Dernière mise à jour Informatique Denis DEFAUCHY – Site web

05/12/2023 3 – Intelligence artificielle Résumé

Informatique

Programme PSI/MP 2022 (LIEN)

Id Compétence développée Connaissances associées
Apprentissage supervisé.
Résoudre un problème en utilisant Choix des données d'apprentissage.
C3-03 une solution d'intelligence Mise en œuvre des algorithmes (réseaux de neurones, k
artificielle. plus proches voisins et régression linéaire multiple).
Phases d'apprentissage et d'inférence.
Choisir une démarche de résolution Décomposition d'un problème complexe en sous
d’un problème d'ingénierie problèmes simples.
C1-03
numérique ou d'intelligence Choix des algorithmes (réseaux de neurones, k plus
artificielle. proches voisins et régression linéaire multiple).
Régression et classification, apprentissages supervisé et
non supervisé.
Analyser les principes d'intelligence Phases d'apprentissage et d'inférence.
A3-08
artificielle. Modèle linéaire monovariable ou multivariable.
Réseaux de neurones (couches d'entrée, cachées et de
sortie, neurones, biais, poids et fonction d'activation).

Page 1 sur 3

Cours inspiré de l’ouvrage « Informatique TRONC COMMUN » éditions Vuibert

 Dernière mise à jour Informatique Denis DEFAUCHY – Site web
05/12/2023 3 – Intelligence artificielle Résumé

C’est un algorithme d’apprentissage supervisé de classification

La méthode KNN ayant été programmée en informatique du tronc commun (ITC2), rappelons
simplement son principe. La phase d’apprentissage permet d’apprendre toutes les données
de la database associées à différentes familles prédéterminées (apprentissage supervisé).
KNN
Ensuite, pour chaque nouvelle donnée d, une distance euclidienne est calculée entre d et
toutes les données de la base de données. On sélectionne alors les k plus proches données di
de d en les triant par ordre croissant des distances obtenues. On détermine enfin la famille
d’appartenance de d en identifiant la famille majoritaire dans les k données les plus proches.
Les réseaux de neurones sont des algorithmes à apprentissage supervisé permettant au
choix, une classification ou une régression linéaire ou non.
Nous utilisons la méthode MLP (Multi-layer perceptron), c’est-à-dire un réseau de neurones
multicouches. Un neurone (ou perceptron) est un outil informatique très simple basé sur
l’analyse du fonctionnement biologique des neurones réels, qui, à 𝑛 entrées 𝑥𝑖 {𝑥1 , 𝑥2 , … , 𝑥𝑛 },
calcule une somme 𝑓 (fonction d’agrégation) utilisant des poids 𝜔𝑖 sur chacune de ces entrées
en utilisant un biais 𝑏 (𝑓 = ∑ 𝑥𝑖 𝜔𝑖 + 𝑏) et retourne une valeur en sortie à l’aide d’une
𝑠 = 1 𝑠𝑖 𝑓 ≥ 0
RN fonction d’activation, par exemple . Avec cette fonction d’activation,
𝑠 = 0 𝑠𝑖 𝑓 < 0
« Réseau de
l’utilisation d’un seul neurone permet de départager les données de manière linéaire. On
Neurones »
utilise alors des fonctions d’activation non linéaires et des neurones en parallèle sur plusieurs
couches (couche d’entrée, couches cachées et couche de sortie, les résultats de chaque
couche étant transmis à une couche inférieure) afin d’étendre les possibilités de prédiction de
résultats sur des données très complexes. On utilise ensuite des algorithmes de renforcement
(ex : descente de gradients) permettant d’entrainer le réseau de neurones sur des données de
référence en affinant tous les poids 𝜔𝑖 et le biais 𝑏. Voici une chaine youtube très bien faite
pour aller plus loin si vous le désirez. La première vidéo suffit à comprendre les bases que nous
utilisons ici.
C’est un algorithme d’apprentissage supervisé de régression linéaire
Cette méthode diffère des méthodes KNN et RN par le fait qu’il faut que les résultats
présentent une linéarité vis-à-vis des données. Exactement comme pour une régression
RLM
linéaire à un seul paramètre 𝑥 qui associe une courbe 𝑦 = 𝑎𝑥 + 𝑏 avec un coefficient de
Régression
corrélation, on donne en entrée d’une régression linéaire multiple un ensemble de données à
linéaire
𝑛 dimensions {𝑥1 , 𝑥2 , … , 𝑥𝑛 } afin de prévoir une valeur résultat 𝑦 pour chacune de ces
multiple
données. Attention, dans le cas d’une RLM dont les données sont des couples {𝑥1 , 𝑥2 }, il faut
avoir conscience que l’image de ces données, bien que linéaire selon 𝑥1 et 𝑥2 , n’est pas un
plan.
Définitions
Apprentissage Lors de l’apprentissage, les données et les prédictions associées sont fournies pour
supervisé mettre en place le modèle (ex : RN, KNN, RLM).
Apprentissage non Contrairement à l’apprentissage supervisé, les prédictions sont automatiquement
supervisé trouvées par l’algorithme (ex : k-moyennes) à partir des données
La prédiction est un résultat numérique continu vis-à-vis des entrées linéaire (RN, RLM)
Régression
ou non (RN)
Classification La prédiction permet de caractériser l’appartenance de données à un groupe (RN, KNN)
On sépare généralement les données en deux familles « train » et « test ». Ce partage
Choix des données
se fait de manière aléatoire. Le modèle est entrainé sur les données « train » puis on
d’apprentissage
vérifie sa performance sur les données « test »
Après l’apprentissage, la phase dans laquelle on utilise le modèle établi s’appelle la
Phase d’inférence
phase d’inférence
Lorsque des données sont composées de différentes grandeurs non comparables, il est
nécessaire de normaliser celles-ci. En effet, imaginons qu’une vitesse en km/h soit dans
Normalisation des [0,10] km/h et qu’une direction soit dans [0,359] degrés. La distance euclidienne entre
données données doit être réalisée sur des données rapportées aux mêmes intervalles (ex :
[0,1]) par normalisation, sinon la direction l’emportera sur la vitesse. Exemple MinMax :
𝑥−𝑥𝑚𝑖𝑛
𝑥= .
𝑥𝑚𝑎𝑥 −𝑥𝑚𝑖𝑛

