Introduction à Intelligence Artificielle
[Link] & [Link] M. Said BOUJERFAOUI 2025-2026
PLAN GLOBAL
L’intelligence Artificielle
Partie 1
Machine Learning
- Manipulation des données
Lecture, nettoyage, affichage
- Data-driven learning
- Supervised Learning
- Unsupervised Learning
- Self Supervised Learning
Partie 2 - Experiential learning
- Reinforcement Learning
Deep Learning
- Réseaux de neurones
Partie 3
- Generative AI
- Transformers
LLMs
Partie 4
L’intelligence Artificielle
Déf de l’IA
Une discipline qui cherche à doter les systèmes informatiques avec des capacité intellectuelle semblables à celle des
êtres humains et des animaux en utilisant des algorithmes
Application de IA
reconnaissance faciale détection de tumeur Chatbots et assistants virtuels
Intelligence Artificielle Distribuée
L’Intelligence Artificielle permet de modéliser un penseur isolé en exploitant l’intelligence
individuelle d’un agent.
IA : Pour des agents intelligent (Modéliser le savoir et le comportement)
+
Distribuée : Modéliser leurs interactions => Intelligence Collective
Exploiter l’intelligence collective de plusieurs agents qui vont collaborer selon une planification et une organisation
pour participer ensemble à résoudre des problèmes complexes
les Systèmes Multi Agents : Un Agent est une entité
autonome entrainé pour prendre des décisions pour
atteindre un but pour lequel il a été créé
L’intelligence Artificielle
IA = IA symbolique (5%) + Machine Learning (95%)
Machine Learning
- Manipulation des données
Il existe deux familles d'algorithmes de l'IA : Lecture, nettoyage, affichage
- Data-driven learning
▪ l'IA Symbolique: Des techniques qui n'ont pas pu décoller et donc rarement - Supervised Learning
- Unsupervised Learning
utilisées aujourd'hui dans les applications de l'IA. Elle couvre moins de 5% - Self Supervised Learning
- Experiential learning
des applications industrielles.
- Reinforcement Learning
• Machine Learning (Apprentissage automatique) (95%): Ce sont les
techniques qui sont les plus exploitées aujourd'hui dans les applications de Deep Learning
l’IA - Réseaux de neurones
- Generative AI
- Transformers
LLMs
Techniques d’apprentissage
Consiste à entrainer des algorithmes à effectuer des
Piloté par les données prédictions en utilisant un ensemble de données collectées du
domaine réel étudié.
Apprentissage Supervisé Apprentissage Non Supervisé Apprentissage Auto
Consiste à utiliser un data set étiqueté. C’est-à-dire des
données dont on connait les inputs et les outputs. Les
outputs représentent des étiquettes ou des valeurs fournis
par les experts du métier
Régression Classification
Consiste à prédire, en sortie, une valeur continue comme le prix d’un
appartement ou la durée de vie d’une pièce mécanique ou la durée de
guérison d’un patient : Exemple Régression Linéaire
Techniques d’apprentissage
Piloté par les données
Apprentissage Supervisé : Régression
Exemple : Prédiction du prix d’un appartement
Data Set (Données étiquetées)
Input Output
X1
Quartier
Quartier Superficie Nbre Prix (MDH) Modèle de Régression Y (Prix)
X1 X2 chambres Y X2
Superficie
Maarif 100 3 2
Y = a.x1 + b.X2+c.X3+d
SBATA 120 3 1.1 Nbre Chambres X3
Maarif 100 4 2.1
Modèle à 4 Paramètres a, b, c et d
Bourgogne 80 3 1.44
Algorithmes : Linéaire, Polynomiale, Ridge, Lasso, etc..
Maarif 200 5 ??????
a b c d
Techniques d’apprentissage
Consiste à entrainer des algorithmes à effectuer des
Piloté par les données prédictions en utilisant un ensemble de données collectées du
domaine réel étudié.
Apprentissage Supervisé Apprentissage Non Supervisé Apprentissage Auto
Consiste à utiliser un data set étiqueté. C’est-à-dire des
données dont on connait les inputs et les outputs. Les
outputs représentent des étiquettes ou des valeurs fournis
par les experts du métier
Régression Classification
Consiste à prédire des classes d’appartenance parmi un ensemble de classe finies. Par exemple prédire sur une
transaction est frauduleuse ou encore prédire si un animal est un chien, un chat, un tigre ou un lapin.
