Lien : geeksforgeeks.

org/machine-learning/ai-ml-and-data-science-tutorial-learn-ai-ml-and-
data-science/

Tutoriel sur l'IA, le ML et la science des

données
Dernière mise à jour : 25 août 2025





Cet article couvre tout ce que vous devez savoir sur l'IA, le Machine Learning

et la science des données, en commençant par la programmation Python, les

statistiques et les probabilités. Il aborde également l'EDA, la visualisation, le

Machine Learning, l'apprentissage profond, l'IA, les projets et les questions

d'entretien pour préparer votre carrière.

1. Apprendre Python

Python est l'un des langages de programmation les plus populaires

aujourd'hui, reconnu pour sa simplicité, ses nombreuses fonctionnalités et la

prise en charge de ses bibliothèques. Sa syntaxe claire le rend accessible aux

débutants, tandis que ses bibliothèques et frameworks le rendent parfait pour

les développeurs.

 Tutoriel Python
 Quiz Python

 Questions d'entretien Python

2. Mathématiques pour la science des données

Mathématiques pour la science des données présente les outils et concepts

mathématiques fondamentaux nécessaires pour travailler efficacement avec

les données. Il comprend les statistiques et probabilités, l'algèbre linéaire et le

calcul différentiel et intégral.

 Algèbre linéaire pour la science des données

 Statistiques pour la science des données

 Probabilité pour la science des données

 Calcul pour la science des données

 Pratiquez l'algèbre linéaire , les statistiques , les probabilités et le calcul

3. Analyse exploratoire des données

L'analyse exploratoire des données (AED) est une approche d'analyse

d'ensembles de données visant à synthétiser leurs principales caractéristiques,

souvent à l'aide de méthodes visuelles. Elle implique la compréhension, le

nettoyage et la visualisation des données, ainsi que leur analyse plus

approfondie.

 Analyse exploratoire des données ou EDA

 EDA avec NumPy, Pandas, Matplotlib et Seaborn

4. Analyse des données

L'analyse de données est la technique de collecte, de transformation et

d'organisation des données afin de réaliser des prévisions et de prendre des

décisions éclairées. Elle permet également de trouver des solutions aux

problèmes métier.

L'analyse de données se déroule en six étapes : demander ou spécifier les

besoins en données, préparer ou collecter les données, nettoyer et traiter,

analyser, partager, agir ou signaler.

 Analyse des données

 Projets d'analyse de données

 Quiz d'analyse de données

 Questions d'entretien sur l'analyse des données

5. Visualisation des données

La visualisation des données consiste à transformer des données en

représentations visuelles telles que des tableaux, des graphiques et des cartes.

Elle nous aide à comprendre les tendances, les schémas et les valeurs

aberrantes.

 Tutoriel sur la visualisation des données

 Projets de visualisation de données

 Quiz sur la visualisation des données

 Questions d'entretien sur la visualisation des données

6. Apprentissage automatique
L’apprentissage automatique est un sous-ensemble de l’intelligence artificielle

(IA) qui permet aux ordinateurs d’apprendre à partir de données et de faire

des prédictions sans être explicitement programmés.

Il peut être classé en trois types : l’apprentissage supervisé, l’apprentissage

non supervisé et l’apprentissage par renforcement.

 Tutoriel sur l'apprentissage automatique

 Projets d'apprentissage automatique

 Quiz sur l'apprentissage automatique

 Questions d'entretien sur l'apprentissage automatique

7. Science des données avec Python

La science des données permet aux organisations de prendre des décisions

éclairées, de résoudre des problèmes et de comprendre le comportement

humain. L'augmentation du volume de données s'accompagne d'une demande

croissante de data scientists qualifiés. Les langages les plus couramment

utilisés en science des données sont Python et R, Python étant

particulièrement populaire.

 Tutoriel sur la science des données

 Projets de science des données

 Quiz sur la science des données

 Questions d'entretien sur la science des données

8. Apprentissage profond
L'apprentissage profond est une branche de l'intelligence artificielle (IA) qui

permet aux machines d'apprendre à partir de grandes quantités de données.

Il utilise des réseaux neuronaux multicouches pour identifier

automatiquement des modèles et formuler des prédictions.

 Tutoriel sur l'apprentissage profond

 Projets d'apprentissage profond

 Quiz sur l'apprentissage profond

 Questions d'entretien sur l'apprentissage profond

9. Intelligence artificielle

L’intelligence artificielle (IA) fait référence à la simulation de l’intelligence

humaine dans des machines programmées pour penser et agir comme des

humains.

 Tutoriel sur l'IA

 Questions d'entretien sur l'IA

 Projets d'IA

10. IA générative et LLM

L'IA générative (Gen AI) est une branche de l'intelligence artificielle qui

permet de créer du contenu au lieu de se contenter d'analyser des données.

Elle utilise des modèles d'apprentissage automatique (tels que les modèles de

langage à grande échelle, les GAN et les modèles de diffusion) pour générer

du texte, des images, de l'audio, du code ou même de la vidéo.

LLM (Large Language Model) est un type de modèle d'intelligence artificielle

conçu pour comprendre et générer un langage de type humain.

 Tutoriel sur l'IA générative

 Feuille de route de l'IA générative

 Tutoriel LLM

Questions d'entretien AI-ML-DS

La série d'entretiens AI-ML-DS est une ressource essentielle conçue pour les

personnes souhaitant démarrer ou changer de carrière dans les domaines de

l'intelligence artificielle (IA), de l'apprentissage automatique (ML) et de la

science des données (DS).

 Série d'entretiens AI-ML-DS

1. Apprendre Python

Python est l'un des langages de programmation les plus populaires

aujourd'hui, reconnu pour sa simplicité, ses nombreuses fonctionnalités et la

prise en charge de ses bibliothèques. Sa syntaxe claire le rend accessible aux

débutants, tandis que ses bibliothèques et frameworks le rendent parfait pour

les développeurs.

Tutoriel Python - Apprendre le langage de

programmation Python
 Dernière mise à jour : 13 octobre 2025





Python est l'un des langages de programmation les plus populaires. Simple

d'utilisation, riche en fonctionnalités et compatible avec un large éventail de

bibliothèques et de frameworks, il est également adapté aux débutants grâce

à sa syntaxe claire.

 Un langage de haut niveau, utilisé dans le développement Web, la science

des données, l'automatisation, l'IA et plus encore.

 Connu pour sa lisibilité, ce qui signifie que le code est plus facile à écrire, à

comprendre et à maintenir.

 Bénéficiant du support d'une bibliothèque, nous n'avons donc pas besoin de

tout construire à partir de zéro. Il existe probablement une bibliothèque qui

fait déjà ce dont nous avons besoin.

Pourquoi apprendre Python ?

 Nécessite moins de lignes de code par rapport à d’autres langages de

programmation comme Java.

 Fournit des bibliothèques/frameworks comme Django, Flask et bien

d'autres pour le développement Web, et Pandas, Tensorflow, Scikit-learn

et bien d'autres pour l'IA/ML, la science des données et l'analyse des

données
 Multiplateforme, fonctionne sur Windows, Mac et Linux sans changements

majeurs.

 Utilisé par les plus grandes entreprises technologiques comme Google,

Netflix et la NASA.

 De nombreuses opportunités d'emploi de codage Python dans le

développement de logiciels, la science des données et l'IA/ML.

Essayez notre cours gratuit en cours Python Skillup avec une

couverture hebdomadaire des sujets, des notes, des quiz
quotidiens et des problèmes de codage.

Notions de base

Dans cette section, nous aborderons les bases de la programmation Python,

notamment l'installation de Python, l'écriture du premier programme, la

compréhension des commentaires et le travail avec des variables, des mots-

clés et des opérateurs.

Avant de commencer à apprendre Python, nous devons installer

Python sur notre système.

 Introduction

 Applications

 Entrée et sortie

 Variables

 Opérateurs

 Quiz : Notions de base , E/S

 Mots-clés

 Types de données
 Quiz : Types de données , Nombres , Booléens

 Instructions conditionnelles

 Boucles

 Quiz : Flux de contrôle , boucles

Fonctions

Dans cette section du tutoriel Python 3, nous explorerons la syntaxe des

fonctions Python, la gestion des paramètres, les valeurs de retour et la

portée des variables. Nous présenterons également des fonctions polyvalentes

comme range(), map, filter et lambda.

 Fonctions

 Instruction de passage dans la fonction

 Variables globales et locales

 Récursivité

 *args et **kwargs dans la fonction

 « Soi » comme argument par défaut

 Fonction de première classe

 Fonction Lambda

 Fonction de cartographie , de réduction et de filtrage

 Fonction interne

 Décorateurs

 Quiz : Fonctions
Structures de données

Python offre une grande variété de types de données, notamment des listes,

des chaînes, des tuples, des ensembles, des dictionnaires et des tableaux. Dans

cette section, nous détaillerons chaque type de données.

 cordes

 Liste

 Quiz : Liste , Chaîne

 Tuples

 Dictionnaire

 Quiz : Tuples , Dictionnaire

 Ensembles

 Tableaux

 Compréhension de liste

 Quiz : Ensembles , Tableaux , Compréhension de liste

Le module collections de Python offre des structures de données essentielles,

notamment les suivantes :

 Compteurs

 Tas

 Deque

 OrderedDict

 Defaultdict
 Quiz : Compteurs , Heapq , Deque , OrderedDict

Pour apprendre en détail la structure des données et l'algorithme

avec Python, vous pouvez vous référer à notre didacticiel DSA
avec Python .

Concepts de la POO

Dans cette section, nous explorerons les principes fondamentaux de la

programmation orientée objet (POO) en Python. De l'encapsulation à

l'héritage, en passant par le polymorphisme, les classes abstraites et les

itérateurs, nous aborderons les concepts essentiels pour créer du code

modulaire, réutilisable et évolutif.

 Python OOP

 Classes et objets

 Polymorphisme

 Héritage

 Abstraction

 Encapsulation

 Itérateurs

 Quiz : POO

Gestion des exceptions

Dans cette section, nous explorerons la gestion des exceptions Python :

comment Python gère les erreurs inattendues, ce qui nous permet d'écrire du
code tolérant aux pannes. Nous aborderons également la gestion des fichiers,

y compris la lecture et l'écriture.

 Gestion des exceptions

 Exception intégrée

 Exception définie par l'utilisateur

 Quiz : Gestion des exceptions

Gestion des fichiers

Dans cette section, nous aborderons la gestion des fichiers, y compris la

lecture et l'écriture dans les fichiers.

 Gestion des fichiers

 Lire les fichiers

 Écrire/Créer des fichiers

 Module du système d'exploitation

 Module pathlib

 Gestion des répertoires

 Quiz : Gestion des fichiers

Gestion de la base de données

Dans cette section, nous apprendrons à accéder et à travailler avec les bases

de données MySQL et MongoDB.

 Tutoriel Python MongoDB

 Tutoriel Python MySQL

Paquets ou bibliothèques

Python est une vaste collection de bibliothèques standards de packages

Python qui simplifient le développement. Ces bibliothèques facilitent de

nombreuses tâches et vous font gagner un temps précieux grâce à des outils

prêts à l'emploi.

Certains types de bibliothèques couramment utilisés en Python incluent :

 Paquets

 Modules intégrés

 Bibliothèques DSA

 Bibliothèques d'interface graphique

Science des données

1. Bibliothèques fondamentales : Ce sont les bibliothèques qui constituent la

base de tout travail de science des données. Commencez ici pour construire

des bases solides.

 NumPy

 Pandas

 Matplotlib

2. Outils avancés de visualisation et de statistiques : une fois que vous êtes à

l'aise avec la gestion et la visualisation des données de base, passez à la

création de visuels plus clairs et à la réalisation d'analyses statistiques.

 Né en mer
 Modèle statistique

3. Bibliothèques d’apprentissage automatique : après la manipulation et la

visualisation des données, apprenez l’apprentissage automatique, en

commençant par des modèles plus simples et en passant à des modèles plus

avancés.

 Scikit-learn

 XGBoost / LightGBM

4. Cadres d'apprentissage profond : si vous êtes intéressé par l'IA et

l'apprentissage profond, ces bibliothèques vous permettront de créer et de

former des réseaux neuronaux.

 TensorFlow et Keras

 PyTorch

Pour en savoir plus, vous pouvez vous référer à Python pour la

science des données .

Développement Web

1. Core Web Frameworks (développement backend avec Python) : ce sont les

outils permettant de créer des applications Web basées sur Python.

 Ballon

 Django
2. Intégration de bases de données : découvrez comment connecter des

frameworks Web Python à des bases de données pour stocker et récupérer

des données.

 SQLite

 SQLAlchemy

 Django ORM

3. Intégration front-end et back-end : découvrez comment connecter les

back-ends Python aux technologies front-end pour créer des applications

Web dynamiques et complètes.

 Jinja2 (Flacon)

 Modèles Django

4. Développement d'API : apprenez à créer des API (interfaces de

programmation d'applications) pour connecter votre backend à des

applications front-end ou à d'autres services.

 Flask-RESTful

 Framework Django REST (DRF)

Pour en savoir plus, vous pouvez vous référer à Python pour le

développement Web.

Pratique

La page de quiz Python couvre des sujets tels que les variables, les types de

données, les entrées, les sorties, les listes, les tuples, les dictionnaires et les

ensembles. La page d'exercices de codage Python propose des exercices sur les
boucles, les fonctions, les listes, les chaînes de caractères, les dictionnaires, les

ensembles et les structures avancées comme les tas et les deque.

 Quiz

 Problèmes de codage Python

Ce didacticiel Python est mis à jour sur la base de la dernière

version Python 3.13.1.

Introduction à Python
 2. Mathématiques pour la science des données

Mathématiques pour la science des données présente les outils et concepts

mathématiques fondamentaux nécessaires pour travailler efficacement avec

les données. Il comprend les statistiques et probabilités, l'algèbre linéaire et le

calcul différentiel et intégral.

différentiel et intégral.

 Algèbre linéaire pour la science des données

 Statistiques pour la science des données

 Probabilité pour la science des données

 Calcul pour la science des données

 Pratiquez l'algèbre linéaire , les statistiques , les probabilités et le calcul

Opérations d'algèbre linéaire pour

l'apprentissage automatique
Dernière mise à jour : 20 août 2025





L'algèbre linéaire est un fondement mathématique essentiel de l'apprentissage

automatique, car la plupart des ensembles de données et des modèles sont

représentés par des vecteurs et des matrices. Elle permet des calculs, une
manipulation et une optimisation efficaces des données, rendant ainsi les

tâches complexes plus faciles à gérer.

 Les données dans ML sont représentées sous forme de vecteurs

(caractéristiques) et de matrices (ensembles de données).

 Des opérations telles que le produit scalaire, la multiplication de matrices

et les transformations alimentent les algorithmes ML.

 Des concepts clés tels que les valeurs propres, les vecteurs propres et les

décompositions simplifient la réduction de la dimensionnalité,

l'optimisation et la formation.

 Les algorithmes tels que l'ACP, la SVD, la régression, les SVM et les réseaux

neuronaux s'appuient fortement sur l'algèbre linéaire.

Concepts fondamentaux de l'algèbre linéaire pour

l'apprentissage automatique

Dans l’apprentissage automatique , les vecteurs , les matrices et les

scalaires jouent un rôle clé dans la gestion et le traitement des données.

1. Vecteurs

Les vecteurs sont des quantités qui ont à la fois une grandeur et une

direction, souvent représentées par des flèches dans l'espace.

v=[2−14]v=⎣ ⎡ 2− 14 ⎦ ⎤
​ ​ ​

2. Matrices

Les matrices sont des tableaux rectangulaires de nombres, disposés en lignes

et en colonnes. Elles servent à représenter des transformations linéaires, des

systèmes d'équations linéaires et des transformations de données en

apprentissage automatique.

Exemple: [123456789]⎣ ⎡ 147 258 369 ⎦ ⎤ u = [3, 4] v = [-1, 2].

​ ​ ​ ​ ​

3. Scalaires

Les scalaires sont des valeurs numériques uniques, sans direction ni amplitude.

Ce sont de simples nombres qui permettent de multiplier des vecteurs ou des

matrices. En apprentissage automatique, ils servent à ajuster des paramètres

tels que la pondération d'un modèle ou le taux d'apprentissage pendant

l'entraînement.

Exemple : Considérons un scalaire, k= 3 et un

vecteur[v=[2−14]][ v=⎣ ⎡ 2− 14 ⎦ ⎤ ]
​ ​ ​

La multiplication scalaire consiste à multiplier chaque composante du vecteur

par le scalaire. Ainsi, si l'on multiplie le vecteur v par le scalaire k = 3, on

obtient :
k⋅ v=3⋅ [2−14]=[3⋅ 23⋅ (−1)3⋅ 4]=[6−312]k⋅ v=3⋅ ⎣ ⎡ 2− 14 ⎦ ⎤ =⎣ ​ ​ ​

⎡ 3⋅ 23⋅ ( − 1 )3⋅ 4 ⎦ ⎤ =⎣ ⎡ 6− 312 ⎦ ⎤

​ ​ ​ ​ ​ ​

Opérations en algèbre linéaire

Addition et soustraction : Additionner ou soustraire les éléments

correspondants de vecteurs ou de matrices.

Exemple :

u = [ 2, −1, 4], v = [ 3, 0, −2],

u + v = [ 5, −1, 2], u − v = [ −1, −1, 6]

Multiplication scalaire : multiplier chaque élément par un scalaire.

Exemple : 3⋅ [ 2, −1, 4] = [ 6, −3, 12]

Produit scalaire : mesure la similarité des directions en multipliant les

éléments correspondants et en les additionnant.

Exemple : u⋅ v = u 1 v 1 + u 2 v 2 + u 3 v 3

Produit vectoriel : Pour les vecteurs 3D, produit un nouveau vecteur

perpendiculaire aux deux.

