Pourquoi l’IA est importante ?
Révolutionne tous les secteurs : santé, finance, transport, réseaux sociaux
Automatisation intelligente : prise de décision en temps réel, adaptation, apprentissage
continu
Crée de nouveaux métiers : data scientist, ingénieur IA, expert en cybersécurité,
roboticien, spécialiste en éthique de l’IA
🤖 Définition de l’IA
domaine quivise a cree des systme capable a executer des taches nesaussante
nomalement lintelegence humaine
Définition historique (John McCarthy, 1956) :
"L’IA est la science et l’ingénierie de la fabrication de machines intelligentes"
🧠 Les Trois Types d’IA
1. IA Faible (Narrow AI) : Spécialisée dans une tâche (ex: Siri, Google Traduction)
2. IA Forte (General AI) : Intelligence humaine (théorique, pas encore réalisée)
3. IA Superintelligente : Dépasse l’intelligence humaine (futuriste, questions éthiques)
🌍 Exemples Concrets d’IA Quotidienne
Recommandations (Netflix, YouTube)
Assistants vocaux (Alexa, Siri, Google Assistant)
Véhicules autonomes (Tesla)
Diagnostic médical (analyse de radios, détection de cancer)
Reconnaissance faciale (déverrouillage smartphone, réseaux sociaux)
🔍 Apprentissage Automatique (Machine Learning – ML)
ou une machine apprendre a faire des taches touts seul en analysant des donnes (pour
permettre au système de s’ameliore
Étapes :
Collecte de données
pertoirement
division des donnees
entrainement de modele
Exemple : Gmail bloque les spams en apprenant à partir d’exemples
🧠 Deep Learning (Apprentissage Profond)
Sous-domaine du ML
une méthode qui permet à un ordinateur d’apprendre à partir de données sans être
programmé explicitement. En d’autres mots, la machine s’améliore toute seule en
analysant des exemples.
Architecture en couches :
Couche 1 : contours et formes
Couche 2 : textures
Couche 3 : parties du corps
Couche finale : identification (ex: chat vs chien)
📊 Différences entre IA, ML et Deep Learning
IA : Domaine global (machines intelligentes)
ML : Sous-domaine de l’IA (apprentissage à partir de données)
Deep Learning : Sous-domaine du ML (réseaux de neurones profonds)
Analogie :
IA → Famille
ML → Membre de la famille
Deep Learning → Enfant du ML
📈 Types d’Apprentissage
Supervisé : Apprentissage avec des données étiquetées (ex: prédiction de prix)
Non supervisé : Recherche de patterns sans étiquettes (ex: segmentation clients)
Par renforcement : Apprentissage par essais et récompenses (ex: IA jouant aux échecs)