Utilisation de PCA pour l'analyse des données.
Application sur le jeu de données Iris. Classification non linéaire SVM
Utilisation de Scikit-Learn SVM pour l'analyse.
Classification des données Iris. SVC avec noyau linéaire Classification Machine à vecteurs de support (SVM)
Classification des données Iris. SVC avec noyau RBF
Classification des données Iris. SVC avec noyau polynomial (degré 3)
Régression linéaire simple
Régression linéaire multiple
Régression linéaire avec équation normale Régression linéaire
Régression linéaire avec descente de gradient
Régression polynomiale Apprentissage supervisé
Rappel sur le perceptron : poids, biais, fonction d'activation.
Fonction d'activation : sigmoïde, ReLU. Classification avec réseaux de neurones Réseaux de neurones
Propagation avant et ajustement des poids.
Méthode d'apprentissage supervisé.
Principe de K-NN
Utilisation de la distance entre observations. Intelligence Artificielle et Machine Learning
Classification K-NN
Calcul de la distance entre observations.
Algorithme K-NN
Prédiction par mode ou moyenne des K plus proches voisins.
Division d'un ensemble de points en k groupes (clusters).
Classification K-MEANS
Utilisation en apprentissage non supervisé.
Algorithmes d'apprentissage automatique.
Conception de systèmes capables de reproduire les comportements humains
Représentation sous forme d'arbre. Arbre de décision dans leurs activités de raisonnement et de comportement.
Introduction à l'Intelligence Artificielle Définition :
Impureté du nœud Gini et méthodes de classification. Selon John McCarthy : « Toute activité intellectuelle peut être décrite avec
suffisamment de précision pour être simulée par une machine ».
Modèle de prévision de séries chronologiques.
Paramètres : p (auto-régressif), d (différenciation), q (moyenne mobile). Modèle ARIMA
Systèmes qui pensent comme les humains : Répliquent les processus cognitifs humains (Haugeland, 1985).
Utilisation pour prédire des tendances et des fluctuations. Processus de pensée et raisonnement
Systèmes qui pensent rationnellement : Utilisent des raisonnements purement logiques (Charniak et McD ermott, 1985).
Bibliothèques et outils pour le machine learning.
Intelligence Artificielle Framework Systèmes qui agissent comme les humains : Reproduisent des comportements humains (Kurzweil, 1990).
Comparaison des capacités des frameworks (Scikit-Learn, TensorFlow, Keras, Comportement des systèmes
etc.). Suivent des décisions optimales basées sur un contexte donné (Pool et al.,
Systèmes qui agissent rationnellement :
Nilsson, 1998).
Concept central : la rationalité comme idéal performant comparé au
Poids, biais, fonction d'activation. Perceptron : Structure de base comportement humain.
Sigmoïde, ReLu (Rectified Linear Unit). Exemples : Fonction d'activation Réseaux de Neurones Les Approches Scientifiques de l'IA Notion de Rationalité Penser comme les humains.
Utilisation dans les classificateurs pour des problèmes complexes. Apprentissage et propagation avant Penser rationnellement.
Différenciation :
Agir comme les humains.
Modèles linéaires pour établir des relations entre deux variables. Agir rationnellement.
Relations linéaires entre les variables.
Régression linéaire Intelligence Artificielle et Machine Un ordinateur réussit le test si un humain est incapable de distinguer entre les
Données exemptes de bruit et de valeurs aberrantes.
Hypothèses :
Learning Définition :
réponses d'une machine et d'un autre humain après plusieurs questions.
Le Test de Turing
Traitement du langage naturel, représentation des connaissances,
Offre une solution exacte.
Fonctionnalités nécessaires pour passer le test : raisonnement automatisé, apprentissage, vision artificielle et capacités
Équation normale robotiques.
Implique des coûts élevés de calcul et de mémoire lors de l'inversion de
matrices.
Algorithme rapide et garantissant une solution.
Comprendre l'esprit humain : observer les pensées, expériences
Descente de gradient
Optimisation itérative pour minimiser les fonctions de coût (ex : MSE). psychologiques, comportements.
Méthodes d'optimisation de la R égression Linéaire
Sélection aléatoire d'instances à chaque itération.
Penser comme les Humains : Approche Cognitive Étapes nécessaires : Observer et analyser le cerveau.
Descente de gradient stochastique (SGD) Apprentissage supervisé Créer une théorie de l'esprit traduisible en informatique.
Plus rapide et adapté pour les grandes bases de données.
Calcul des gradients sur de petites sections d'instances.
Descente de gradient mini-lot (mini-batch)
Combine les avantages des versions ordinaire et stochastique. Origine historique : Aristote et les raisonnements irréfutables (syllogismes).
Penser Rationnellement : Les "Lois de la Pensée"
Pour capturer des relations non linéaires complexes. Traduction actuelle : approche logiciste et logique formelle utilisées en IA.
Régression polynomiale
Ajustement polynomial à l’
aide de logiciels comme MATLAB . Exemple :
Distinguer des classes linéairement séparables par un hyperplan optimal. Application : Fonctionne par inférence pour ajouter des informations.
Points proches de la frontière : Vecteurs de support. Classification linéaire Agir Rationnellement : L'Agent Rationnel L'agent rationnel : Est autonome et capable de s'adapter au contexte.
Maximisation de la marge et optimisation convexe. Machine à vecteurs de support (SVM) Propose toujours la solution optimale en fonction des contraintes.
Utilisation de fonctions noyaux (polynomial, RBF, sigmoïde). Transformation dans des espaces de dimensions supérieures : Classification non linéaire
Approche Bayésienne.
Gestion de l'incertitude
Filtrage numérique.
Exploration d'espace observable et déterministe.
Résolution de problèmes Différentes Approches de l'IA
Résolution sous contrainte.
Logique propositionnelle : interprétation simple des environnements pour
Résolution basée sur la connaissance
déduire des actions potentielles.