Exemple : u × v = [u 2 v 3 −u 3 v 2 , u 3 v 1 − u1 v 3 , u 1 v 2 − u 2 v 1 ]

Transformations linéaires

Les transformations linéaires sont des opérations de base en algèbre linéaire

qui modifient les vecteurs et les matrices tout en conservant des propriétés

importantes comme la droite et la proportionnalité. En apprentissage

automatique, elles sont essentielles pour des tâches telles que la préparation
des données, la création de caractéristiques et l'entraînement des modèles.

Cette section aborde la définition, les types et les utilisations des

transformations linéaires.

Définition : Une transformation T est linéaire si elle satisfait :

 Additivité : T(u+v) = T(u)+T(v)

 Homogénéité : T(kv) = k T(v)

Types courants en ML

 Traduction : Centrage des données en soustrayant la moyenne.

 Mise à l'échelle : normalisation des fonctionnalités afin qu'aucune

fonctionnalité ne domine.

 Rotation : Données de rotation, souvent utilisées en vision par ordinateur

et en robotique.

Opérations matricielles

Les opérations matricielles sont essentielles à l'algèbre linéaire et largement

utilisées en apprentissage automatique pour le traitement des données, les

transformations et l'entraînement des modèles. Les plus courantes sont :

 Multiplication de matrices : Combine deux matrices en calculant le produit

scalaire des lignes et des colonnes. Utilisée dans les transformations de

caractéristiques, le calcul de paramètres et les opérations sur les réseaux

de neurones.
 Exemple :UN=[2112],B=[3012],UN×B=[7254]UN=[21 12 ],B=[31 02 ],UN× ​ ​ ​ ​

B=[75 24 ]
​ ​

 Transposer : inverse une matrice sur sa diagonale (les lignes deviennent des

colonnes). Noté A T .

 Inverse : La matrice A −1 satisfaitUN⋅ UN−1=jeUN⋅ UN− 1=je. Existe

uniquement si det⁡(A) ≠ 0. Utilisé dans la résolution d'équations et

l'optimisation.

 Déterminant : Valeur scalaire indiquant si une matrice est inversible. Si

det⁡(A) = 0, la matrice est inversible.

Valeurs propres et vecteurs propres

Les valeurs propres et les vecteurs propres décrivent comment les matrices

transforment l'espace, ce qui les rend fondamentaux dans de nombreux

algorithmes ML.

 Valeurs propres (λ) : scalaires indiquant dans quelle mesure une

transformation s'étire ou se comprime le long d'une direction.

 Vecteurs propres (v) : vecteurs non nuls qui ne changent d'échelle (ne

changent pas de direction) que sous transformation.

Exemple : PourUN=[2112]UN=[21 12 ] ​ ​

résoudre det⁡(A−λI) = 0 donne λ 1 = 1,λ 2 = 3.

 λ1=1→v1=[1−1]λ1 =1→v1 =[1− 1 ]

​ ​ ​

 λ2=3→v2=[11]λ2 =3→v2 =[11]

​ ​ ​
Décomposition propre :UN=QΛQ−1UN=Q Λ Q− 1

où Q contient les vecteurs propres et Λ est diagonal avec les valeurs propres.

Applications en ML :

 Réduction de dimensionnalité (PCA) : conserve les directions avec les

valeurs propres les plus grandes (la plus grande variance).

 Factorisation matricielle (SVD, NMF) : divise les grands ensembles de

données en parties plus petites et structurées pour l'extraction de

fonctionnalités.

Résolution de systèmes d'équations linéaires

Les systèmes linéaires sont courants en apprentissage automatique pour

l'estimation et l'optimisation des paramètres. Parmi les principales méthodes,

on peut citer :

1. Élimination gaussienne : Transforme une matrice en matrice échelonnée

par des opérations sur les lignes. Étapes :

 Élimination avant -> effectuer des entrées en dessous du zéro diagonal

 Substitution arrière -> résoudre les variables à partir de la dernière ligne

vers le haut

 Pivotement -> échanger les lignes pour éviter la division par zéro

2. Décomposition LU : divise une matrice en matrices triangulaires inférieure

(L) et supérieure (U). Résout efficacement les systèmes par substitution

directe et inverse.
3. Décomposition QR : divise une matrice en matrice orthogonale (Q) et

triangulaire supérieure (R). Utile pour les problèmes de moindres carrés et le

calcul des valeurs propres.

Applications de l'algèbre linéaire à l'apprentissage

automatique

L'algèbre linéaire alimente de nombreux algorithmes de Machine Learning en

permettant la manipulation de données, la représentation et l'optimisation

de modèles. Parmi ses principales applications :

 PCA (Analyse en Composantes Principales) : Réduit la dimensionnalité en

calculant la covariance, les valeurs propres/vecteurs propres et en

projetant les données sur les composantes principales.

 SVD (Singular Value Decomposition) : Factorise une matrice en A = UΣV T ,

utilisé pour la réduction de dimensionnalité, la compression et le filtrage

du bruit.

 Régression linéaire : modélise les relations via la forme matricielle Y = Xβ+

ϵ, résolue à l'aide de l'équation normale X T Xβ = X T Y.

 SVM (Support Vector Machines) : utilise l'astuce du noyau et l'optimisation

pour trouver les limites de décision pour la classification et la régression.

 Réseaux de neurones : dépendent des multiplications de matrices, de la

descente de gradient et de l'initialisation des poids pour la formation de

modèles profonds.
 Statistiques pour la science des données
Dernière mise à jour : 11 octobre 2025





La statistique est la science de la collecte, de l'analyse et de l'interprétation

des données pour identifier des tendances et prendre des décisions. En science

des données, elle constitue le fondement de la compréhension des données et

de la construction de modèles fiables.

 Résume les données à l'aide de mesures telles que la moyenne, la médiane

et la variance

 Modélise l'incertitude avec des probabilités et des distributions

 Teste les hypothèses (par exemple, tests A/B)

 Trouve des relations par régression et corrélation

Types de statistiques

Il existe généralement deux types de statistiques, qui sont décrits ci-dessous :

1. Statistiques descriptives : elles nous aident à simplifier et à organiser de

gros volumes de données. Elles facilitent ainsi leur compréhension.

2. Statistiques inférentielles : Les statistiques inférentielles sont légèrement

différentes. Elles utilisent des données plus petites pour conclure sur un
 groupe plus large. Elles nous aident à prédire et à tirer des conclusions sur

une population.

Que sont les données en statistiques ?

Les données sont un ensemble d’observations, elles peuvent se présenter sous

la forme de nombres, de mots, de mesures ou d’énoncés.

Types de données

1. Données qualitatives : Ces données sont descriptives. Par exemple : elle est

belle, il est grand, etc.

2. Données quantitatives : Il s’agit d’informations numériques. Par exemple,

un cheval a quatre pattes.

 Données discrètes : Elles ont une valeur fixe particulière et peuvent être

comptées.

 Données continues : elles ne sont pas fixes mais disposent d’une plage de

données et peuvent être mesurées.

Notions de base en statistiques

Les formules de base des statistiques sont les suivantes :

Paramèt Défin Formules

res ition
Paramèt Défin Formules

res ition

Moyenn Moye

e de la nne

populati de

on (μ) l'ense
ΣxNΣNx​
mble

du

group

e.

Moyenn Moye

e de nne

l'échanti d'un

llon sous-

ense ΣxnΣnx​

mble

de la

popul

ation
Paramèt Défin Formules

res ition

Écart Mesur

type de e la

l'échanti disper

llon/de sion

la des

populati donné
Population σ=1N∑i=1n(xi−μ)2Sample s=1N−1∑i=1n(xi−xˉ)2Population σ=N1
on es
​ ∑i=1n​ (xi​ −μ)2​ Sample s=N−11​ ∑i=1n​ (xi​ −xˉ)2​
par

rappo

rt à

la

moye

nne

Variance Indiq

de ue à
Variance(Population) = ∑(x−x‾)2nVariance(Sample) = ∑(x−x‾)2n−1Variance(P

l'échanti quel
opulation) = n∑(x−x)2​ Variance(Sample) = n−1∑(x−x)2​
llon/de point

la les
Paramèt Défin Formules

res ition

populati valeur

on s sont

éloign

ées de

la

moye

nne,

au

carré

Intervall Plage

e de de

classe valeur

(IC) s
CI = Limite supérieure − Limite inférieure
dans

un

group

e
Paramèt Défin Formules

res ition

Fréquen À

ce (f) quelle

fréqu

ence
Nombre d'occurrences
une

valeur

appar

aît

Portée Différ

(R) ence

entre

les

valeur
Plage = Max−Min
s les

plus

grand

es et

les
Paramèt Défin Formules

res ition

plus

petite

Mesure de la tendance centrale

1. Moyenne : La moyenne peut être calculée en additionnant toutes les

valeurs présentes dans l'échantillon divisée par le nombre total de valeurs

présentes dans l'échantillon ou la population.

Formula:Mean(μ)=SumofValuesNumberofValues Formula:Me

an(μ)=NumberofValuesSumofValues ​

2. Médiane : La médiane est le milieu d'un ensemble de données lorsqu'elle est

classée du plus bas au plus haut ou du plus haut au plus bas. Pour trouver la

médiane, les données doivent être triées. Pour un nombre impair de points

de données, la médiane est la valeur médiane ; pour un nombre pair, elle est

la moyenne des deux valeurs médianes.

3. Mode : La valeur la plus fréquente dans l'échantillon ou la population est

appelée mode .

Mesure de la dispersion
 Plage : La plage est la différence entre les valeurs maximales et minimales

de l'échantillon.

 Variance (σ²) : La variance est une mesure de la façon dont les valeurs

s'écartent de la moyenne en mesurant la dispersion autour de la moyenne.

Formula:σ2 = Σ(X−μ)2n Formula:σ2 = nΣ(X−μ)2 ​

 Écart type (σ) : L' écart type est la racine carrée de la variance. L'unité de

mesure de l'écart type est la même que celle des valeurs de l'échantillon. Il

indique la distance moyenne entre les points de données et la moyenne et

est largement utilisé en raison de son interprétation intuitive.

Formula:σ=(σ2)=(Σ(X−μ)2n)Formula:σ=( σ2)=( nΣ(X−μ)2 )

​ ​ ​

 Écart interquartile (EI) : Écart entre le premier quartile (Q1) et le

troisième quartile (Q3). Il est moins sensible aux valeurs extrêmes que l'EI.

Pour calculer l'EI , il faut calculer les valeurs du premier et du troisième

quartile en classant les données par ordre croissant. Ensuite, il faut

calculer la moyenne de chaque moitié de l'ensemble de données.

Formula:IQR=Q3−Q1Formula:IQR=Q3 −Q1 ​ ​

 Quartiles : Les quartiles divisent l'ensemble de données en quatre parties

égales :

Q1 (Premier quartile) : Médiane des 50 % inférieurs de

l'ensemble de données (25e percentile).

 Q2 (Deuxième quartile / Médiane) : Médiane de l'ensemble des

données (50e percentile).

Q3 (troisième quartile) : médiane des 50 % supérieurs de

l'ensemble de données (75e percentile).

 Écart absolu moyen : moyenne des différences absolues entre chaque point

de données et la moyenne. Il fournit une mesure de l'écart moyen par

rapport à la moyenne.

Formula: MeanAbsoluteDeviation=∑i=1n∣X−μ∣nFormula:

MeanAbsoluteDeviation=n∑i=1n ∣X−μ∣ ​ ​

 Coefficient de variation (CV) :

Le CV est le rapport entre l'écart type et la moyenne, exprimé en

pourcentage. Il est utile pour comparer la variabilité relative de différents

ensembles de données.

CV=(σμ)∗ 100CV=(μσ )∗ 100

​

Mesure de la forme

1. Asymétrie

L'asymétrie est la mesure de l'asymétrie de la distribution de probabilité

autour de sa moyenne.
Types de données biaisées

Types de données biaisées

 Asymétrie positive (droite) : moyenne > médiane

 Asymétrie négative (gauche) : moyenne < médiane

 Symétrique : Moyenne = Médiane

2. Kurtosis

L'aplatissement quantifie le degré d'écart d'une distribution de probabilité

par rapport à la distribution normale. Il évalue l'« aplatissement » de la

distribution, indiquant si ses queues sont plus ou moins épaisses qu'une

distribution normale. Un aplatissement élevé implique des valeurs plus

extrêmes dans la distribution, tandis qu'un aplatissement faible indique une

distribution plus plate.

Types de kurtosis

Types de kurtosis

 Mésokurtique : distribution normale (kurtosis = 3)

 Leptokurtique : queues lourdes (kurtosis > 3)

 Platykurtic : queues claires (kurtosis < 3)

Mesure de la relation

 Covariance : La covariance mesure le degré auquel deux variables changent

ensemble.

Cov(x,y)=∑(Xi−X‾)(Yi−Y‾)nCov(x,y)=n∑(Xi −X)(Yi −Y)

​ ​ ​

 Corrélation : La corrélation mesure la force et la direction de la relation

linéaire entre deux variables. Elle est représentée par un coefficient de

corrélation compris entre -1 et 1. Une corrélation positive indique une

relation directe, tandis qu'une corrélation négative implique une relation

inverse. Le coefficient de corrélation de Pearson est donné par :

 ρ(X,Y)=cov(X,Y)σXσYρ(X,Y)=σX σY cov(X,Y)
​ ​ ​

théorie des probabilités

Voici quelques concepts ou terminologies de base utilisés en probabilités :

Terme Définition

L'ensemble de tous les résultats possibles dans une

Espace échantillon
expérience de probabilité.

Événement Un sous-ensemble de l'espace échantillon.

Probabilité conjointe Probabilité d'occurrence des événements A et B.

(intersection d'événements) Formule : P(A et B) = P(A) × P(B)

Probabilité d'occurrence des événements A ou B.

Union des événements
Formule : P(A ou B) = P(A) + P(B) - P(A et B)

Probabilité de l'occurrence de l'événement A lorsque

Probabilité conditionnelle l'événement B s'est produit. Formule : P(A | B) = P(A

et B)/P(B)

Théorème de Bayes

Le théorème de Bayes est un concept fondamental de la théorie des

probabilités qui relie les probabilités conditionnelles. Il doit son nom au

révérend Thomas Bayes, qui l'a introduit pour la première fois. Le théorème

de Bayes est une formule mathématique permettant d'actualiser les

probabilités en fonction de nouvelles données. Sa formule est la suivante :

P(A∣B)=P(B∣A)×P(A)P(B)P(A∣B)=P(B)P(B∣A)×P(A) ​

où

 P ( A ∣ B ) : Probabilité de l'événement A sachant que l'événement B s'est

produit (probabilité a posteriori).

 P ( B ∣ A ) : Probabilité de l'événement B étant donné que l'événement A

s'est produit (vraisemblance).

Types de fonctions de probabilité

 Fonction de masse de probabilité (PMF) : La fonction de masse de

probabilité est un concept de variable aléatoire discrète.

 Fonction de densité de probabilité (PDF) : La fonction de densité de

probabilité décrit la probabilité qu'une variable aléatoire continue se situe

dans une plage particulière.

 Fonction de distribution cumulative (CDF) : La fonction de distribution

cumulative donne la probabilité qu'une variable aléatoire prenne une valeur

inférieure ou égale à une valeur donnée.

 Fonction de distribution empirique (EDF) : estime la CDF à l'aide de

données d'échantillons observées.

Fonctions de distribution de probabilité

1. Distribution normale ou gaussienne

La distribution normale est une distribution de probabilité continue

caractérisée par sa courbe en forme de cloche et peut être décrite par la

moyenne (μ) et l'écart type (σ).

Formule: f(X∣μ,σ)=ϵ−0.5(X−μσ)2σ(2π)f(X∣μ,σ)=σ( 2π)ϵ−0.5(σX−μ )

​ ​

2
​

Règle empirique (règle 68-95-99,7) : ~68 % des données dans 1σ, ~95 %

dans 2σ, ~99,7 % dans 3σ.

Utilisation : Détection de valeurs aberrantes, modélisation de phénomènes

naturels.

Théorème central limite : Le théorème central limite (TCL)

stipule que, quelle que soit la forme de la distribution de

population d'origine, la distribution d'échantillonnage de la

 moyenne de l'échantillon sera approximativement normalement

distribuée si la taille de l'échantillon tend vers l'infini.

2. Distribution t de Student

La distribution t , également connue sous le nom de distribution t de Student,

est une distribution de probabilité utilisée en statistiques.

f(t)=Γ(df+12)dfπΓ(df2)(1+t2df)−df+12f(t)=dfπ Γ(2df )Γ(2df+1 ) (1+dft

​ ​ ​ ​

2
​ )−2df+1 ​

 Paramètre : Degrés de liberté (df).

 Utilisation : Test d'hypothèses avec de petits échantillons.

3. Distribution du chi carré

La distribution du chi carré , notéeχ2χ2est une distribution de probabilité

utilisée en statistique, elle est liée à la somme des carrés des écarts normaux

standard.

χ2=12k/2Γ(k/2)xk2−1e−x2χ2=2k/2Γ(k/2)1 x2k −1e2−x

​ ​ ​

4. Distribution binomiale

La distribution binomiale modélise le nombre de succès dans un nombre fixe

d'essais de Bernoulli indépendants, où chaque essai a la même probabilité de

succès ( p ).
 Formule: P(X=k)=(kn)pk(1−p)n−kP(X=k)=(kn )pk(1−p)n−k
​

5. Distribution de Poisson

La distribution de Poisson modélise le nombre d'événements survenant dans

un intervalle de temps ou d'espace fixe. Elle est caractérisée par un seul

paramètre ( λ ), le taux moyen d'occurrence.

Formule: P(X=k)=ϵ−λλkk!P ( X=k )=k !ϵ− λλk ​

6. Distribution uniforme

La distribution uniforme représente une probabilité constante pour tous les

résultats dans une plage donnée.

Formule: f(X)=1b−unf ( X )=b − a1 ​

Estimation des paramètres pour l'inférence statistique

 Population : La population est l’ensemble du groupe sur lequel des

conclusions sont tirées.

