
 Quand utiliser ML ou DL ?
Données structurées/simples → Machine Learning Traditionnel

 Données complexes/abondantes → Réseaux de Neurones profonds

 Les modèles de l’apprentissage profond
•Un modèle d’apprentissage profond (deep learning) est un réseau de neurones comportant au moins
deux ou plus de couches cachées, mais souvent des dizaines/centaines en plus des couches d’entrée et
de sortie.
 Applications de l’apprentissage profond
Application 1 : La reconnaissance d’images et de vidéos
Les entreprises utilisent le deep learning pour l’analyse d’images et de vidéos, ce qui est utile dans des domaines
comme la surveillance de sécurité, l’inspection de produits en fabrication et l’analyse de comportement des
clients en magasin.
Application 2 : Le traitement du langage naturel (TLP)
Le deep learning permet d’améliorer les systèmes de traitement automatique du langage pour la traduction
automatique, la génération de contenu, l’analyse des sentiments, les assistants virtuels et les chatbots, offrant
ainsi un meilleur service client et une automatisation des réponses.
Application 3 : La reconnaissance vocale
Ces applications sont largement utilisées dans les interfaces de commande vocale, la reconnaissance vocale
alimentée par le deep learning permettant de créer des systèmes plus précis pour la transcription automatique,
les assistants personnels et les systèmes de contrôle vocaux dans les appareils intelligents.
 Applications de l’apprentissage profond

Application 4 : La recommandation de produits

Les algorithmes de deep learning améliorent la précision des systèmes de recommandation utilisés par les sites de
e-commerce et les plateformes de streaming, offrant aux utilisateurs des suggestions personnalisées basées sur
leurs préférences et leur historique de navigation.
Application 5 : La détection de fraude
Dans le secteur financier, le deep learning est utilisé pour identifier les transactions frauduleuses en analysant des
modèles complexes et en détectant des anomalies dans les données de transaction, ce qui contribue à réduire les
pertes financières.
 L’apprentissage des réseaux de neurones
• Durant la phase d’apprentissage, Le réseau de neurone commence avec des poids aléatoires. Généralement, il

génère des prédictions incorrectes au départ. Puis, il calcule l’erreur en utilisant une fonction de perte et

comparant la sortie avec les données réelles d’entrainement.

• Après, le réseau commence la phase de rétro-propagation (re-ajustement), pour identifier les poids

responsables de l’erreur.

• En utilisant cet information, les poids sont re-ajusté afin de réduire l’erreur. Ce processus est répété des millions

de fois avec un large volume de données. Les poids convergent progressivement vers des valeurs qui minimisent

l'erreur de prédiction globale.

 Quelques types des modèles Deep Learning
L'apprentissage profond est un sous-domaine de l'apprentissage automatique qui s'appuie sur des réseaux de neurones
artificiels contenant de nombreuses couches ( profonds). Ces réseaux sont conçus pour apprendre des représentations
hiérarchiques des données. Les architectures clés en apprentissage profond sont notamment :
• Réseaux de Neurones Convolutifs (CNN) : ils sont utilisés pour traiter des données sous forme de grilles (comme les
images, la référence en vision par ordinateur).
• Réseaux de Neurones Récurrents (RNN) : ils sont conçus pour les données séquentielles, comme les séries temporelles
ou le texte. Ils traitent les données étape par étape, en maintenant une "mémoire" des étapes précédentes. Les
réseaux à mémoire à long terme (LSTM) sont un type célèbre de RNN.
• Modèles basés sur l’architecture des Transformers : Transformers est une architecture plus récente qui a largement
dépassé les limitations des RNNs pour la plupart des tâches impliquant des données séquentielles, notamment en
traitement du langage naturel (NLP).
Transformer? (1)

• Les architectures Transformer sont un type de modèle d'intelligence artificielle, inventées par Google en 2017. Elles ont

révolutionné le traitement du langage naturel (NLP) et sont la base des grands modèles comme ChatGPT et Gemini.

• Cet architecture a révolutionné les modèles traditionnelles de l’IA comme les RNNs qui traitaient les phrases mot par

mot, dans l'ordre. Le problème était que dans les cas des phrases longues, les modèles tendent à oublier le début de la

phrase quand il arrive à la fin. De ce fait, le sens de la phrase est perdu.

• Exemple: l’ingénieur qui cherchait l’erreur dans le code est malorganisé (un ancien modèle peut avoir du mal à se

souvenir que « malorganisé » se rapporte à « ingénieur» et non pas au « code » ).

L’ Analyse des séries temporelles
 L’Analyse des séries temporelles

L'analyse des séries temporelles est une technique statistique utilisée pour analyser des points de données

enregistrés à intervalles de temps réguliers. Elle peut contribuer à identifier des motifs, des tendances et des

variations saisonnières, ce qui le rend utile pour prévoir des résultats au fil du temps.
 Types d'analyse des séries temporelles
Les analyses des séries temporelles peuvent être classées en différentes catégories reflétant leur capacité à
décrire, expliquer, prévoir ou optimiser efficacement les tendances et les motifs dans les données :

•L'analyse descriptive résume les principales caractéristiques d'un jeu de données(dataset). Elle permet de
comprendre les motifs, tendances et variations saisonnières dans les données.