Page 2 sur 3

Cours inspiré de l’ouvrage « Informatique TRONC COMMUN » éditions Vuibert

 Dernière mise à jour Informatique Denis DEFAUCHY – Site web
05/12/2023 3 – Intelligence artificielle Résumé

Programmation avec « sklearn » sous Python

from sklearn.model_selection import train_test_split
x = Donnees_D
Séparation des
y = Resultats_D
données x_train,x_test,y_train,y_test =
train_test_split(x,y,random_state=0)
from sklearn.neural_network import MLPClassifier
rn =
MLPClassifier(solver='sgd',max_iter=10000,random_state=0)
[Link](x_train,y_train)
Score = [Link](x_test,y_test)
Score = int(Score*10000)/100
Rn print("Score:",Score,"%")
Sol = [Link]([X])[0]
print(Sol)
from joblib import dump,load
dump(rn, 'Modèle_RN.joblib')
rn = load('Modèle_RN.joblib')
from [Link] import KNeighborsClassifier
knn = KNeighborsClassifier(n_neighbors=4)
[Link](x_train,y_train)
Score = [Link](x_test,y_test)
Score = int(Score*10000)/100
Knn print("Score:",Score,"%")
Sol = [Link]([X])[0]
print(Sol)
from joblib import dump, load
dump(knn, 'Modèle_KNN.joblib')
knn = load('Modèle_KNN.joblib')
from sklearn.linear_model import LinearRegression
rlm = LinearRegression()
[Link](x_train,y_train)
Score = [Link](x_test,y_test)
print("Score:",Score)
rlm Sol = [Link]([X])[0]
print(Sol)
from joblib import dump, load
dump(rlm, 'Modèle_RLM.joblib')
rlm = load('Modèle_RLM.joblib')

Matrice de confusion
D : Liste des données à analyser
R : Liste des résultats attendus pour les données
from [Link] import confusion_matrix
def Confusion(f,x,y_true):
f est une fonction y_pred = []
de prédiction for X in x:
renvoyant la y_pred.append(f(X))
solution Sol Mat = confusion_matrix(y_true,y_pred)
[Link]()
précédente
[Link](Mat)
[Link]()

Page 3 sur 3

Cours inspiré de l’ouvrage « Informatique TRONC COMMUN » éditions Vuibert