 Échantillon : L’échantillon est un sous-ensemble de la population utilisé

pour faire des inférences.

 Espérance (E[x]) : L'espérance est la valeur moyenne ou attendue d'une

variable aléatoire.

 Paramètre : une valeur numérique qui décrit une population (par exemple,

μ, σ, p).
 Statistique : Valeur calculée à partir de données d’échantillon pour estimer

un paramètre de population.

 Estimation : processus de déduction de paramètres de population à partir

de statistiques d’échantillon.

 Estimateur : Règle ou formule permettant d'estimer un paramètre

inconnu.

 Biais : la différence entre la valeur attendue d'un estimateur et le vrai

paramètre.

Bjeuns(θ^)=E(θ^)−θBiais (​ ​ θ)=E (θ)−θ

Tests d'hypothèses

Les tests d’hypothèses permettent de tirer des conclusions sur un paramètre

de population en fonction des statistiques d’un échantillon.

1. Hypothèse nulle (H₀ ) : Il n’y a pas de différence ou d’effet significatif.

2. Hypothèse alternative (H₁) : Il y a un effet significatif, c'est-à-dire que

l'affirmation donnée peut être fausse.

3. Degrés de liberté : En statistique , les degrés de liberté (dl) représentent le

nombre de valeurs ou de quantités libres de variation dans le calcul final

d'une statistique. Ils sont principalement définis comme la taille d'échantillon

un (n-1).

4. Niveau de signification(αα) : Il s'agit du seuil utilisé pour déterminer la

signification statistique. Les valeurs courantes sont 0,05, 0,01 ou 0,10.

5. Valeur p : La probabilité de la valeur p d'observer les résultats si H₀ est

vrai.

 Si p ≤ α : rejeter H₀

 Si p > α : ne pas rejeter H₀

6. Erreur de type I et erreur de type II

 Erreur de type I qui se produit lorsque l'hypothèse nulle est vraie, mais que

le test statistique la rejette à tort. On l'appelle souvent « faux positif » ou

« erreur alpha ».

 Erreur de type II qui survient lorsque l'hypothèse nulle est fausse, mais que

le test statistique ne parvient pas à la rejeter. On parle souvent de « faux

négatif ».

7. Intervalles de confiance : Un intervalle de confiance est une plage de

valeurs utilisée pour estimer la valeur réelle d'un paramètre de population

avec un certain niveau de confiance. Il fournit une mesure de l'incertitude ou

de la marge d'erreur associée à une statistique d'échantillon, telle que la

moyenne ou la proportion de l'échantillon.

Exemple de test d'hypothèse (refonte d'un site Web)

Une entreprise de commerce électronique souhaite savoir si la

refonte d’un site Web affecte la durée moyenne de session des

utilisateurs.

 Avant : Moyenne = 3,5 min, SD = 1,2, n = 50

 Après : Moyenne = 4,2 min, SD = 1,5, n = 60

Hypothèses:

 H₀ : Aucun changement (μ_after − μ_before = 0)

 H₁ : Variation positive (μ_après − μ_avant > 0)

Niveau de signification : α = 0,05

Test : Différence des moyennes -> calcul de la valeur p

Interprétation:

 Si p < 0,05 : la refonte a considérablement augmenté la

durée de la session

 Si p ≥ 0,05 : Aucun effet significatif

Tests statistiques
Les tests paramétriques sont des méthodes statistiques qui supposent que les

données suivent une distribution normale.

Test Z test t Test F

Compare les

Teste si la moyenne d'un Compare les moyennes lorsque variances de

échantillon diffère d'une l’écart type de la population est deux ou

moyenne de population connue. inconnu. plusieurs

groupes.

Pour tester

si les

L’écart type de la population est variances des

Petits échantillons ou écart type
connu et la taille de l’échantillon groupes sont
de population inconnu.
est grande. significative

ment

différentes.

Test à un échantillon :
Un échantillon :

Z= F=s12s22F=s22​
t =X‾−μsnn​ s​ X− μ​

X‾−μσnn​ σ​ X− μ​ s12​ ​

Test à deux échantillons :

 Test Z test t Test F

Test à deux échantillons : t=X1‾−X2‾s12n1+s22n2t=n1​ s12​ ​ +n2​ s22​ ​

​ X1​ ​ −X2​ ​ ​
Z

Test t apparié :
=X1‾−X2‾σ12n1+σ22n2n1​ σ12​ ​ +n2​ σ22​ ​

​ X1 ​ ​ −X2​ ​ ​
t=d‾sdnn​ sd​ ​ d​

d= différence

ANOVA (analyse de la variance)

Source Somme des carrés Degrés carrés Valeur F

de de moyens

variation liberté

Entre les df 1 = MSB = SSB/

SSB=Σn1(xˉ1−xˉ)2Σ n1​ (xˉ1​ −xˉ)2 f=MSB/MSE
groupes k-1 (k-1)

Erreur df 2 =
SSE=ΣΣ(xˉ1−xˉ)2ΣΣ (xˉ1​ −xˉ)2 MSE=SSE/(Nk)
N-1

Total df 3 =
SST = SSE + SSE
N-1

Il existe principalement deux types d' ANOVA :

1. ANOVA à un facteur : compare les moyennes de 3 groupes ou plus.

 H₀ : Toutes les moyennes des groupes sont égales

 H₁ : Au moins un groupe diffère

2. ANOVA à deux facteurs : teste l'impact de deux variables catégorielles et

leur interaction

Test du Chi carré

Le test du Khi-carré est un test statistique utilisé pour déterminer s'il existe

une association significative entre deux variables catégorielles. Il compare les

fréquences observées dans un tableau de contingence avec les fréquences.

Formule:X2=Σ(Ojej−Ejej)2EjejX2=ΣEij ( Oij − Eij )2

​ ​ ​ ​

Ce test est également réalisé sur des big data avec un nombre multiple

d'observations.

Test non paramétrique

Les tests non paramétriques ne font aucune hypothèse sur la distribution des

données. Ils sont utiles lorsque les données ne répondent pas aux hypothèses

requises pour les tests paramétriques.

 Test U de Mann-Whitney : Ce test permet de déterminer s'il existe une

différence entre deux groupes indépendants lorsque la variable dépendante

est ordinale ou continue. Il est applicable lorsque les hypothèses d'un test t
 ne sont pas vérifiées. Il classe tous les points de données, combine les rangs

et calcule la statistique du test.

 Test de Kruskal-Wallis : Ce test permet de déterminer s'il existe des

différences entre trois groupes indépendants ou plus lorsque la variable

dépendante est ordinale ou continue. Il s'agit d'une alternative non

paramétrique à l'ANOVA à un facteur.

Tests A/B ou tests fractionnés

Les tests A/B , également appelés tests fractionnés, sont une méthode utilisée

pour comparer deux versions (A et B) d'une page Web, d'une application ou

d'un élément marketing afin de déterminer laquelle est la plus performante.

Exemple : un chef de produit modifie la couleur du bouton « Acheter

maintenant » d'un site web du vert au bleu afin d'améliorer le taux de clics

(CTR). En formulant des hypothèses nulles et alternatives, les utilisateurs sont

répartis en groupes A et B et les CTR sont enregistrés. Des tests statistiques

comme le khi carré ou le test t sont appliqués avec un intervalle de confiance

de 5 %. Si la valeur de p est inférieure à 5 %, le chef de produit peut conclure

que le changement de couleur du bouton a un impact significatif sur le CTR,

ce qui éclaire les décisions de mise en œuvre permanente.

Régression

La régression est une technique statistique utilisée pour modéliser la relation

entre une variable dépendante et une ou plusieurs variables indépendantes.

 L'équation de régression : et=α+βxet=α+β x

Où,

 y est la variable dépendante,

 x est la variable indépendante

 ααest l'interception

 ββest le coefficient de régression.

Le coefficient de régression est une mesure de la force et de la direction de la

relation entre une variable prédictive (variable indépendante) et la variable

de réponse (variable dépendante

)β=∑(Xje−X‾)(Yje−Y‾)∑(Xje−X‾)2β=∑ ( Xje −X)2∑ ( Xje −X) ( Ouije −Y)

​ ​ ​ ​

Distributions de données probabilistes en science

des données
Dernière mise à jour : 23 juil. 2025





Comprendre le comportement des données est l'une des premières étapes de

la science des données. Avant de se lancer dans la construction de modèles ou

l'analyse, il est essentiel de comprendre la répartition des valeurs de notre

ensemble de données, et c'est là qu'interviennent les distributions de

probabilité.

Commençons par un exemple simple : si vous lancez un dé correct, la

probabilité d'obtenir un 6 est de 1 sur 6, soit 16,67 %. Il s'agit d'un exemple

simple de distribution de probabilités, une façon de décrire la probabilité de

différents résultats.

Distributions de données de probabilité

Lorsqu'il s'agit de données complexes telles que les achats des clients, les cours

des actions ou la météo, les distributions de probabilités aident à répondre

aux questions suivantes :

 Qu’est-ce qui est le plus susceptible de se produire ?

 Quels sont les résultats rares ou inhabituels ?

 Les valeurs sont-elles proches ou dispersées ?

Cela nous aide à faire de meilleures prévisions et à comprendre l’incertitude.

Pourquoi les distributions de probabilité sont-elles

importantes ?

 Expliquer comment les données se comportent (regroupées ou dispersées)

 Constituent la base des modèles d'apprentissage automatique

 Utilisé dans les tests statistiques (par exemple, la valeur p )

 Aider à identifier les valeurs aberrantes et à faire des prédictions

Avant cela, nous devons comprendre les variables aléatoires, qui attribuent

des numéros aux résultats d’événements aléatoires (par exemple, lancer un

dé).

Les variables aléatoires sont :

Discret : uniquement des valeurs spécifiques (par exemple, le

nombre de personnes)

Continu : toute valeur dans une plage (par exemple, hauteur,

température)

Composants clés des distributions de probabilité

Maintenant que nous comprenons les variables aléatoires , explorons

comment nous décrivons leurs probabilités à l’aide de trois concepts clés :

1. Fonction de masse de probabilité (FMP) : Utilisée pour les variables

discrètes (par exemple, le nombre de produits achetés). Elle donne la

probabilité de chaque valeur exacte. Par exemple, 25 % des clients achètent

exactement 3 produits.

2. Fonction de densité de probabilité (PDF) : Utilisée pour les variables

continues (par exemple, le montant dépensé). Elle montre la répartition des

probabilités sur une plage, mais pas la probabilité d'obtenir une valeur exacte,

car les valeurs peuvent être infinies.

3. Fonction de distribution cumulative (FDC) : Utilisée pour les deux types de

distribution, elle indique la probabilité qu'une valeur soit inférieure ou égale à

un certain nombre. Par exemple, FDC(3) = 0,75 signifie que 75 % achètent

3 produits ou moins ; FDC(50 $) = 0,80 signifie que 80 % dépensent 50 $ ou

moins. Pour trouver la FDC, nous pouvons utiliser la formule ci-dessous :

CD
F : FX(x)=P(X≤x)=∫−∞xf(t)dtCDF : FX ( x )=P ( X≤x )=∫− ∞x f
​ ​

( t )d t

Où F(x) est la CDF et f(t) est la PDF.

Types de distributions de probabilité

Les distributions de probabilité peuvent être divisées en deux types principaux

en fonction de la nature des variables aléatoires : discrètes et continues .

Distributions de données discrètes

Une distribution discrète est utilisée lorsque la variable aléatoire peut prendre

des valeurs dénombrables et spécifiques. Par exemple, pour prédire le nombre

de produits qu'un client achète lors d'une commande, les résultats possibles

sont des nombres entiers comme 0, 1, 2, 3, etc. On ne peut pas acheter 2,5

produits ; il s'agit donc d'une variable aléatoire discrète. Elle comprend

différentes distributions. Examinons-les une par une :

1. Distribution binomiale

La distribution binomiale calcule la probabilité d'obtenir un certain nombre

de succès après un nombre fixe d'essais. Par exemple, lancer une pièce 10 fois

et compter les faces.

 Nombre d'essais : 10

 Deux résultats par essai : pile (succès) ou face (échec)

 Probabilité de succès (faces) : 0,5

 Affiche la probabilité d'obtenir 0 à 10 faces

Distribution binomiale

2. Distribution de Bernoulli

La distribution de Bernoulli décrit les expériences comportant un seul essai et

deux résultats possibles : succès ou échec. C'est la distribution de probabilité la

plus simple. Par exemple, lancer une pièce de monnaie et vérifier si elle

tombe sur face.

 Un seul essai

 Deux résultats : pile (succès) ou face (échec)

 Probabilité de succès : 0,5

 Le graphique montre deux barres représentant le succès (1) et l'échec (0)

avec des probabilités égales

Distributions de Bernoulli

3. Distribution de Poisson

La distribution de Poisson modélise le nombre d'événements aléatoires se

produisant à un moment ou dans une zone donnée. Par exemple, le

comptage du nombre de clients entrant dans un café par heure. Elle permet

de prédire la probabilité d'observer un nombre spécifique d'événements en

fonction du taux moyen.

 Compte les événements dans un intervalle fixe

 Le taux moyen (par exemple, 5 clients/heure) est connu

 Calcule la probabilité de comptages exacts (par exemple, exactement 3

clients)

 Le graphique montre une courbe centrée autour du taux moyen,

diminuant pour les comptages moins probables

 D

istributions de Poisson

4. Distributions géométriques

La distribution géométrique modélise le nombre d'essais nécessaires pour

obtenir le premier succès lors de tentatives répétées et indépendantes. Par

exemple, le nombre d'e-mails à envoyer avant qu'un client effectue un achat.

Elle permet de prédire les chances de succès à chaque essai.

 Compte les essais jusqu'au premier succès

 Chaque essai est indépendant avec une probabilité de succès fixe

 Utile pour des questions telles que « Combien d’e-mails jusqu’au premier

achat ? »
 Le graphique montre une courbe décroissante : moins d’essais sont

probables

Distribution géométrique

Distributions de données continues

Une distribution continue est utilisée lorsque la variable aléatoire peut

prendre n'importe quelle valeur dans une plage spécifiée, comme lorsque nous

analysons combien d'argent un client dépense dans un magasin, le montant

peut alors être n'importe quel nombre réel, y compris des décimales comme

25,75 $, 50,23 $, etc.

Dans les distributions continues, la fonction de densité de probabilité

(PDF) montre comment les probabilités sont réparties sur les valeurs possibles.

L'aire sous la courbe de cette PDF représente la probabilité que la variable

aléatoire se situe dans un intervalle donné. Examinons maintenant quelques

types de distributions de probabilité continues couramment utilisées en

science des données :

1. Distribution normale

La distribution normale , ou courbe en cloche, est l'une des distributions de

données les plus courantes. La plupart des valeurs se regroupent autour de la

moyenne, avec un nombre plus restreint de valeurs plus loin, formant une

forme symétrique. Elle est idéale pour modéliser des éléments comme la taille

des personnes.

 La moyenne est le centre de la courbe

 Distribution symétrique (les côtés gauche et droit se reflètent l'un l'autre)

 L'écart type montre à quel point les données sont dispersées

 Un écart type plus petit signifie que les données sont plus proches de la

moyenne
Distribution normale

2. Distribution exponentielle

La distribution exponentielle modélise le temps entre des événements se

produisant indépendamment et en continu. Par exemple, le temps entre

deux arrivées de clients dans un magasin. Elle permet de prédire le temps

d'attente avant le prochain événement.

 Modélise le temps d'attente entre les événements

 Le temps moyen (par exemple, 10 minutes entre les clients) définit le taux

(λ)

 Les événements se produisent de manière indépendante et continue

 Utile pour prédire le temps jusqu'au prochain événement

Distributions exponentielles

Bien que la distribution exponentielle se concentre sur les temps d'attente, il

est parfois nécessaire de modéliser des situations où chaque résultat est

équivalent. Dans ce cas, nous utilisons la distribution uniforme .

3. Distribution uniforme

La distribution uniforme signifie que tous les résultats d'une plage sont

également probables. Par exemple, lancer un dé à six faces ou tirer un

nombre aléatoire entre 0 et 1. Elle s'applique aux cas discrets et continus.

 Tous les résultats ont la même probabilité

 Exemple discret : lancer un dé (1 à 6)

 Exemple continu : nombre aléatoire compris entre 0 et 1

Distribution uniforme

4. Distribution bêta

Dans les problèmes concrets, les probabilités évoluent souvent à mesure que

nous apprenons. La distribution bêta permet de modéliser cette incertitude

et d'actualiser les croyances avec de nouvelles données. Par exemple, elle

permet d'estimer la probabilité qu'un client clique sur une publicité.

 Modèles changeant les probabilités entre 0 et 1

 Les paramètres (α et β) contrôlent la confiance et la forme

 Couramment utilisé dans les statistiques bayésiennes et les tests A/B

Distribution bêta

5. Distribution gamma

La distribution Gamma modélise le temps total nécessaire à la réalisation de

plusieurs événements indépendants. Elle étend la distribution exponentielle

pour couvrir plusieurs tâches ou événements. Par exemple, elle permet

d'estimer le temps total nécessaire à la réalisation de trois tâches de projet

de durées variables.

 Modélise le temps total pour plusieurs événements

 Le paramètre de forme (κ) contrôle le nombre d'événements

 Le paramètre d'échelle (θ) contrôle la durée de l'événement

distributions gamma

6. Distribution du khi carré

La distribution du khi carré est utilisée dans les tests d'hypothèses pour

vérifier les relations entre variables catégorielles. Par exemple, pour vérifier si

le sexe influence la préférence pour le café ou le thé. Elle permet de

déterminer si les différences observées sont dues au hasard.

 Utilisé pour tester l'indépendance entre les catégories

 Fonctionne avec des tables de contingence

 Les degrés de liberté dépendent du nombre de catégories

Distributions du Chi carré

7. Distribution log-normale

La distribution log-normale modélise les données qui croissent de manière

multiplicative au fil du temps, comme les cours des actions ou les revenus. Si

le logarithme des données est distribué normalement, les données d'origine

suivent une distribution log-normale. Elle ne modélise que les valeurs positives.