•L'analyse explicative vise à comprendre les relations et les effets de causalité au sein des données. Elle
cherche à expliquer pourquoi certains motifs ou tendances se manifestent en examinant les corrélations et
facteurs sous-jacents.

•L'analyse prédictive utilise des données historiques, des modèles statistiques et des algorithmes de Machine
Learning pour prédire les tendances et motifs futurs.

•L'analyse prescriptive fournit des recommandations et des actions basées sur des informations prédictives.
Elle suggère des décisions optimales en évaluant différents scénarios et leurs résultats potentiels.
Caractéristiques des composantes des données de séries temporelles
 L’Importance de l'analyse des séries temporelles
L'analyse des séries temporelles est utilisée pour modéliser et prédire les tendances futures dans divers
domaines. Cette approche améliore la précision de la planification et la prise de décisions stratégiques:

• Analyse économique et financière : comprendre les indicateurs économiques et les marchés financiers en
fournissant des informations pour la gestion des risques et la planification stratégique.

• Surveillance de l'environnement : effectuer une surveillance continue de l'environnement et évaluer les

risques climatiques, ce qui permet de comprendre les tendances et les risques à long terme.

• Maintenance prédictive : anticiper les pannes des équipements et optimiser les plannings de maintenance
pour réduire les temps d'arrêt et les coûts d'exploitation(ex: domaine aéronautique).

• Traitement du signal : interpréter les signaux des dispositifs IoT, des capteurs et des systèmes de santé pour
améliorer les performances, détecter les anomalies et augmenter la fiabilité (détection précoce des
maladies).

• …
Etude de cas: Analyse des séries
temporelles financières
 L’Analyse des séries temporelles financières

• Les séries temporelles financières sont des données enregistrées dans le temps qui représentent l’évolution

d’une variable économique ou financière à intervalles réguliers (par exemple, chaque seconde, minute, jour,

mois).

• Une série temporelle financière est une succession chronologique de valeurs numériques observées sur

une période donnée, liées à un actif ou un indicateur financier.

Séries temporelles financières (exemple)
 1) Méthode traditionnelle: statistique

•Les techniques de prévision classiques dans la littérature utilisent des outils statistiques, tels que le

exponential smoothing (Holt 2004).

• les modèles AutoRegressive Integrated Moving Average (ARIMA), ont été aussi utilisés pour les prévisions

des séries temporelles financières.

 2) Solution: Machine learning
•Les approches d'apprentissage automatique (ML) ont démontré leur capacité à améliorer les performances
en traitant les interactions non linéaires et en haute dimension.

•Ces méthodes incluent les algorithmes d’arbre de décision, les méthodes d'ensemble, les réseaux de
neurones, l'autorégression.

•Des travaux plus récents ont appliqué les méthodes d'apprentissage profond (DL) aux séries temporelles
numériques surtout dans les cas des volumes de données volumineux.
 3) Solution: Deep Learning
•Créer un modèle d'apprentissage profond qui excelle à la fois dans l'analyse des mouvements rapides et des
tendances dans les séries chronologiques financières.

•L'apprentissage profond automatise le processus d'extraction de caractéristiques et élimine le besoin

d'expertise métier spécifique.

•Le réseau découvre automatiquement les caractéristiques/features pertinentes et leurs interactions non
linéaires complexes, sans que l'économiste ait besoin de les spécifier au préalable. Il s'agit d'une forme
d'ingénierie des caractéristiques automatisée et en haute dimension.
 Solution détaillée: Deep Learning
Pour cet étude de cas: prévision du tendance du marché en analysant les séries financières temporelles, une

combinaison de CNN (Réseau neuronal convolutif) avec le modèle Transformer a été utilisée.

• Le CNN a été adopté pour capturer le contexte local depuis les features.

• Puis le modèle transformer sert à déduire le contexte globale (les dépendances longues termes comme

l’impact d’une décision de la banque centrale sur les marchés).

Étude de cas: prévision de la tendance des marchés

UP

Deep
Séries Temporelles Learning Tendance du marché Flat
financières Model

Down
 Solution: Deep Learning

Reflète la
Modèle
Série tendance
temporelles du marché
Transformer
financières

Traitement
CNN  pour Transformer 
de la sortie
Contexte local Contexte global
 Solution: Deep Learning
Méthode:
• La méthode proposée pour résoudre ce problème est la modélisation des séries temporelles basée sur CNN et
Transformer est présentée dans la figure précédente.
 Références
• [Link]

• [Link]

• [Link]

• [Link] by the Association for the Advancement of Artificial Intelligence

• ….
JP Morgan: a MegaBANK
 Présentation du JPMorgan
• JPMorgan est une holding financière, née de la fusion entre la Chase Manhattan Bank et J.P. Morgan &
Co. en janvier 2001.