Exemples : Régression logistique, Support Vector Machine (SVM), Multi Layer Perceptron (MLP), KNN (K plus proches
voisins), Decision Tree, Random Forest, etc.
Techniques d’apprentissage
Piloté par les données
Apprentissage Supervisé : Classification
Exemple : système de détection de fraude bancaire
Data Set (Données étiquetées)
Input Output
Heur Montan Lon La Fraude X1
e t X2 g t X2 Y (Fraude)
X1 X3 X4
12:20 4500 -1.2 3.2 0 X3 0,1
01:45 1,60 0.6 4.3 1 X4
10:08 100 -2.45 1.3 0 Classification
11:55 80 -1.2 3.2 1
Algorithmes : KNN, SVM, DT, RF, Réseaux de neurones, etc…
00:00 3200 -1 3 ??????
Techniques d’apprentissage
Piloté par les données
Apprentissage Supervisé Apprentissage Non Supervisé Apprentissage Auto Supervisé
Clustring
Consiste à utiliser des données non étiquetées et utiliser des algorithmes de
clustering qui vont fouiller dans les données pour chercher à les segmenter en un
ensemble de groupes homogènes en se basant sur des mesures de similarités
Techniques d’apprentissage
Piloté par les données
Apprentissage Non Supervisé : Clustering
Exemple :Clustering
Data Set (Données Non étiquetées)
X1
X2 Modèle de Y
X3 Clustering
X4
Algorithmes : K-Means
Techniques d’apprentissage
Piloté par les données
Utilisé dans le domaine de NLP (Natural
Language Processing),
Apprentissage Supervisé Apprentissage Non Supervisé Apprentissage Auto Supervisé
Encodeur- Décodeur
Cacher une partie des données et entrainer le modèle à prédire ce parties cachées en
utilisant le principe des encodeurs et décodeurs.
Par exemple en NLP, On cache des mot du texte et on entraine le modèle pour deviner
ces mots cachés.
Techniques d’apprentissage
Piloté par les données
Apprentissage Auto Supervisé : Encodeur- Décodeur
Exemple :xxxx
Data Set (Données Non étiquetées)
X1
Pendant l’entrainement d’un algorithme, on cache des parties X2 Y
Encoder Decoder
du texte et puis on entrainer le modèle à prédire les parties X3
cachées du texte en utilisant des encodeurs et des décodeurs X4
qui sont basés sur un mécanisme d’attention qui est la base des
Transformers qui sont les plus utilisés dans le domaine de l’IA
générative sur les LLMs (Large Language Models) Algorithmes : Transformers (BERT, GPT)
Exemple : BERT, GPT
Techniques d’apprentissage
Piloté par les données Piloté par l’expérience
Embodiment
Reinforcement learning
App Supervisé App Non Supervisé App Auto Supervisé
Reward
Action
New
State
Environment
Algorithmes : Q-Learning, PPO
Deep Learning
500 x 400 = 200 000 Pixels
Le Deep Learning, qu’on appelle aussi apprentissage profond, c’est la partie du Machine Learning qui
imite le fonctionnement du cerveau humain à travers des réseaux de neurones artificiels.
Ce sont des modèles capables d’apprendre directement à partir des données brutes, sans qu’on ait
besoin de définir nous-mêmes les caractéristiques à extraire.
Par exemple, au lieu de dire à l’ordinateur “cherche les contours d’un visage”, on lui montre des
milliers d’images, et il apprend tout seul à reconnaître ce qu’est un visage.
RGB -> 500 x 400 x 3 = 600000 pixels
Détection des tumeurs
CNN : [ Convolution, RELU,
MAX PULLING ] [ Fully Connected ]
reconnaissance faciale
Reconnaissance vocale
RNN : [ Recurent Neural Network]
Traduction automatique
L’IA Générative est une catégorie de l’IA
IA Générative capable de générer des nouvelles données
en conséquence d’un raisonnement
conditionné par un prompt utilisateur en
utilisant les LLMs (Large Language
Models).
Text Prompt (Text + Images)Prompt (Text + Images) Prompt Train the model
Learn Patterns
LLM LLM LLM
GPT-4 GPT-4o DALL-E
LIAMA 3 Large Train
LIAMA 3.2 Stable Diffusion Corpus of
Data Set Encoder Decoder
Text Generation Text Generation Image Generation
Generative AI Models
(Dall-E, Stable Diffusion, Midjourney)
Generate
Prompt Encoder Decoder
New Data
Introduction à Intelligence Artificielle
[Link] & [Link] M. Said BOUJERFAOUI 2025-2026