 Modélise les processus de croissance multiplicatifs

 Les données ne peuvent pas être négatives

 Couramment utilisé pour les cours des actions et les revenus

Distribution log-normale

Il est maintenant temps de résumer toutes les distributions que nous avons

étudiées :

Cela ressemble à une cloche et la plupart des données se trouvent au milieu

et quelques valeurs se trouvent aux extrémités.

Distributions Caractéristiques principales Usage

Distributions Cela permet d'ajuster les

normales données afin de faciliter leur Utilisé pour la mise à l'échelle des

analyse et de trouver des fonctionnalités, les hypothèses du

valeurs inhabituelles comme des modèle et la détection des

erreurs ou des valeurs anomalies

aberrantes.
Distributions Caractéristiques principales Usage

Exponentiel Aide à prédire quand un serveur

Il mesure le temps qu'il faut
risque de tomber en panne ou
Distributions
pour qu'un événement se
combien de temps il faudra aux
produise, comme l'attente d'un
clients pour arriver dans un
événement.
magasin.

Distributions Dans ce cas, tous les résultats

Il est utilisé pour sélectionner des
uniformes possibles sont également
échantillons aléatoires dans un
probables ; aucun résultat n’est
groupe.
plus probable qu’un autre.

Distributions Ceci est utile pour les tests A/B

Nous aide à mettre à jour nos
bêta (comparer deux options) et
suppositions sur les chances en
déterminer la fréquence à
fonction de nouvelles
laquelle les gens cliquent sur les
informations.
liens.

Distributions Le gamma mesure le temps Aide à prédire quand les

gamma total nécessaire à plusieurs systèmes pourraient tomber en

événements pour se produire panne et à évaluer les risques

Distributions Caractéristiques principales Usage

l’un après l’autre. dans diverses situations.

Distributions aide à analyser les résultats des

du Chi carré Il vérifie s’il existe une relation enquêtes auprès des clients pour

entre différentes catégories de voir si différents groupes ont des

données. opinions ou des comportements

différents.

Distributions Il montre comment les choses

Utilisé pour prédire les prix des
log-normales évoluent au fil du temps, en
actions et comprendre comment
particulier lorsque la croissance
les niveaux de revenu sont
se produit par étapes plutôt que
répartis entre les personnes.
d'un seul coup.

Distributions Utile pour déterminer la

binomiales Cela modélise le nombre de probabilité d'un certain nombre

succès dans plusieurs essais. de succès dans un nombre fixe

d'essais

Distributions Bernoulli modélise un essai Principalement utilisé dans le

de Bernoulli unique avec deux résultats contrôle qualité pour évaluer les
 Distributions Caractéristiques principales Usage

(succès/échec). situations de réussite/échec.

Distributions Il trouve le nombre

Permet de prédire le nombre
de Poisson d’événements se produisant
d'arrivées de clients dans un
dans un intervalle de temps ou
magasin au cours d'une heure.
d’espace fixe.

Distributions Utile pour comprendre combien

géométriques Il est utile de déterminer le de tentatives il faut avant

nombre d’essais nécessaires d'obtenir le premier succès, par

avant d’obtenir le premier exemple combien de fois vous

succès. devez lancer une pièce avant

d'obtenir une face.

Dans cet article, nous apprenons les distributions de probabilité importantes

utilisées pour faire des prédictions et comprendre les données. Nous

aborderons ensuite les statistiques inférentielles et apprendrons à en tirer des

conclusions.
 Calcul pour l'apprentissage automatique :
concepts clés et applications
Dernière mise à jour : 13 septembre 2025





Le calcul différentiel et intégral est un outil essentiel au développement

d'algorithmes et de modèles d'apprentissage automatique. Il offre un cadre

mathématique pour décrire comment les machines apprennent et optimisent

leurs performances. Il permet aux praticiens d'analyser et d'améliorer le

processus d'apprentissage en modélisant les changements de comportement

des systèmes.

Comment le calcul est utilisé dans le ML

Pourquoi le calcul est-il important dans l'apprentissage automatique

Le calcul est important car il permet :

 Optimisation : Utilisé dans des algorithmes comme la descente de gradient

pour minimiser ou maximiser les fonctions de coût.

 Comprendre les algorithmes : aide à expliquer comment les algorithmes

fonctionnent en interne, comme la rétropropagation dans les réseaux

neuronaux.

 Approximation de fonction : utilisée lorsque des solutions exactes ne sont

pas possibles, pour approximer les fonctions mathématiquement.

Concepts fondamentaux du calcul pour l'apprentissage

automatique

1. Différenciation

La différenciation mesure l'évolution de la sortie d'une fonction par rapport à

son entrée. En apprentissage automatique, elle est utilisée pour :

 Calculer les gradients dans la descente de gradient.

 Optimiser les fonctions de coût.

 Comprendre comment de petits changements d’entrée affectent les

prédictions.

2. Dérivées partielles

Les dérivées partielles étendent la différentiation aux fonctions à variables

multiples, mesurant l'évolution de la fonction lorsqu'une variable varie tandis

que les autres restent constantes. Elles sont importantes pour :

 Problèmes d'optimisation multivariables.

 Modèles d'entraînement avec plusieurs paramètres (comme les réseaux

neuronaux).

3. Gradient et descente de gradient

Le gradient est un vecteur de dérivées partielles indiquant la direction de la

plus forte pente ascendante d'une fonction. La descente de gradient utilise ce

gradient pour trouver le minimum de la fonction :

 Réglage des paramètres du modèle dans la direction opposée du gradient.

 Minimiser de manière itérative la fonction de coût pendant la formation

4. Règle de la chaîne

La règle de dérivation en chaîne calcule la dérivée des fonctions composées.

Elle est essentielle dans :

 Rétropropagation, où les dérivés sont enchaînés à travers des couches.

 Calculer efficacement les gradients dans les modèles d'apprentissage

profond.

5. Matrices jacobiennes et hessiennes

 Matrice jacobine : contient toutes les dérivées partielles du premier ordre

d'une fonction à valeur vectorielle.

 Matrice hessienne : Contient toutes les dérivées partielles du second ordre

d'une fonction scalaire.

Ces matrices sont utilisées dans :

 Analyse de la courbure des fonctions de coût.

 Mise en œuvre de techniques d’optimisation avancées comme la méthode

de Newton.

Application du calcul aux algorithmes d'apprentissage

automatique

1. Régression linéaire

Régression linéaire en cours de fonctionnement

 la régression linéaire utilise le calcul pour dériver les équations normales

pour la solution des moindres carrés.

 La fonction de coût (erreur quadratique moyenne) est minimisée à l’aide

de la différenciation pour trouver les paramètres optimaux.

 La différenciation fournit des équations permettant de résoudre

directement les paramètres du modèle.

2. Régression logistique

Régression logistique

 La régression logistique utilise la fonction sigmoïde pour modéliser les

probabilités des résultats binaires.

 La fonction de coût (perte logarithmique) est minimisée à l'aide de la

descente de gradient, qui repose sur des dérivées.

 Les gradients de la fonction de coût guident les mises à jour des

paramètres pendant la formation.

3. Réseaux neuronaux
réseaux neuronaux

 Les réseaux neuronaux s’appuient fortement sur le calcul, en particulier

dans l’algorithme de rétropropagation.

 La règle de la chaîne calcule le gradient de la fonction de perte par

rapport à chaque poids.

 Cela permet des mises à jour de poids efficaces pendant l'entraînement

pour réduire la valeur de la fonction de perte.

4. Machines à vecteurs de support (SVM)

Machines à vecteurs de support

 Les SVM utilisent le calcul pour trouver l'hyperplan de séparation optimal

en maximisant la marge entre les classes.

 Résout un problème d'optimisation contraint en utilisant des

multiplicateurs de Lagrange (qui impliquent des dérivées partielles).

 Les conditions de gradient sont utilisées pour trouver les points qui se

trouvent sur la marge.

PRATIQUE
Algèbre linéaire

Dernière mise à jour : 22 mars 2024

Discuter
Commentaires
 Question 1

Supposons que la multiplication d'une matrice G 1 de dimension × par une autre

matrice G 2 de dimension × nécessite multiplications scalaires. Le calcul du

produit de n matrices G 1 G 2 G 3 … G n peut être effectué en les mettant entre

parenthèses de différentes manières.

Définissez G i G i+1 comme une paire explicitement calculée pour une parenthèse

donnée si elles sont directement multipliées.

Par exemple, dans la chaîne de multiplication de matrices

G 1 G 2 G 3 G 4 G 5 G 6 utilisant la parenthèse (G 1 (G 2 G 3 ))(G 4 (G 5 G 6 )), les

paires explicitement calculées sont G 2 G 3 et G 5 G 6 .

Considérons une chaîne de multiplication de matrices F 1 F 2 F 3 F 4 F 5 , où les

dimensions des matrices sont :

 F1 : 2 × 25

 F2 : 25 × 3

 F3 : 3 × 16

 F4 : 16 × 1

Dans la parenthèse de F 1 F 2 F 3 F 4 F 5 qui minimise le nombre total de

multiplications scalaires, la ou les paires explicitement calculées sont :


UN

F 1 F 2 et F 3 F 4 seulement


 
B

F 2 F 3 seulement



C

F 3 F 4 seulement



D

F 1 F 2 et F 4 F 5 seulement

Discutez-en

Question 2

Laquelle des propositions suivantes est utilisée pour déterminer la spécificité des

exigences ? (1) n 1 /n 2 (2) n 2 / n 1 (3) n 1 +n 2 (4) n 1 - n 2 Où n 1 est le nombre

d'exigences pour lesquelles tous les examinateurs ont des interprétations identiques,

n 2 est le nombre d'exigences dans une spécification.


UN


(1)


B


(2)


 C


(3)


D


(4)


Discutez-en

Question 3

Un neurone avec 3 entrées a le vecteur de pondération [0,2 –0,1 0,1] T

et un biais θ

= 0. Si le vecteur d'entrée est X = [0,2 0,4 0,2] T

alors l'entrée totale du neurone

est :


UN


0,20


B


1.0


C


0,02


D


–1,0


Discutez-en
Question 4

Soient R et S deux relations floues définies

comme : Alors, la relation

résultante, T, qui relie les éléments de l'univers x aux éléments de l'univers z en

utilisant la composition max-min est donnée

par :


UN


(1)


B


(2)


C


(3)


D


(4)


Discutez-en
Question 5

Si A est une matrice antisymétrique, alors A t


UN

matrice diagonale



B

UN



C

-UN



D

Discutez-en

Question 6

Une matrice DFT 4×4 est donnée par :

12[11111x−1et1−11−11−j−1j] 1111 1x− 1− j 1− 11− 1 1et− 1j

21
​ ​ ​ ​ ​ ​ ​

2
(j = −1)

Où les valeurs de x et y sont _____, _____ respectivement.

 
UN

1, −1



B

−1, 1



C

−j, j



D

j, −j

Discutez-en

Réponse incorrecte !

Question 7

Dans une représentation de tableau unidimensionnel compact pour une matrice

triangulaire inférieure (tous les éléments au-dessus de la diagonale sont nuls) de taille

nxn, les éléments non nuls de chaque ligne sont stockés les uns après les autres, à

ème
partir de la première ligne, l'indice du (i, j) élément dans cette nouvelle

représentation est


UN


 i+ j



B

(j - 1) + i(i - 1)/2



C

i+ j- 1



D

i + j(j - 1)/2

Discutez-en

Question 8

Si C est une matrice antisymétrique d'ordre n et X est une matrice nx 1 colonne,

alors X T
CX est une


UN

matrice scalaire



B

matrice nulle


 
C

matrice unitaire



D

la matrice aura tous les éléments 1

Discutez-en

Question 9

Trouvez le produit booléen A⊙B des deux

matrices.


UN

(1)



B

(2)


 
C

(3)



D

(4)

Discutez-en

Question 10

Considérons une matrice P(2x2) dont les seuls vecteurs propres sont les multiples

de Considérons les affirmations suivantes. (I) P n'a pas d'inverse (II) P a une valeur

propre répétée (III) P ne peut pas être diagonalisée Laquelle des options suivantes est

correcte ?[14][14 ]
​


UN

Seuls I et III sont nécessairement vrais



B

Seul II est nécessairement vrai

 

C

Seuls I et II sont nécessairement vrais



D

Seuls II et III sont nécessairement vrais

Discutez-en

Question 11

Considérons l'algorithme de génération de droite de Breshenham pour une droite

dont le gradient est supérieur à 1, le point courant (x i , y i ) et le paramètre de

décision d i . Le point suivant à tracer (x i+1 ,y i+1 ) et le paramètre de décision mis à

jour d i+1 , pour d i < 0, sont donnés par _______.


UN

x je+1 =x je +1 y je+1 = y je ré je +1 = di je + 2 dy



B

x je+1 =x je y je+1 =y je +1 ré je+1 = di je + 2 dx



C

x i+1 =xiy i+1 = y i +1 d i+1 = d i + 2 (dx -dy)

 

D

x i+1 = x i +1 y i+1 = y i +1 d i+1 = d i + 2 (dx -dy)

Discutez-en

Question 12

Trouvez le déterminant de la matrice suivante :

[60−12−12364−3001572] 6− 141 02− 35 − 1307 2602

​ ​ ​ ​ ​ ​


UN

-708



B

-452



C

-844



D

-588

Discutez-en
Question 13

La matrice A a (1, 2, 1) T
et (1, 1, 0) T
comme vecteurs propres, tous deux avec une

valeur propre de 7, et sa trace est 2. Le déterminant de A est __________ .


UN

84



B

588



C

49



D

Aucun de ceux-ci

Discutez-en

Question 14

Laisser

A =[4−212012−23] 422 − ​ ​ 20− 2 113

​ ​ ​

v 1 =[110] 110
​ ​ ​
v 2 =[012] 012
​ ​ ​

v 3 =[12−1] 12−​ 1 ​ ​

v 4 =[114] 114
​ ​ ​

Laquelle des affirmations suivantes est correcte ?


UN

v 3 et v 4 sont des vecteurs propres de A



B

v 2 et v 3 sont des vecteurs propres de A



C

v 1 et v 3 sont des vecteurs propres de A



D


 v 1 et v 2 sont des vecteurs propres de A

Discutez-en

Question 15

Une matrice orthogonale A a des valeurs propres 1, 2 et 4. Quelle est la trace de la

matriceUNTUNT?


UN


7/4


B


1/7


C


7


D


4/7


Discutez-en

Question 16
Les matrices commutent sous multiplication


UN

si a = b ou Θ = nπ, n un entier



B


toujours


C


jamais


D

si a cosΘ = b sin Θ

Discutez-en

Question 17

Soit Ax=b un système d'équations linéaires où A est une matrice m×n , b un vecteur

colonne m×1 et X un vecteur colonne n×1 d'inconnues. Laquelle des affirmations

suivantes est fausse ?


UN


Le système a une solution si et seulement si, A et la matrice augmentée [Ab] ont le même rang

 
B


Si m


C


Si m=n et b est un vecteur non nul, alors le système a une solution unique


D


Le système n'aura qu'une solution triviale lorsque m=n, b est le vecteur nul et rank(A) = n


Discutez-en

Question 18

Soit A = (a ij ) une matrice carrée à n lignes et I 12 la matrice obtenue en

intervertissant les première et deuxième lignes de la matrice d'identification à n

lignes. Alors AI 12 est telle que sa première


UN


la rangée est la même que sa deuxième rangée


B


la rangée est la même que la deuxième rangée de A


C


la colonne est la même que la deuxième colonne de A


 D


la ligne est entièrement à zéro


Discutez-en

Question 19

Le déterminant de la matrice[6−81102460048000−1] 6000 − 8200 1440 168− 1 est:

​ ​ ​ ​ ​ ​


UN

11



B

-48



C



D

-24

Discutez-en

Question 20

si
 Chiffre

alors, trouvez la valeur de x


UN



B



C



D

Discutez-en

Question 21

Si log(base a) 2 = x et log(base a) 8 = y, quelle est la valeur de log(base a) 16 ?


UN


 2x + y



B

2x - y



C

x+ y



D

4x

Discutez-en

Question 22

Pour deux vecteurs réels P et Q de dimension n, l'opération s(P,Q) est définie comme

suit :

Soit L un ensemble de vecteurs réels non nuls de dimension 10 tels que pour tout
couple de vecteurs distincts P,Q∈L, s(P,Q)=0. Quelle est la cardinalité maximale

possible pour l'ensemble L ?


UN



B

10



C

11



D

100

Discutez-en

Question 23

Supposons que P soit une matrice 4×5 telle que toute solution de l’équation Px=0 soit

T
un multiple scalaire de [2 5 4 3 1] . Le rang de P est __________ .


UN

4
 

B



C



D

Discutez-en

Question 24

Considérez la matrice suivante.

(0111101111011110) 0111 1011 1101 1110

​ ​ ​ ​ ​ ​

La plus grande valeur propre de la matrice ci-dessus est __________.


UN



B


 
C



D

12

Discutez-en

Question 25

Soient A et B deux matrices n×n sur des nombres réels. Soient rang(M) et det(M)

respectivement le rang et le déterminant d'une matrice M. Considérons les

affirmations suivantes.

I. rang (AB) = rang (A) × rang (B)

II. det(AB) = det(A) × det(B)

III. rang(A+B) ≤ rang(A) + rang(B)

IV. det(A+B) ≤ det(A) + det(B)

Lesquelles des affirmations ci-dessus sont VRAIES ?


UN

I et II seulement



B


 I et IV seulement



C

II et III seulement



D

III et IV seulement

Discutez-en

Question 26

Considérez la matrice

[202011001] 200 010 211

​ ​ ​ ​ ​

M = représente un ensemble de transformations géométriques planes (2D) en

coordonnées homogènes. Laquelle des affirmations suivantes concernant la matrice M

est vraie ?