• Elle est considerée comme la plus grande banque des États-Unis et figure parmi les plus importantes du
monde.
• Cette firme est un leader dans:
 la banque d'investissement,
 les services financiers pour les particuliers et les entreprises,
 les transactions financières,
 le marché des CDS et des produits dérivés
 la gestion d'actifs, la banque privée et le capital-investissement.
 JPMorgan avec l’IA
Selon un article de reuters (2025), JPMorgan déclare que l'IA a augmenté les ventes et attiré des clients en
période de turbulences sur les marchés pour les raisons suivantes:
 Les outils IA améliorent la rapidité des conseils aux clients en période de volatilité des marchés.
 L'IA de JPMorgan permettra d'augmenter le nombre de clients de 50 % au cours des trois à cinq
prochaines années en leur permettant de prendre en charge plus de clients, l'IA gérant une partie des
travaux de recherche liés à cela.
 Les ventes brutes ont augmenté de 20 % entre 2023 et 2024 grâce aux outils d'IA. Les outils alimentés par
GenAI aidant les équipes à se concentrer plus efficacement sur les travaux à fort impact pour les clients.
 L'IA a également pris en charge une grande partie du travail anticipatoire, permettant aux conseillers
d'être préparés surtout durant les mouvements du marché.
 JPMorgan avec l’IA
• Selon un manager de JP morgan:
"Lorsque vous disposez d'un outil qui pré-remplit toutes les données et les mouvements en temps réel, tout en
mémorisant les anciennes préférences d'investissement des clients et en aidant à personnaliser un plan pour
eux rapidement, cela permet également aux conseillers de faire beaucoup plus”
•
"Nos conseillers trouvent les bonnes informations jusqu'à 95 % plus rapidement, ce qui signifie qu'ils passent
moins de temps à chercher et plus de temps à engager des conversations significatives avec les clients", a
déclaré le directeur des technologies de l'information chez JPMorgan Asset and Wealth Management.
 La solution IA de JPMorgan: LLM suite

• JPMorgan a adopté un portail nommé LLM Suite: un assistant à base d'IA générative, deployé pour auprès de

140 000 employés, soit environ la moitié de ses effectifs.

• Ce portail est chargé des tâches routinières, comme la rédaction de mails et de rapports, l'outil, développé

autour de ChatGPT d'OpenAI, est conçu comme un portail, capable d'exploiter d'autres LLM.
 Les gains de JPMorgan

• Ces solutions ont déjà permis à la banque d'économiser près de 1,5 milliard de dollars grâce à:

 la prévention des fraudes

 la personnalisation, le trading, les gains d'efficacité opérationnelle

 les décisions de crédit

Les revenues annuelles de JPMorgan
 JPMorgan prochaine phase

JPMorgan est désormais au début de la prochaine phase de sa stratégie en matière d’IA : selon une feuille de

route interne fournie par la banque, elle a commencé à déployer une Agentic AI pour prendre en charge des

tâches complexes et faciliter le travail de ses conseillers.

Limitations de l’IA
 Inconvénients de l’IA (1)
 Aspect Éthiques:

 Le Biais des modèles IA: Si les algorithmes de L’IA sont entrainés sur des données biaisées, ils peuvent

donner des décisions injustes par exemple concernant l’octroi des crédits. Par exemple, si l'IA apprend que

certains groupes démographiques (minorités, personnes de certains quartiers) ont été historiquement mal

notés, elle peut leur refuser l'accès au crédit ou leur imposer des taux plus élevés  Risque de discrimination

systémique indirecte.
 Inconvénients de l’IA (2)
 Aspect Éthiques:

 Transparence et Interpretabilité des modèles IA: Problème de la "Boîte Noire" : notamment les modèles

d'apprentissage profond (Deep Learning) utilisés pour le trading haute fréquence ou l'évaluation des situations

de Fraude sont souvent complexes et opaques. Il est difficile de savoir pourquoi une décision a été prise 

Sans interpretabilité, il est impossible de détecter et de corriger les biais ou les erreurs. Éthiquement, les

clients et les régulateurs ont droit à une justification des décisions qui les affectent.
 Inconvénients de l’IA (3)

 Responsabilité et Prise de Décision: par exemple, en cas de perte financière à cause d’une décision prise par

l’IA, qui est responsable : le développeur, l’entreprise, ou le système lui-même ?

 Cadres réglementaires de l’IA:
Le respect des règles de confidentialité des données: le RGPD (Règlement Général sur la Protection des Données )
impose des obligations strictes concernant le traitement des données personnelles, notamment le droit
d'opposition à la prise de décision automatisée, ce qui est directement applicable à l'IA en finance.

• L’AI Act de l’Union européenne propose une classification des systèmes

d’intelligence artificielle selon leur niveau de risque. Si le risque est élevé, ces
systèmes intelligents doivent satisfaire à des exigences strictes de transparence,
supervision humaine et de gestion des risques.