UN

M représente d'abord une mise à l'échelle du vecteur (2, 1) suivie d'une translation

du vecteur (1, 1)



B


 M représente d'abord une translation du vecteur (1, 1) suivie d'une mise à l'échelle

du vecteur (2, 1)



C

M représente d'abord une mise à l'échelle du vecteur (3, 1) suivie d'un cisaillement

des paramètres (−1, 1)



D

M représente d'abord un cisaillement des paramètres (−1, 1) suivi d'une mise à

l'échelle du vecteur (3, 1)

Discutez-en

Question 27

Si les deux matrices[10x0x101x]unnd[x10x010x1] 100 0x1 x1x et​

​ ​ ​ ​ ​ ​ xx0 10x 011 ont le même
​ ​ ​ ​

déterminant, alors la valeur de x est


UN

1/2



B

√2



C
 

± 1/2



D

± 1/√2

Discutez-en

Question 28

T
Si une matrice carrée A satisfait A = I, alors la matrice A est


UN

Idempotent



B

Symétrique



C

Orthogonal



D

Hermitien


Discutez-en

Question 29


UN


779


B


679


C


0


D


256


Discutez-en

Question 30

Déterminer le nombre d'expressions nécessaires à la résolution d'un système

d'équations linéaires à n inconnues par la méthode d'élimination gaussienne.

Supposons qu'une opération corresponde à une multiplication suivie d'une addition.

Discutez-en
Question 31

Si A, B, C sont trois matrices quelconques, alors A'+ B'+ C' est égal à


UN

une matrice nulle



B

A+B+C



C

(A+B+C)'



D

-(A+B+C)

Discutez-en

Question 32

Si deux lignes adjacentes d'un déterminant sont interverties, la valeur du

déterminant


UN

devient zéro
 

B

reste inchangé



C

devient infinitif



D

devient négatif de sa valeur d'origine

Discutez-en

Question 33

Une matrice carrée A est dite orthogonale si A'A =


UN

je



B

UN



C


 -UN



D

-JE

Discutez-en

Question 34

Si A et B sont des matrices carrées de même ordre et que A est symétrique, alors

T
B AB


UN

Symétrique oblique



B

Symétrique



C

Orthogonal



D

Idempotent


 Discutez-en

Question 35

Associez les éléments suivants :

(a) Mesures axées (i) utilise le nombre d'interfaces externes

sur la taille comme l'un des paramètres de mesure
(b) Mesures (ii) conçu à l'origine pour être appliqué aux
orientées fonction systèmes d'information d'entreprise
(c) Mesures de (iii) dérivé en normalisant les mesures de
points de fonction qualité et/ou de productivité en tenant compte
étendus de la taille du logiciel
(d) Point de (iv) utilise les caractéristiques de
fonction l'algorithme comme l'un des paramètres de mesure

Codes:

1. (a) – (iii), (b) – (iv), (c) – (i), (d) – (ii)

2. (a) – (i), (b) – (i), (c) – (iv), (d) – (iii)

3. (a) – (iv), (b) – (ii), (c) – (iii), (d) – (i)

4. (a) – (iii), (b) – (i), (c) – (iv), (d) – (ii)


UN

(1)



B

(2)



C


 (3)



D

(4)

Discutez-en

Question 36

Combien y a-t-il de solutions pour l'équation x + y + z + u = 29 sous réserve des contraintes que x
≥ 1, y ≥ 2, z ≥ 3 et u ≥ 0 ?


UN


4960


B


2600


C


23751


D


8855


Discutez-en

Question 37
La méthode itérative de Guass-Seidal peut être utilisée pour résoudre lequel des

ensembles suivants ?


UN

Équations algébriques linéaires



B

Équations algébriques linéaires et non linéaires



C

Équations différentielles linéaires



D

Équations différentielles linéaires et non linéaires

Discutez-en

Question 38

Considérons le problème d'une chaîne < A 1 ,A 2 , A 3 ,A 4 > de quatre matrices.

Supposons que les dimensions des matrices A 1 , A 2 ,A 3 et A 4 soient

respectivement 30 × 35, 35 × 15, 15 × 5 et 5 × 10. Le nombre minimal de

multiplications scalaires nécessaires pour calculer le produit A 1 A 2 A 3 A 4 est ____.


 UN


14875


B


21000


C


9375


D


11875


Discutez-en

Question 39

Considérons l'ensemble H de toutes les matrices 3 × 3 du type

où a, b, c, d, e et f sont des nombres réels et abc ≠ 0. Sous l'opération de

multiplication matricielle, l'ensemble H est


UN


 un groupe



B

un monoïde mais pas un groupe



C

un semi-groupe mais pas un monoïde



D

ni un groupe ni un semi-groupe

Discutez-en

Question 40

Le rang de la matrice donnée est :

[1100][10 10 ]
​ ​


UN


 1



B



C



D

Discutez-en

Question 41

Considérons le système d'équations linéaires suivant. Notez que les deuxième et

troisième colonnes de la matrice des coefficients sont linéairement dépendantes. Pour

combien de valeurs de a ce système d'équations possède-t-il une infinité de solutions ?

 
UN


0


B


1


C


2


D


infiniment nombreux


Discutez-en

Question 42

Dans une matrice M'N telle que toutes les entrées non nulles soient couvertes dans a

lignes et b colonnes. Alors, le nombre maximal d'entrées non nulles, telles qu'aucune

ne soit sur la même ligne ou colonne, est


UN

≤ a+ b



 B

≤ max {a, b}



C

≤ min {Ma, Nb}



D

≤ min {a, b}

Discutez-en

Question 43

Combien de solutions possède le système d'équations linéaires suivant ?

-x + 5y = -1
x - y = 2
x + 3y = 3


UN

unique



B
 

deux solutions distinctes



C

infiniment nombreux



D

aucun de ceux-ci

Discutez-en

Question 44

Une matrice orthogonale A a pour valeurs propres 1, 2 et 4. Quelle est la trace de la

matrice A T
?


UN

0,125



B

1,75



C



 D

Aucune des réponses ci-dessus

Discutez-en

Question 45

Soient A, B, C et D des matrices n × n, chacune ayant un déterminant non nul. Si

-1
ABCD = 1, alors B est


UN

D -1
C -1
A -1



B

CDA



C

ADC



D
 

N'existe pas nécessairement

Discutez-en

Question 46

Le nombre de matrices symétriques n × n différentes dont chaque élément est égal à

0 ou 1 est : (Remarque : power(2, x) est identique à 2 x

)


UN

puissance(2, n)



B

puissance(2, n 2
)



C

puissance(2, (n 2
+ n)/2)



D


2
puissance(2, (n - n)/2)

Discutez-en

Question 47
Quelles sont les valeurs propres de la matrice 2 × 2 suivante ?

[2−1−45][2− 4 − 15 ] ​ ​


UN

-1 et 1



B

1 et 6



C

2 et 5



D

4 et -1

Discutez-en

Question 48

Considérons le système d'équations suivant à trois variables réelles x 1 ,x 2 et x 3

2x 1 - x 2 + 3x 3 = 1
3x 1 - 2x 2 + 5x 3 = 2
-x 1 + 4x 2 + x 3 = 3

Ce système d'équations a
 
UN

aucune solution



B

une solution unique



C

plus d'une mais un nombre fini de solutions



D

un nombre infini de solutions

Discutez-en

Question 49

Considérez les affirmations suivantes :

S1 : La somme de deux matrices n × n singulières peut être non singulière.

S2 : La somme de deux matrices n × n non singulières peut être singulière.

Laquelle des affirmations suivantes est correcte ?


UN

S1 et S2 sont tous deux vrais

 

B

S1 est vrai, S2 est faux



C

S1 est faux, S2 est vrai



D

S1 et S2 sont tous deux faux

Discutez-en

Question 50

Laquelle des affirmations suivantes est VRAIE à propos de chaque


UN

Si le produit de la trace et du déterminant de la matrice est positif, toutes ses

valeurs propres sont positives.



B


 Si la trace de la matrice est positive, toutes ses valeurs propres sont positives.



C

Si le déterminant de la matrice est positif, toutes ses valeurs propres sont positives.



D

Si la trace de la matrice est positive et le déterminant de la matrice est négatif,

au moins une de ses valeurs propres est négative.

Discutez-en

Question 51

Le produit des valeurs propres non nulles de la matrice

1 0 0 0 1
0 1 1 1 0
0 1 1 1 0
0 1 1 1 0
1 0 0 0 1

est ______


UN
 



B



C



D

Discutez-en

Question 52

Si la matrice A est telle que UN=[2−47][195]UN= 2− 47 [1 9 5 ], alors le déterminant de

​ ​ ​ ​ ​ ​

A est égal à


UN



B

1
 

C



D

Discutez-en

Question 53

Combien des matrices suivantes ont une valeur propre de 1 ?

[1000],[0100],[1−111][10 00 ],[00 10 ],[11 − 11 ]et[−101−1][− 11 0− 1 ]

​ ​ ​ ​ ​ ​ ​ ​


UN

Quatre



B

Trois



C

Deux



D
 

Un

Discutez-en

Question 54

Remarque : il s’agissait d’une question de type numérique.


UN



B



C



D


 3

Discutez-en

Question 55

Considérez la matrice suivante

UN= [23xet]UN= [2x 3et ]

​ ​

Si les valeurs propres de A sont 4 et 8, alors


UN

x=-3, y=9



B

x= -4, y=10



C

x=5, y=8


 
D

x=4, y=10

Discutez-en

Question 56

Considérez la matrice comme indiquée ci-dessous.

[123047003] 100 240 373

​ ​ ​ ​ ​

Laquelle des options suivantes fournit les valeurs CORRECTES des valeurs propres de

la matrice ?


UN

1, 4, 3



B

3, 7, 3



C

7, 3, 2



D


 1, 2, 3

Discutez-en

Question 57

Soit A une matrice 2 × 2 dont les éléments sont a 11 = a 12 = a 21 = +1 et a 22 = −1.

Les valeurs propres de la matrice A 19

sont alors


UN

1024 et -1024



B

1024√2 et -1024√2



C

4√2 et -4√2



D

512√2 et -512√2

Discutez-en

Question 58
Quelles valeurs de x, y et z satisfont le système d’équations linéaires suivant ?


UN

x = 6, y = 3, z = 2



B

x = 12, y = 3, z = -4



C

x = 6, y = 6, z = -4



D

x = 12, y = -3, z = 0

Discutez-en

Question 59

Considérez le déterminant suivant :

Δ=∣1unbc1bcun1cunb∣Δ= 111 unbc b cc aun b

​ ​ ​ ​ ​
Lequel des éléments suivants est un facteur de Δ ?


UN

a+b



B

un b



C

a+b+c



D

abc

Discutez-en

Question 60

Le rang de la matrice donnée ci-dessous est :

[1487003042313122421] 1043 40212 83324 70121

​ ​ ​ ​ ​ ​


UN



 B



C



D

Discutez-en

Question 61

Considérez l'ensemble d'équations suivant

x+2y = 5

4x+8y = 12

3x+6y+3z = 15

Cet ensemble-


UN


a une solution unique


B


n'a pas de solutions


 C


a un nombre fini de solutions


D


a un nombre infini de solutions


Discutez-en

Question 62

Combien y a-t-il de relations antisymétriques sur un ensemble à n éléments ?


UN

2 n
.3 n(n-1)/2



B


n
2



C

n 2



D


n


Discutez-en
Question 63

Supposons que les valeurs propres de la matrice A soient 1, 2, 4. Le déterminant de

(A −1
) T
est _________


UN

1/8



B



C

1/4



D

Discutez-en

Question 64

Considérons les systèmes, chacun constitué de m équations linéaires à n variables.

I. Si m < n, alors tous ces systèmes ont une solution.

II. Si m > n, alors aucun de ces systèmes n'a de solution
. III. Si m = n, alors il existe un système qui a une solution.
Laquelle des affirmations suivantes est CORRECTE ?


UN

I, II et III sont vrais



B

Seuls II et III sont vrais



C

Seul III est vrai



D

Aucun d'entre eux n'est vrai

Discutez-en

Question 65

Soit f(x) un polynôme et g(x) = f'(x) sa dérivée. Si le degré de (f(x) + f(−x)) est 10,

alors le degré de (g(x) − g(−x)) est ___________. [Cette question était initialement une

question à trous.]


UN

8
 

B



C



D

10

Discutez-en

Question 66

Deux valeurs propres d'une matrice réelle 3 × 3 P sont (2 + √ -1) et 3. Le

déterminant de P est _____


UN



B



C
 

15



D

-1

Discutez-en

Question 67

Soient H1, H2, H3,... des nombres harmoniques. Alors, pour peut

être exprimé comme


UN

nHn+1 - (n + 1)



B

(n + 1)Hn - n



C

nHn - n



D


 (n+1)Hn+1—(n+1)

Discutez-en

Question 68

Lequel des énoncés suivants n'est PAS égal à


UN



B



 C



D

UN

Discutez-en

Question 69

Soient a(x, y), b(x, y) et c(x, y) trois énoncés dont les variables x et y sont choisies dans un univers.
Considérons l'énoncé suivant :

(∃x)(∀y)[(a(x, y) ∧ b(x, y)) ∧ ¬c(x, y)] Lequel des suivants est son équivalent ?


UN

(∀x)(∃y)[(a(x, y) ∨ b(x, y)) → c(x, y)]



B

(∃x)(∀y)[(a(x, y) ∨ b(x, y)) ∧¬ c(x, y)]



C

¬ (∀x)(∃y)[(a(x, y) ∧ b(x, y)) → c(x, y)]


 
D

¬ (∀x)(∃y)[(a(x, y) ∨ b(x, y)) → c(x, y)]

Discutez-en

Question 70

Si le système suivant a une solution non triviale,

px + qy + rz = 0
qx + ry + pz = 0
rx + py + qz = 0

alors laquelle des options suivantes est vraie ?


UN

p – q + r = 0 ou p = q = –r



B

p + q – r = 0 ou p = –q = r



C

p + q + r = 0 ou p = q = r



D

p – q + r = 0 ou p = –q = –r
 

Discutez-en

Question 71

Dans la matrice donnée, l'une des valeurs propres est 1. Les vecteurs propres

correspondant à la valeur propre 1 sont

⎡ 1 -1 2 ⎤
⎢ 0 1 0 ⎥
⎣ 1 2 1 ⎦


UN

UN



B



C



D


 Discutez-en

Question 72

Effectuez les opérations suivantes sur la matrice

⎡ 3 4 45⎤

⎢ 7 8 105⎥

⎣ 13 2 195⎦

1. Ajoutez la troisième rangée à la deuxième rangée.

2. Soustrayez la troisième colonne de la première colonne.

Le déterminant de la matrice résultante est _____________.


UN

50



B



C


 0



D

100

Discutez-en

Question 73

La plus grande des deux valeurs propres de la matrice[4521][42 51 ]est ____

​ ​


UN



B



C



D

8
 

Discutez-en

Question 74

Considérons la matrice A 2 × 2 suivante, dont deux éléments sont inconnus et sont

désignés par a et b. Les valeurs propres de cette matrice sont –1 et 7. Quelles sont

les valeurs de a et b ?

A=|1 4|

| ba |


UN

a = 3, b = 5



B

a = 5, b = 3



C

a = 4, b = 6



D
 

a = 6, b = 4

Discutez-en

Question 75

Dans la décomposition LU de la matrice

| 2 2 |
| 4 9 |

, si les éléments diagonaux de U sont tous deux 1, alors l'entrée diagonale inférieure

l 22 de L est


UN



B



C



D


 7

Discutez-en

Question 76

Le déterminant de la matrice est


UN



B

20



C



D


 5

Discutez-en

Questions pratiques sur les statistiques

Dernière mise à jour : 23 juil. 2025





Les questions de statistiques vous donnent une idée des concepts de base.

Apprendre les statistiques est essentiel pour tirer des conclusions et

interpréter les données brutes. Les questions présentées ici couvrent un large

éventail de sujets, de la moyenne, de la médiane et du mode à d'autres

formules probabilistes complexes. Les exercices vous aideront à mieux vous

préparer à vos examens.

Questions pratiques sur les statistiques avec solution

Question 1 : Les âges de 10 élèves d'une classe sont : 15, 16, 14, 15, 16, 15,

17, 16, 14 et 15. Trouvez l'âge moyen des élèves.

Solution :

Pour trouver l'âge moyen, additionnez tous les âges et divisez

par le nombre d'élèves.

 Somme des âges = 15 + 16 + 14 + 15 + 16 + 15 + 17 + 16 +

14 + 15 = 153.

Nombre d'élèves = 10.

Âge moyen = Somme des âges ÷ Nombre d'élèves = 153 ÷ 10 =

15,3 ans.

Question 2 : Dans un sondage mené auprès de 20 personnes, 8 ont déclaré

aimer la glace au chocolat et 12 ont déclaré aimer la glace à la vanille. Quel

est le pourcentage de personnes qui aiment la glace au chocolat ?

Solution :

Pourcentage = (Nombre de personnes qui aiment la glace au

chocolat ÷ Nombre total de personnes interrogées) × 100.

= (8 ÷ 20) × 100 = 0,4 × 100 = 40 %.

Donc, 40 % des personnes interrogées aiment la glace au

chocolat.

Question 3 : Trouvez le mode de l'ensemble de nombres suivant : 3, 7, 3, 2,

9, 10, 3, 4, 5, 6. Solution :

Le mode est le nombre qui apparaît le plus fréquemment dans

un ensemble.

Dans l'ensemble donné, le nombre 3 apparaît trois fois, soit plus

que tout autre nombre.

Le mode de cet ensemble est donc 3.

Question 4 : Les notes de sept élèves sont : 85, 90, 75, 88, 92, 80 et 78.

Trouvez la moyenne. Solution :

Pour trouver la médiane, classez d'abord les scores par ordre

croissant : 75, 78, 80, 85, 88, 90, 92.

La médiane est le nombre du milieu d'une liste triée.

Puisqu'il y a 7 scores, la médiane est le 4e score, soit 85.

Question 5 : Un élève a obtenu les notes suivantes dans cinq matières : 85,

76, 90, 65 et 88. Calculez l’étendue de ces notes. Solution :

L'étendue correspond à la différence entre les valeurs maximales

et minimales.

Note maximale = 90, note minimale = 65.

Écart = Note maximale - Note minimale = 90 - 65 = 25.

Question 6 : Dans une classe de 25 élèves, les tailles (en cm) sont : 150, 152,

153, 154, 155, 155, 156, 156, 157, 158, 158, 159, 160, 160, 161,

162, 162, 163, 164, 165, 166, 167, 168, 170, 172. Trouvez la taille

médiane. Solution :

Commencez par classer les tailles par ordre croissant (déjà

classé).

Puisqu'il y a 25 tailles, la médiane est la 13e valeur de la liste

triée.

La taille médiane est de 160 cm.

Question 7 : On lance un dé 60 fois et le chiffre 6 apparaît 15 fois. Quelle est

la probabilité expérimentale d’obtenir un 6 ? Solution :

Probabilité expérimentale = (Nombre de fois où l'événement se

produit) / (Nombre total d'essais).

Nombre de fois où un 6 apparaît = 15.

Nombre total d'essais = 60.

Probabilité d'obtenir un 6 = 15 / 60 = 0,25 ou 25 %.

Question 8 : Les scores d’un batteur lors de 10 matchs de cricket sont les

suivants : 38, 45, 50, 60, 65, 70, 75, 80, 85, 90. Calculez le score

moyen. Solution :

Pour trouver le score moyen, additionnez tous les scores et

divisez par le nombre de correspondances.

Somme totale des scores = 38 + 45 + 50 + 60 + 65 + 70 + 75

+ 80 + 85 + 90 = 658.

Nombre de correspondances = 10.

Score moyen = Somme totale des scores / Nombre de

correspondances = 658 / 10 = 65,8.

Question 9 : Les poids (en kg) de 15 élèves sont : 42, 45, 48, 50, 50, 52,

53, 54, 54, 55, 56, 57, 58, 60, 62. Trouvez le mode de ces poids. Solution :

Le mode est le nombre qui apparaît le plus fréquemment dans

un ensemble.
 Dans cet ensemble, les nombres 50 et 54 apparaissent deux fois,

plus fréquemment que tous les autres nombres.

L'ensemble possède donc deux modes : 50 et 54 (bimodal).

Liens connexes:

 Qu'est-ce que Mean?

 Qu'est-ce que le mode ?

 Qu'est-ce que la médiane ?

Question 10 : Les notes obtenues par un groupe d’élèves lors d’un test sont de

10, 20, 15, 25, 20, 30, 20, 15, 10 et 35. Trouvez la fourchette de

notes. Solution :

L'écart est la différence entre la note la plus élevée et la note la

plus basse.

Note la plus élevée = 35, note la plus basse = 10.

Écart = Note la plus élevée - Note la plus basse = 35 - 10 = 25

points.

Question 11 : Dans une enquête, on a demandé à 40 personnes le nombre de

livres qu’elles lisaient en un mois. Les résultats sont les suivants : 1, 0, 2, 3, 1,

4, 2, 1, 0, 2, 1, 5, 1, 1, 3, 2, 0, 1, 4, 1, 2, 1, 3, 1, 0, 2, 4, 1, 2, 0, 1, 1,

3, 2, 1, 4, 1, 2, 1 et 0. Calculez le mode des données. Solution :

 Le mode est la valeur la plus fréquente.

Dans ces données, le nombre 1 apparaît le plus fréquemment.

Le mode de ces données est donc 1 livre.

Question 13 : Calculez la médiane de l'ensemble de nombres suivant : 11, 18,

14, 20, 12, 16, 17. Solution :

Tout d'abord, classez les nombres par ordre croissant : 11, 12,

14, 16, 17, 18, 20.

Puisqu'il y a 7 nombres, la médiane est le 4e nombre.

La médiane est donc 16.

Question 14 : Si la moyenne de cinq nombres est 18, et que quatre d’entre

eux sont 15, 20, 25 et 10, trouvez le cinquième nombre.

Solution :

La moyenne de cinq nombres est la somme des nombres divisée

par 5.

Soit x le cinquième nombre.

Moyenne = (15 + 20 + 25 + 10 + x) / 5 = 18.

Résolution de x : 70 + x = 18 × 5.

x = 90 - 70 = 20.

Par conséquent, le cinquième nombre est 20.

Question 15 : Un ensemble de données est 4, 8, 6, 5, 9, 7, 8, 8, 10. Quelle

est la moyenne de cet ensemble de données ? Solution :

 La moyenne est la somme des nombres divisée par le nombre

de nombres.

Somme des nombres = 4 + 8 + 6 + 5 + 9 + 7 + 8 + 8 + 10 =

65.

Nombre de points de données = 9.

Moyenne = Somme des nombres / Nombre de points de

données = 65 / 9 ≈ 7,22.

Question 16 : Les notes d’un élève à cinq examens sont de 70, 75, 80, 85 et

90. Si l’examen final, qui vaut deux examens, obtient 85, quelle est sa

moyenne ?

Solution :

Calculez d'abord le total des cinq notes d'examen et de l'examen

final (compté deux fois).

Total des notes = 70 + 75 + 80 + 85 + 90 + 85 + 85.

Total = 570.

Divisez le total par le nombre d'examens (6, car l'examen final

compte pour deux).

Moyenne = 570 / 6 = 95.

Question 17 : La moyenne de 8, 11, 6, 14, x et 10 est 12. Trouvez la valeur

de x. Solution :
 Moyenne = (Somme de tous les nombres) / (Nombre de

nombres).

12 = (8 + 11 + 6 + 14 + x + 10) / 6.

72 = 49 + x.

x = 72 - 49 = 23.

Question 18 : Dans une classe de 30 élèves, 18 jouent au football, 15 au

basket et 7 aux deux. Combien ne pratiquent ni l’un ni l’autre ?

Solution :

Utilisez la formule : n(F ∪ B) = n(F) + n(B) - n(F ∩ B).

n(F ∪ B) est le nombre d'élèves jouant au football ou au basket-

ball.

n(F) = 18, n(B) = 15, n(F ∩ B) = 7.

n(F ∪ B) = 18 + 15 - 7 = 26.

Nombre d'élèves ne jouant ni l'un ni l'autre = Total des élèves -

n(F ∪ B) = 30 - 26 = 4.

Question 19 : Un ensemble de nombres a une médiane de 21 et un mode de

19. Si on ajoute 24 à l’ensemble, quelle est la nouvelle médiane ? Solution :

Puisque la médiane est de 21, ajouter 24 (qui est supérieur à

21) la déplacera vers le haut.

Cependant, sans connaître le nombre d'éléments ni leurs valeurs

 spécifiques, la nouvelle médiane exacte ne peut être déterminée.

Elle sera supérieure ou égale à 21.

Question 20 : La moyenne d’un ensemble de données est de 50 et son écart

type est de 5. En appliquant la règle empirique, quel pourcentage des données

se situe entre 45 et 55 ? Solution :

Selon la règle empirique (règle 68-95-99,7), environ 68 % des

données d'une distribution normale se situent à moins d'un

écart type de la moyenne.

Puisque 45 et 55 sont à un écart type de la moyenne (50),

environ 68 % des données se situent entre 45 et 55.

Question 21 : Un ensemble de scores est distribué normalement avec une

moyenne de 100 et un écart type de 15. Quelle est la probabilité qu'un score

tiré au sort soit supérieur à 130 ? Solution :

Tout d'abord, calculez le score z pour 130 : z = (Score -

Moyenne) / Écart type.

z = (130 - 100) / 15 = 2.

À l'aide du tableau z, trouvez la probabilité que z soit inférieur à

2 et soustrayez-la de 1.

Probabilité (z < 2) ≈ 0,9772.

Probabilité (z > 2) = 1 - 0,9772 = 0,0228.

Il y a donc 2,28 % de chances que le score soit supérieur à 130.

Problèmes pratiques non résolus

Problème 1 : Les notes obtenues par un groupe d'étudiants lors d'un test sont

10, 20, 15, 25, 20, 30, 20, 15, 10 et 35. Trouvez la plage de notes.

Problème 2 : Dans une enquête, on a demandé à 40 personnes le nombre de

livres qu’elles lisaient en un mois. Les résultats sont les suivants : 1, 0, 2, 3, 1,

4, 2, 1, 0, 2, 1, 5, 1, 1, 3, 2, 0, 1, 4, 1, 2, 1, 3, 1, 0, 2, 4, 1, 2, 0, 1, 1,

3, 2, 1, 4, 1, 2, 1 et 0. Calculez le mode des données.

Problème 3 : Calculez la médiane de l’ensemble de nombres suivant : 11, 18,

14, 20, 12, 16, 17.

Problème 4 : Si la moyenne de cinq nombres est 18 et que quatre de ces

nombres sont 15, 20, 25 et 10, trouvez le cinquième nombre.

Problème 5 : Un ensemble de données est 4, 8, 6, 5, 9, 7, 8, 8, 10. Quelle

est la moyenne de cet ensemble de données ?

Clé de réponse aux problèmes pratiques

1. Portée = 25 points

2. Mode = 1 livre

3. Médiane = 16

4. Cinquième nombre = 20

5. Moyenne = 7,22
 3. Analyse exploratoire des données

L'analyse exploratoire des données (AED) est une approche d'analyse

d'ensembles de données visant à synthétiser leurs principales caractéristiques,

souvent à l'aide de méthodes visuelles. Elle implique la compréhension, le

nettoyage et la visualisation des données, ainsi que leur analyse plus

approfondie.

 Analyse exploratoire des données ou EDA

 EDA avec NumPy, Pandas, Matplotlib et Seaborn

Qu’est-ce que l’analyse exploratoire des

données ?
Dernière mise à jour : 14 octobre 2025





L'analyse exploratoire des données (EDA) est une étape importante de la

science des données et de l'analyse des données, car elle visualise les données

pour comprendre leurs principales caractéristiques, trouver des modèles et

découvrir comment les différentes parties des données sont connectées.

Pourquoi l'analyse exploratoire des données est-elle

importante ?

1. Aide à comprendre l'ensemble de données en montrant le nombre de

fonctionnalités qu'il contient, le type de données que chaque fonctionnalité

contient et la manière dont les données sont distribuées.

2. Aide à identifier les modèles et les relations cachés entre différents points

de données qui nous aident à construire des modèles.

3. Permet d'identifier les erreurs ou les points de données inhabituels (valeurs

aberrantes) qui pourraient affecter nos résultats.

4. Les connaissances acquises grâce à l’EDA nous aident à identifier les

fonctionnalités les plus importantes pour la création de modèles et nous

guident sur la manière de les préparer pour de meilleures performances.

5. En comprenant les données, cela nous aide à choisir les meilleures

techniques de modélisation et à les ajuster pour de meilleurs résultats.

Types d'analyse exploratoire des données

Il existe différents types d'EDA selon la nature des enregistrements. Selon le

nombre de colonnes analysées, nous pouvons diviser les EDA en trois types :

1. Analyse univariée

L'analyse univariée se concentre sur l'étude d'une variable pour comprendre

ses caractéristiques. Elle permet de décrire les données et d'identifier des

tendances au sein d'une même caractéristique. Diverses méthodes courantes

sont utilisées, comme les histogrammes pour illustrer la distribution des

données, les boîtes à moustaches pour détecter les valeurs aberrantes et

comprendre la dispersion des données, et les graphiques à barres pour les

données catégorielles. Des statistiques récapitulatives comme la moyenne , la

médiane , le mode , la variance et l'écart type permettent de décrire la

tendance centrale et la dispersion des données.

2. Analyse bivariée
L'analyse bivariée vise à identifier les relations entre deux variables afin de

trouver des liens, des corrélations et des dépendances. Elle permet de

comprendre comment deux variables interagissent. Parmi les techniques clés,

on peut citer :

 Nuages ​ ​ de points qui visualisent la relation entre deux variables

continues.

 Le coefficient de corrélation mesure la force avec laquelle deux variables

sont liées, ce qui utilise généralement la corrélation de Pearson pour les

relations linéaires.

 Les tableaux croisés ou de contingence montrent la distribution de

fréquence de deux variables catégorielles et aident à comprendre leur

relation.

 Les graphiques linéaires sont utiles pour comparer deux variables au fil du

temps dans des données de séries chronologiques afin d'identifier des

tendances ou des modèles.

 La covariance mesure la façon dont deux variables évoluent ensemble, mais

elle est associée au coefficient de corrélation pour une compréhension plus

claire et plus standardisée de la relation.

3. Analyse multivariée

L'analyse multivariée identifie les relations entre deux ou plusieurs variables

d'un ensemble de données et vise à comprendre leurs interactions, ce qui est

important pour les techniques de modélisation statistique. Elle inclut des

techniques telles que :

 Graphiques de paires qui montrent les relations entre plusieurs variables à

la fois et aident à comprendre comment elles interagissent.

 Une autre technique est l’analyse en composantes principales (ACP ) qui

réduit la complexité des grands ensembles de données en les simplifiant

tout en conservant les informations les plus importantes.

 L'analyse spatiale est utilisée pour les données géographiques en utilisant

des cartes et des tracés spatiaux pour comprendre la distribution

géographique des variables.

 L'analyse des séries chronologiques est utilisée pour les ensembles de

données temporelles. Elle implique la compréhension et la modélisation des

schémas et tendances au fil du temps. Les techniques courantes incluent les

graphiques linéaires, l'analyse d'autocorrélation, les moyennes mobiles

et les modèles ARIMA .

Étapes pour effectuer une analyse exploratoire des données

Il s'agit d'une série d'étapes permettant de comprendre les données, de

dégager des tendances, d'identifier les anomalies, de tester des hypothèses et

de garantir que les données sont propres et prêtes pour une analyse plus

approfondie. Différents outils peuvent être utilisés :

 En Python, Pandas est utilisé pour nettoyer, filtrer et manipuler les

données. Matplotlib permet de créer des visualisations simples, tandis

que Seaborn crée des tracés plus attrayants. Pour les visualisations

interactives, Plotly est un bon choix.

 Dans R, ggplot2 est utilisé pour créer des tracés complexes, dplyr aide à la

manipulation des données et tidyr garantit que nos données sont

organisées et faciles à utiliser.

Sa démarche comprend :

Étape 1 : Comprendre le problème et les données

La première étape de tout projet d'analyse de données consiste à bien

comprendre le problème à résoudre et les données dont nous disposons. Cela

implique de se poser des questions clés telles que :

1. Quel est l’objectif commercial ou la question de recherche ?

2. Quelles sont les variables dans les données et que représentent-elles ?

3. De quels types de données (numériques, catégorielles, textuelles, etc.)

disposez-vous ?

4. Existe-t-il des problèmes ou des limitations connus en matière de qualité

des données ?

5. Existe-t-il des préoccupations ou des restrictions spécifiques à un domaine ?

En comprenant le problème et les données, nous pouvons planifier notre

analyse plus efficacement, éviter les hypothèses erronées et garantir des

conclusions précises.

Étape 2 : Importation et inspection des données

Après avoir compris le problème et les données, l'étape suivante consiste à

importer les données dans notre environnement d'analyse, tel que Python, R

ou un tableur. Il est important de trouver les données pour comprendre leur

structure, leurs types de variables et les problèmes potentiels. Voici ce que

nous pouvons faire :

1. Chargez les données dans notre environnement avec soin pour éviter les

erreurs ou les troncatures.

2. Vérifiez la taille des données comme le nombre de lignes et de colonnes

pour comprendre leur complexité.

3. Vérifiez les valeurs manquantes et voyez comment elles sont réparties

entre les variables, car les données manquantes peuvent avoir un impact

sur la qualité de votre analyse.

4. Identifiez les types de données pour chaque variable comme numérique,

catégorielle, etc. qui aideront dans les prochaines étapes de manipulation

et d'analyse des données.

5. Recherchez des erreurs ou des incohérences telles que des valeurs non

valides, des unités incompatibles ou des valeurs aberrantes qui pourraient

indiquer des problèmes majeurs avec les données.

En accomplissant ces tâches, nous serons prêts à nettoyer et à analyser les

données plus efficacement.

Étape 3 : Gestion des données manquantes

Les données manquantes sont fréquentes dans de nombreux ensembles de

données et peuvent affecter la qualité de nos analyses. Lors de l'analyse des

données, il est important d'identifier et de gérer correctement les données

manquantes afin d'éviter des résultats biaisés ou trompeurs. Voici comment

procéder :

1. Comprendre les schémas et les causes possibles des données manquantes :

données manquantes complètement aléatoires (MCAR), manquantes

aléatoires (MAR) ou manquantes non aléatoires (MNAR). Identifier ces

facteurs nous aide à trouver la meilleure façon de gérer les données

manquantes.

2. Décider s'il faut supprimer les données manquantes ou les imputer

(compléter). La suppression de données peut entraîner des résultats biaisés

si les données manquantes ne sont pas des MCAR. Compléter les valeurs

contribue à préserver les données, mais doit être effectué avec précaution.
3. Utilisez des méthodes d'imputation appropriées telles que l'imputation

moyenne ou médiane, l'imputation par régression ou des techniques

d'apprentissage automatique telles que KNN ou des arbres de décision basés

sur les caractéristiques des données.

4. Tenez compte de l'impact des données manquantes. Même après

imputation, ces données peuvent engendrer des incertitudes et des biais ; il

est donc important d'interpréter les résultats avec prudence.

Une gestion appropriée des données manquantes améliore la précision de

notre analyse et évite des conclusions trompeuses.

Étape 4 : Exploration des caractéristiques des données

Après avoir traité les données manquantes, nous déterminons les

caractéristiques de nos données en vérifiant la distribution, la tendance

centrale et la variabilité de nos variables, et en identifiant les valeurs

aberrantes ou les anomalies. Cela facilite le choix des méthodes d'analyse

appropriées et l'identification des principaux problèmes de données. Nous

devons calculer des statistiques récapitulatives telles que la moyenne, la

médiane, le mode, l'écart type, l'asymétrie et l'aplatissement pour les

variables numériques. Ces statistiques fournissent une vue d'ensemble de la

distribution des données et nous aident à identifier toute tendance ou tout

problème irrégulier.

Étape 5 : Exécution de la transformation des données

La transformation des données est une étape importante de l'EDA, car elle

prépare nos données pour une analyse et une modélisation précises. Selon

leurs caractéristiques et leurs besoins d'analyse, nous pouvons être amenés à

les transformer pour garantir leur formatage correct. Parmi les techniques

de transformation courantes, on peut citer :

1. Mise à l'échelle ou normalisation de variables numériques comme la mise à

l'échelle min-max ou la standardisation .

2. Codage de variables catégorielles pour l'apprentissage automatique

comme le codage one-hot ou le codage d'étiquettes.

3. Application de transformations mathématiques telles que la racine carrée

logarithmique pour corriger l’asymétrie ou la non-linéarité.

4. Créer de nouvelles variables à partir de variables existantes, comme

calculer des ratios ou combiner des variables.

5. Agrégation ou regroupement de données en fonction de variables ou de

conditions spécifiques.

Étape 6 : Visualisation des relations entre les données

La visualisation permet de trouver des relations entre les variables et

d’identifier des modèles ou des tendances qui ne peuvent pas être observés à

partir de statistiques récapitulatives seules.

1. Pour les variables catégorielles, créez des tableaux de fréquences, des

graphiques à barres et des graphiques à secteurs pour comprendre la

 distribution des catégories et identifier les déséquilibres ou les modèles

inhabituels.

2. Pour les variables numériques, générez des histogrammes, des diagrammes

en boîte, des diagrammes en violon et des diagrammes de densité pour

visualiser la distribution, la forme, la propagation et les valeurs aberrantes

potentielles.

3. Pour trouver des relations entre les variables, utilisez des nuages ​ ​ de

points, des matrices de corrélation ou des tests statistiques comme le

coefficient de corrélation de Pearson ou la corrélation de rang de

Spearman.

Étape 7 : Gestion des valeurs aberrantes

Les valeurs aberrantes sont des points de données qui diffèrent du reste des

données et peuvent être dus à des erreurs de mesure ou de saisie. Leur

détection et leur traitement sont importants, car ils peuvent fausser notre

analyse et affecter les performances du modèle. Nous pouvons identifier les

valeurs aberrantes à l'aide de méthodes telles que l'écart interquartile

(IQR) , les scores Z ou des règles spécifiques au domaine. Une fois identifiées,

elles peuvent être supprimées ou ajustées selon le contexte. Une gestion

adéquate des valeurs aberrantes garantit la précision et la fiabilité de notre

analyse.

Étape 8 : Communiquer les résultats et les idées

La dernière étape de l'EDA consiste à communiquer clairement nos

conclusions. Cela implique de résumer l'analyse, de souligner les principales

découvertes et de présenter nos résultats de manière claire.

1. Énoncez clairement les objectifs et la portée de votre analyse.

2. Fournissez un contexte et un historique pour aider les autres à comprendre

votre approche.

3. Utiliser des visualisations pour étayer nos conclusions et les rendre plus

faciles à comprendre.

4. Mettez en évidence les informations clés, les modèles ou les anomalies

découverts.

5. Mentionnez toutes les limitations ou défis rencontrés au cours de l’analyse.

6. Suggérez les prochaines étapes ou les domaines qui nécessitent une enquête

plus approfondie.

Une communication efficace est essentielle pour garantir l'impact de nos

efforts d'EDA et pour que les parties prenantes comprennent et mettent en

pratique nos analyses. En suivant ces étapes et en utilisant les bons outils,

l'EDA contribue à améliorer la qualité de nos données, ce qui permet de

prendre des décisions plus éclairées et d'obtenir des résultats positifs pour

tout projet axé sur les données.

 4. Analyse des données

L'analyse de données est la technique de collecte, de transformation et

d'organisation des données afin de réaliser des prévisions et de prendre des

décisions éclairées. Elle permet également de trouver des solutions aux

problèmes métier.

L'analyse de données se déroule en six étapes : demander ou spécifier les

besoins en données, préparer ou collecter les données, nettoyer et traiter,

analyser, partager, agir ou signaler.

 Analyse des données

 Projets d'analyse de données

 Quiz d'analyse de données

 Questions d'entretien sur l'analyse des données

Tutoriel d'analyse de données (Analytics)

Dernière mise à jour : 17 août 2025





L'analyse de données est un processus d'examen, de nettoyage, de

transformation et d'interprétation des données pour découvrir des

informations utiles, tirer des conclusions et appuyer la prise de décision. Elle

aide les entreprises et les organisations à mieux comprendre leurs données, à

identifier des tendances, à résoudre des problèmes et à améliorer leurs

performances globales.

Vous souhaitez apprendre l'analyse de données de manière

planifiée ? Essayez notre formation gratuite « Data Analytics

Skillup » avec des sujets abordés chaque semaine, des notes, des

quiz quotidiens et des exercices de codage.

Outils et compétences pour l'analyse des données

Pour acquérir de solides compétences en analyse de données, nous devons

apprendre ces ressources pour avoir les meilleures pratiques dans ces

domaines.

 Python pour l'analyse des données

 SQL pour l'analyse des données

 Excel pour l'analyse des données

 Power BI / Tableau

 Mathématiques et statistiques pour l'analyse des données

Bibliothèques d'analyse de données

Acquérez une expérience pratique avec les bibliothèques Python les plus

puissantes :

 Pandas : manipulation et analyse des données

 NumPy : Opérations numériques et gestion des matrices

 Matplotlib / Seaborn : Visualisation des données

 Scikit-learn : Prétraitement des données et modélisation statistique

Comprendre les données

Avant de commencer toute analyse, il est important de comprendre le type

et la structure de vos données. Cela vous aidera à choisir les méthodes

appropriées pour les nettoyer, les explorer et les analyser.

 Qu'est-ce que les données ?

 Échantillon vs population
 Données qualitatives vs quantitatives

 Données univariées vs données multivariées

 Échelles nominales, ordinales, d'intervalles et de rapports

Lecture et chargement d'ensembles de données

La lecture et le chargement d'ensembles de données constituent la première

étape de l'analyse des données où vous importez des données à partir de

fichiers tels que CSV, Excel ou de bases de données dans votre environnement

de travail tel que Python ou Excel afin de pouvoir les explorer, les nettoyer et

les analyser.

 Lecture de fichiers CSV , Excel et JSON

 Exportation de trames de données au format CSV / JSON

 Découpage, indexation, manipulation et nettoyage des DataFrames

Prétraitement des données

Le prétraitement des données consiste à nettoyer et à transformer les

données brutes en un format exploitable. Il comprend la gestion des valeurs

manquantes, la suppression des doublons, la conversion des types de données

et la vérification du format des données pour des résultats précis.

 Prétraitement des données

 Qu'est-ce que le nettoyage des données ?

 Gestion des données manquantes

 Gestion des valeurs aberrantes

 Transformation des données

 Ingénierie des fonctionnalités

 Échantillonnage des données

Analyse exploratoire des données (EDA)

L'analyse exploratoire des données (EDA) dans l'analyse des données est

l'étape initiale de l'analyse des données au moyen de résumés et de

visualisations statistiques pour comprendre leur structure, trouver des

modèles et les préparer à une analyse ou à une prise de décision plus

approfondie.

 Analyse exploratoire des données en Python

Analyse univariée

 Mesures de tendance centrale

 Mesures de propagation , IQR

 Asymétrie et kurtosis

 Visualisation : Histogrammes , Boxplots , QQ plots

Analyse multivariée

 Corrélation et covariance

 Tableau croisé

 Analyse de cluster , MANOVA (analyse de variance multivariée) ,

analyse factorielle et de corrélation canonique

Visualisation des données

La visualisation des données utilise des représentations graphiques telles que

des tableaux et des graphiques pour comprendre et interpréter des données

complexes.

 Qu’est-ce que la visualisation des données et pourquoi est-elle importante ?

 Visualisation avec Matplotlib

 Visualisation avec Seaborn

 Visualisation avec Plotly

 PowerBI et Tableau

Probabilités et statistiques dans l'analyse de données

Elles vous aident à comprendre les données, à identifier des tendances et à

prendre des décisions éclairées. Les probabilités traitent des chances et des

vraisemblances, tandis que les statistiques vous aident à collecter, organiser et

interpréter les données pour en tirer des enseignements.

 Distributions de probabilité

 Théorème central limite

 PDF contre CDF

 Intervalles de confiance

 Score Z , distribution T

 Valeurs p et tests d'hypothèses

 Tests unilatéraux vs. tests bilatéraux

 Tests du Chi carré

 Estimation ponctuelle

Analyse des données de séries chronologiques

L'analyse des données de séries chronologiques est le processus d'étude des

points de données collectés ou enregistrés au fil du temps, comme les ventes

quotidiennes, les températures mensuelles ou les bénéfices annuels, pour

trouver des modèles, des tendances et des changements saisonniers qui aident

à la prévision et à la prise de décision.

 Définir les données de séries chronologiques

 Fonction Données et Heure en Python

 Tracé de données de séries chronologiques

 Traiter les valeurs manquantes dans une série chronologique

 Moyennes mobiles : stationnarité , saisonnalité , tendance

 Test de Dickey-Fuller augmenté

 Autocorrélation

Vous êtes maintenant prêt à explorer des projets concrets. Pour des conseils

détaillés et des idées de projets, consultez l'article ci-dessous :

Projets d'analyse de données [avec code source]

Quiz d'analyse de données : questions et réponses

Dernière mise à jour : 2 avril 2024

Discuter
Commentaires

Question 1

En quoi le coefficient de corrélation de Pearson diffère-t-il du coefficient de

corrélation de rang de Spearman ?


UN

Pearson est pour les données catégorielles ; Spearman est pour les données

numériques



B

Pearson suppose des relations linéaires ; Spearman évalue des relations monotones



C

Pearson est non paramétrique ; Spearman est paramétrique



D

Pearson gère mieux les valeurs aberrantes que Spearman

Discutez-en
Question 2

Comment la « factorisation matricielle non négative » (NMF) contribue-t-elle à la

réduction de la dimensionnalité dans l'analyse des données ?


UN

En transformant les caractéristiques en un espace de dimension inférieure



B

En attribuant une importance égale à toutes les fonctionnalités



C

En évaluant la corrélation entre les caractéristiques



D

En mesurant l'entropie de chaque caractéristique

Discutez-en

Question 3

Quel est le but du terme « clustering hiérarchique » dans l’analyse de clustering ?


UN

Évaluation de la corrélation entre les clusters

 

B

Créer une hiérarchie de clusters basée sur des similitudes



C

Identification des valeurs aberrantes dans les données groupées



D

Mesurer la similarité au sein des clusters

Discutez-en

Question 4

Quel est le but principal du terme « matrice de confusion » dans les problèmes de

classification ?


UN

Évaluation de la multicolinéarité dans les modèles de régression



B

Évaluation de la distribution des résidus



C
 

Résumer les performances d'un modèle de classification



D

Identification des valeurs aberrantes dans un ensemble de données

Discutez-en

Question 5

Dans l'analyse des séries chronologiques, à quoi fait référence le terme « lissage

exponentiel » ?


UN

Identification des valeurs aberrantes dans les données de séries chronologiques



B

Gestion des valeurs manquantes dans les données de séries chronologiques



C

Prévoir les valeurs futures en accordant plus de poids aux observations récentes



D

Évaluation de l'autocorrélation entre les séries chronologiques et les valeurs décalées

 

Discutez-en

Question 6

Comment le terme « Ensemble Learning » améliore-t-il les performances des

modèles dans l’apprentissage automatique ?


UN

Réduire la complexité du modèle



B

Combinaison de prédictions provenant de plusieurs modèles



C

Gestion des valeurs aberrantes en accordant moins de poids aux valeurs extrêmes



D

S'assurer que les fonctionnalités contribuent de manière égale à un modèle

Discutez-en

Question 7

Quel est le but du terme « multicolinéarité » dans l’analyse de régression ?


 UN

Identification des valeurs aberrantes dans un ensemble de données



B

Évaluer la diffusion des données



C

Évaluation de la corrélation entre les variables prédictives



D

Gestion des valeurs manquantes dans les modèles de régression

Discutez-en

Question 8

Que représente le terme « intervalle de confiance » dans l’analyse statistique ?


UN

La plage de valeurs dans laquelle un paramètre de population est estimé se situer



B

La moyenne des valeurs de l'échantillon


 
C

La proportion de données se situant dans une plage spécifiée



D

L'erreur standard de la moyenne

Discutez-en

Question 9

Comment le terme « Binning » contribue-t-il à l’ingénierie des fonctionnalités dans

l’analyse des données ?


UN

Conversion de caractéristiques numériques en catégories catégorielles



B

Suppression des valeurs aberrantes d'un ensemble de données



C

Transformer des caractéristiques en un espace de dimension inférieure



D


 Remplir les valeurs manquantes dans un ensemble de données

Discutez-en

Question 10

Dans l’analyse des données, que signifie le terme « Lift » dans le contexte d’un

modèle prédictif ?


UN

Le rapport entre les vrais positifs et les faux positifs



B

L'amélioration des performances prédictives par rapport à un modèle aléatoire



C

L'augmentation de la complexité des modèles



D

L'impact des valeurs aberrantes sur les prédictions du modèle

Discutez-en

Question 11
Dans l'analyse des données, quel est le but du terme « Kurtosis » ?


UN

Décrire la diffusion des données



B

Mesurer la symétrie d'une distribution



C

Identification des valeurs aberrantes



D

Évaluation du caractère pointu d'une distribution

Discutez-en

Question 12

Comment le terme « bootstrapping » contribue-t-il à l’analyse statistique ?


UN

En créant des ensembles de données rééchantillonnés avec remplacement



B


 En ajustant plusieurs modèles au même ensemble de données



C

En testant la signification des corrélations



D

En estimant la matrice de corrélation d'un ensemble de données

Discutez-en

Question 13

Expliquez le concept de « rééchantillonnage » dans l’analyse des données.


UN

Agrégation de données en fonction de critères spécifiés



B

Remplacement des valeurs manquantes par des valeurs interpolées



C

Prélever à plusieurs reprises des échantillons d'un ensemble de données à des fins

d'analyse statistique


 
D

Suppression des valeurs aberrantes d'un ensemble de données

Discutez-en

Question 14

Comment le terme « analyse en composantes principales » (ACP) contribue-t-il à la

réduction de la dimensionnalité dans l’analyse des données ?


UN

En regroupant des points de données similaires



B

En transformant les caractéristiques en un espace de dimension inférieure



C

En créant de nouvelles fonctionnalités basées sur celles existantes



D

En évaluant l'importance des fonctionnalités

Discutez-en
Question 15

Quel est l’objectif principal de l’analyse des données ?


UN

Faire des prédictions



B

Synthèse et interprétation des données



C

Conception de bases de données



D

Visualisation des données

Discutez-en

Question 16

Dans l’analyse des séries chronologiques, que mesure la fonction d’autocorrélation

(ACF) ?


UN

La corrélation entre deux séries chronologiques différentes

 

B

La corrélation entre les valeurs décalées d'une même série temporelle



C

La corrélation moyenne dans un ensemble de données



D

La corrélation entre plusieurs variables indépendantes

Discutez-en

Question 17

Quel est le but du terme « ANOVA » (Analyse de la Variance) dans l’analyse

statistique ?


UN

Comparer les moyennes de plusieurs groupes pour détecter des différences

significatives



B

Évaluation de la corrélation entre deux variables continues


 
C

Évaluation de la relation entre une variable dépendante et des variables

indépendantes



D

Identification des valeurs aberrantes dans un ensemble de données

Discutez-en

Question 18

Dans l'analyse des données, que mesure le terme « asymétrie » ?


UN

La symétrie d'une distribution



B

La diffusion des données



C

La corrélation entre deux variables



D


 La présence de valeurs aberrantes

Discutez-en

Question 19

Que représente le terme « intervalle de confiance » dans l’analyse statistique ?


UN

La plage de valeurs dans laquelle un paramètre de population est estimé se situer



B

La moyenne des valeurs de l'échantillon



C

La proportion de données se situant dans une plage spécifiée



D

L'erreur standard de la moyenne

Discutez-en

Question 20

Quel est l’objectif principal des tests d’hypothèses dans l’analyse des données ?


 UN

Décrire la tendance centrale des données



B

Identification des valeurs aberrantes



C

Faire des prédictions



D

Tirer des conclusions sur les populations à partir de données d'échantillons

Discutez-en

Question 21

Quel est le but d’un box plot dans l’analyse de données ?


UN

Représentation de la distribution d'une seule variable



B

Montrer la relation entre deux variables


 
C

Identification des valeurs aberrantes et affichage de la dispersion des données



D

Affichage des relations hiérarchiques

Discutez-en

Question 22

Quelle est la signification du terme « écart type » ?


UN

Mesure de la tendance centrale



B

Décrire la propagation ou la dispersion des données



C

Identifier la valeur la plus fréquente



D

Représentant la plage de valeurs

 

Discutez-en

Question 23

Quel est le but de la corrélation dans l’analyse des données ?


UN

Causalité entre variables



B

Décrire la diffusion des données



C

Mesurer la force et la direction d'une relation linéaire



D

Identification des valeurs aberrantes

Discutez-en

Question 24

Que visualise un histogramme ?


UN
 

Relations entre deux variables



B

Distribution d'une seule variable



C

Structures de données hiérarchiques



D

Données de séries chronologiques

Discutez-en

Question 25

Comment la portée d’un ensemble de données est-elle calculée ?


UN

La différence entre les valeurs les plus grandes et les plus petites



B

La somme de toutes les valeurs



 C

Le produit de toutes les valeurs



D

La moyenne de toutes les valeurs

Discutez-en

Question 26

Que signifie le terme « valeur aberrante » dans l’analyse des données ?


UN

La valeur la plus courante dans un ensemble de données



B

Valeurs inhabituelles ou extrêmes dans un ensemble de données



C

La différence entre la moyenne et la médiane



D

La dernière valeur d'un ensemble de données trié


Discutez-en

Question 27

Quelle est la différence entre la moyenne et la médiane ?


UN

La moyenne est la valeur médiane ; la médiane est la moyenne.



B

La moyenne est la valeur moyenne ; la médiane est la valeur médiane.



C

Les deux représentent la moyenne.



D

La moyenne et la médiane sont utilisées de manière interchangeable.

Discutez-en

5. Visualisation des données

La visualisation des données consiste à transformer des données en

représentations visuelles telles que des tableaux, des graphiques et des cartes.
 Elle nous aide à comprendre les tendances, les schémas et les valeurs

aberrantes.

 Tutoriel sur la visualisation des données

 Projets de visualisation de données

 Quiz sur la visualisation des données

 Questions d'entretien sur la visualisation des données

Python - Tutoriel sur la visualisation des

données
Dernière mise à jour : 03 oct. 2025





La visualisation de données consiste à convertir des données complexes en

graphiques, tels que des diagrammes, des graphiques et des cartes. Elle

permet aux utilisateurs de comprendre rapidement et clairement les

tendances et les valeurs aberrantes dans de grands ensembles de données. En

transformant les données en éléments visuels, la visualisation de données

facilite leur accessibilité et leur interprétation, permettant ainsi de prendre

des décisions et d'obtenir des informations plus éclairées.

Caractéristiques de la visualisation des données :

 Simplifie les données complexes : transforme les ensembles de données

complexes en visuels faciles à comprendre.

 Identifie les modèles : aide à repérer les tendances et les modèles qui

peuvent ne pas être évidents dans les données brutes.

 Améliore la prise de décision : offre une clarté visuelle, aidant les décideurs

à faire des choix éclairés plus rapidement.

 Points clés : Permet de mettre l’accent sur les tendances importantes, les

valeurs aberrantes et les relations.

 Interactif : de nombreuses visualisations permettent l’interaction de

l’utilisateur, permettant une exploration plus approfondie des données.

Exemple : Traçage avec Matplotlib

importer matplotlib . pyplot comme plt

importer numpy en tant que np
​
jours = np . arange ( 1 , 31 )
prix = 100 + np . cumsum ( np . random . randn ( 30 ))
​
plt . plot ( jours , prix , marqueur = 'o' , style de ligne = '-' , couleur = 'vert' )
plt . title ( « Cours de l'action simulé » )
plt . xlabel ( "Jour" )
plt . ylabel ( "Prix ($)" )
plt . grille ( Vrai )
plt . montrer ()

Sortir

Graphique du cours

des actions

Explication:
 [Link](1, 31) crée un tableau de jours de 1 à 30.

 [Link]([Link](30)) génère des changements quotidiens

aléatoires et les additionne pour simuler les cours des actions.

 [Link]() dessine la ligne du prix de l'action avec des marqueurs de cercle

vert.

 [Link](), [Link](), [Link]() et [Link]() ajoutent des étiquettes, un

titre et une grille pour plus de clarté.

Table des matières

 Principes de base de la visualisation des données

 Visualisation des données avec Matplotlib

 Visualisation efficace des données avec Seaborn

 Visualisation des données avec Pandas

 Visualisation des données avec Plotly

 Visualisation des données avec Plotnine

 Visualisations de données avec Altair

 Visualisation interactive des données avec Bokeh

 Visualisation avancée des données avec Pygal

 Choisir la bonne bibliothèque de visualisation de données

Principes de base de la visualisation des données

Après avoir analysé les données, il est important de les visualiser afin

d'identifier des schémas, des tendances, des valeurs aberrantes et des

informations qui pourraient ne pas être visibles dans les données brutes, à

l'aide d'éléments visuels tels que des diagrammes, des graphiques et des

cartes. Choisir le bon type de diagramme est crucial pour communiquer

efficacement vos données. Chaque diagramme répond à des objectifs

différents et peut mettre en évidence divers aspects de vos données . Pour

approfondir le choix du diagramme le plus adapté à vos données, consultez ce

guide complet :

 Qu’est-ce que la visualisation des données et pourquoi est-elle importante ?

 Types de graphiques de visualisation de données

 Choisir le bon type de graphique

Il est tout aussi important de choisir les bonnes couleurs pour vos

visualisations. Un choix judicieux de couleurs met en valeur les informations

clés, améliore la lisibilité et rend les visuels plus attrayants. Pour des conseils

d'experts sur le choix des couleurs idéales pour vos graphiques, consultez la

page « Comment choisir les couleurs pour les visualisations de données ? ».

Visualisation des données avec Matplotlib

Matplotlib est l'une des bibliothèques les plus utilisées pour la visualisation de

données en Python. Très flexible, elle permet de créer une large gamme de

graphiques statiques, animés et interactifs. Elle nous permet de créer des

visualisations simples et s'intègre facilement à d'autres bibliothèques comme

Seaborn pour des graphiques statistiques plus avancés.

 Introduction à Matplotlib

 Configuration de l'environnement Python pour l'installation

 Pyplot dans Matplotlib

 Matplotlib – Classe Axes

 Visualisation des données avec Matplotlib

Visualisation efficace des données avec Seaborn

Seaborn s'appuie sur Matplotlib et offre une interface de haut niveau pour

créer des graphiques statistiques attrayants et informatifs. Il s'intègre

parfaitement à Pandas et simplifie la création de visualisations complexes

avec un minimum de code.

 Visualisation des données avec Python Seaborn

 Visualisation des données avec Seaborn Pairplot

 Visualisation des données avec FacetGrid dans Seaborn

 Visualisation de séries chronologiques avec Seaborn : graphique linéaire

Visualisation des données avec Pandas

Pandas est une bibliothèque puissante principalement utilisée pour la

manipulation de données, mais elle offre également des fonctionnalités de

traçage de base. Bien qu'elle ne soit pas aussi riche en fonctionnalités que des

bibliothèques de visualisation dédiées comme Matplotlib ou Seaborn, la

fonction de traçage intégrée de Pandas est pratique pour des visualisations

simples et rapides.
 Visualisation des données avec Pandas

 Visualisation des données de séries chronologiques avec pandas

 Traçage de données géospatiales à l'aide de GeoPandas

Pour plus d'informations, consultez Pandas et consultez Box Plots

pour plus de détails sur des graphiques spécifiques.

Visualisation des données avec Plotly

Plotly est une bibliothèque de visualisation interactive permettant de créer

une large gamme de graphiques, notamment des courbes, des graphiques à

barres et des nuages ​ ​ de points. Plotly est réputé pour ses graphismes

élégants et sa grande interactivité, ce qui en fait un choix populaire pour les

tableaux de bord web.

 Introduction à Plotly

 Visualisation des données avec Plotly

Visualisation des données avec Plotnine

Plotnine est une bibliothèque Python qui implémente la grammaire graphique,

inspirée de ggplot2 de R. Elle offre un moyen puissant et cohérent de créer

des tracés complexes avec un minimum de code.

 Introduction au concept de grammaire graphique

 Visualisation des données à l'aide de Plotnine

Visualisations de données avec Altair

Altair est une bibliothèque Python permettant de créer des graphiques clairs

et interactifs avec un minimum de code. Basée sur Vega et Vega-Lite, elle

utilise une approche déclarative (vous spécifiez ce que le graphique doit

afficher, et non comment le dessiner), ce qui simplifie la création et la

compréhension des visualisations complexes.

 Visualisation des données avec Altair

 Agrégation de données pour de grands ensembles de données

 Partage et publication de visualisations avec Altair

Visualisation interactive des données avec Bokeh

Bokeh est une puissante bibliothèque Python permettant de créer

des visualisations de données interactives et hautement

personnalisables. Conçue pour les navigateurs web modernes, elle permet de

créer facilement des visualisations complexes . Bokeh prend en charge un

large éventail de types de tracés et de fonctionnalités d'interactivité, ce qui

en fait un choix populaire pour la visualisation de données interactive.

 Introduction au Bokeh en Python

 Visualisation interactive des données avec Bokeh

 Exemples pratiques pour maîtriser la visualisation de données avec Bokeh

Visualisation avancée des données avec Pygal

Pygal est reconnu pour sa simplicité d'utilisation et sa capacité à créer de

magnifiques graphiques interactifs, intégrables aux applications web. Nous

pouvons également créer une large gamme de graphiques, notamment des

courbes, des histogrammes, des camemberts et bien plus encore, tous dotés

de fonctionnalités interactives.

Pour en savoir plus, consultez Visualisation des données avec

Pygal

Choisir la bonne bibliothèque de visualisation de données

Bibliothèque Idéal pour Points forts Limites

Graphiques Hautement Courbe d'apprentissage

Matplotlib
statiques personnalisable abrupte

Visualisations Facile à utiliser,

Né en mer Interactivité limitée
statistiques visuellement attrayant

Visualisations Intégration Web, Nécessite un rendu du

Plotly
interactives designs modernes navigateur

Tableaux de bord Interactivité en temps Configuration plus

Bokeh
basés sur le Web réel complexe

Graphiques
Altaïr statistiques Syntaxe concise Personnalisation limitée
déclaratifs

Moins adapté aux

Graphiques SVG Graphiques de haute
Pygal ensembles de données
évolutifs qualité
complexes

Pour créer des visualisations de données percutantes et attrayantes,

commencez par sélectionner le type de graphique approprié : graphiques à

barres pour les comparaisons, graphiques linéaires pour les tendances et

graphiques à secteurs pour les proportions.

 Simplifiez vos visualisations pour vous concentrer sur les informations clés.
  Utilisez des annotations pour guider l’attention du spectateur.

 Utilisez la couleur de manière stratégique pour différencier les catégories

ou mettre en évidence les données importantes, mais évitez de l'utiliser de

manière excessive pour éviter toute confusion.

Pour une exploration plus détaillée de ces techniques, consultez

les ressources ci-dessous :
 Top 8 des bibliothèques Python pour la visualisation de
données
 Visualisation des données en infographie : techniques et
exemples
 5 bonnes pratiques pour des visualisations de données
efficaces et de qualité
 Exemples de visualisation de données erronées expliqués

Top 10 des idées de projets de visualisation de

données en 2025
Dernière mise à jour : 20 août 2025





Vous savez qu'une image vaut mille mots ? Dans le monde des données, un

bon graphique vaut mille lignes de feuille de calcul. La visualisation de

données consiste simplement à transformer des chiffres ennuyeux en données

réellement compréhensibles : tableaux, graphiques, etc.

Dans cet article, nous avons rassemblé 10 idées de projets de visualisation de

données pour 2025 qui vous aideront à vous familiariser avec le processus de

visualisation des données.

Qu'est-ce que la visualisation des données ?

La visualisation de données est une façon élégante de « transformer des

chiffres en images réellement compréhensibles ». Au lieu de consulter des

feuilles de calcul interminables, vous disposez de tableaux, de graphiques et de

tableaux de bord colorés qui vous montrent la réalité. Pour ce faire, différents

outils sont utilisés : vous connaissez peut-être Power BI ou Tableau , ou

peut-être Python si vous êtes un passionné de programmation. L'objectif est

simple : rendre les données moins intimidantes et plus utiles à tous.

Top 10 des idées de projets de visualisation de données en

2025

Il existe de nombreuses idées de projets liés à la visualisation de données et à

leur utilisation dans divers projets. Voici quelques-unes des meilleures idées de

projets de visualisation de données :

1. Nuage de mots en Python

Un nuage de mots affiche des données textuelles où la taille des mots

représente la fréquence ou l'importance. Les mots plus longs apparaissent

plus souvent dans l'ensemble de données. Cette visualisation est couramment

utilisée pour analyser le contenu des réseaux sociaux, les avis et les documents

texte.

Aperçu du projet :

 Pile technologique : Python, WordCloud, matplotlib, pandas

 Meilleurs cas d'utilisation : analyse des publications sur les réseaux sociaux,

des commentaires des clients et des articles

 Résultat : Crée des résultats visuellement attrayants et faciles à interpréter

Ce que vous apprendrez :

 Maîtriser les techniques de nettoyage des données et de prétraitement des

textes

 Réalisation d'analyses de texte et de distribution de fréquences

 Créer des visualisations significatives à partir de données textuelles non

structurées

Code source : Nuage de mots utilisant Python

2. Cartes thermiques Seaborn

Les cartes thermiques sont un type de visualisation de données qui utilise des

couleurs pour représenter des chiffres dans un tableau. Des couleurs plus

foncées ou plus vives permettent de repérer facilement les tendances, les

schémas ou les zones problématiques dans les données. Les cartes thermiques

sont souvent utilisées dans l'analyse de données, les rapports d'activité et la

recherche.
Aperçu du projet :

 Technologie : Python, Seaborn

 Idéal pour : trouver des relations dans les données et repérer les tendances

ou les problèmes

 Résultat : des cartes thermiques claires et codées par couleur, faciles à

comprendre

Ce que vous apprendrez :

 Comment vérifier les relations entre différents points de données

 Comment créer des cartes thermiques avec Seaborn

 Comment lire et interpréter les résultats

Code source : Cartes thermiques utilisant Seaborn

3. Intrigue interactive avec Plotly

Les graphiques interactifs sont un type de visualisation de données

permettant aux utilisateurs d'explorer les données de manière dynamique. Ils

rendent les graphiques plus attrayants et informatifs grâce à des

fonctionnalités telles que les pop-ups au survol, le zoom et les éléments

cliquables. Ces graphiques sont particulièrement utiles pour les sites web, les

tableaux de bord et les présentations, car ils rendent les données plus

attrayantes sans encombrer l'affichage.

Aperçu du projet :

 Technologie : Python, Plotly

 Idéal pour : créer des graphiques interactifs, des tableaux de bord

attrayants et des visualisations de sites Web

 Sortie : graphiques dynamiques que les utilisateurs peuvent explorer,

notamment des graphiques linéaires, des graphiques à barres, des nuages

​ ​ de points, des histogrammes, des graphiques à secteurs, des boîtes à

moustaches et des graphiques en violon.

Ce que vous apprendrez :

 Comment intégrer l'interactivité dans les visualisations de données

 Comment rendre les données plus attrayantes et faciles à explorer

 Comment utiliser efficacement plusieurs types de graphiques dans un

même projet

Code source : Utilisation de Plotly pour la visualisation

interactive des données en Python

4. Graphique à barres radiales

Un graphique à barres radiales est une version circulaire d'un graphique à

barres, souvent utilisé pour des infographies créatives et des designs

attrayants. Il présente les données de manière circulaire tout en restant

informatif, ce qui en fait un excellent moyen de mettre en évidence des

comparaisons ou des progrès de manière originale. Les graphiques à barres

radiales sont particulièrement utiles pour les tableaux de bord, les rapports

et les présentations de projets.

Aperçu du projet :
 Technologie : Python, Matplotlib, Plotly

 Idéal pour : Concevoir des visualisations de données créatives et

visuellement attrayantes

 Résultat : des graphiques à barres circulaires à la fois informatifs et

visuellement attrayants

Ce que vous apprendrez :

 Comment créer des graphiques à barres radiales avec Recharts

 Comment concevoir des visualisations de données créatives et attrayantes

 Comment intégrer des graphiques radiaux dans des applications Web

Code source : Créer un graphique à barres radiales à l'aide de

Recharts dans ReactJS

5. Nuage de points interactif de base avec Altair

Altair est une bibliothèque Python permettant de créer rapidement et

facilement des visualisations statistiques. Grâce à Altair, vous pouvez créer des

nuages ​ ​ de points interactifs qui regroupent (ou « classent ») des points

de données afin de mieux comprendre les tendances et les distributions. Ces

graphiques permettent aux utilisateurs d'explorer différents segments de

données de manière interactive, rendant ainsi l'analyse plus pertinente.

Aperçu du projet :

 Technologie : Python, Altair

 Idéal pour : l'exploration des modèles dans les données, l'analyse statistique

et les visualisations interactives

 Sortie : Nuages ​ ​ de points avec données regroupées et fonctionnalités

interactives pour une exploration facile

Ce que vous apprendrez :

 Comment créer des nuages ​ ​ de points avec des données regroupées à

l'aide d'Altair

 Comment ajouter de l'interactivité aux visualisations

 Comment utiliser les techniques de visualisation statistique pour obtenir

des informations sur les données

Code source : diagramme de dispersion Python Altair

6. Matrice de corrélation

Une matrice de corrélation est un tableau qui illustre la relation entre les

variables d'un ensemble de données. Chaque valeur représente le coefficient de

corrélation entre deux variables, indiquant leur degré de corrélation. Les

matrices de corrélation sont particulièrement utiles pour l'analyse statistique

et l'identification de tendances dans les ensembles de données.

Aperçu du projet :

 Technologie : Python, Matplotlib, Pandas, NumPy

 Idéal pour : comprendre les relations entre les variables et explorer les

modèles de données
 Sortie : une matrice numérique ou codée par couleur montrant les

coefficients de corrélation entre les variables

Ce que vous apprendrez :

 Comment calculer les coefficients de corrélation entre les variables

 Comment créer et visualiser efficacement des matrices de corrélation

 Comment interpréter les relations et les dépendances dans vos données

Code source : Créer une matrice de corrélation à l'aide de

Python

7. Cartes Sunburst

Les graphiques en forme de soleil permettent de visualiser des données

hiérarchiques selon une disposition circulaire. Le cercle le plus à l'intérieur

représente le niveau supérieur de la hiérarchie, et chaque couche vers

l'extérieur représente le niveau suivant. Ces graphiques facilitent l'exploration

interactive de hiérarchies complexes et sont souvent utilisés dans les tableaux

de bord et les projets d'analyse de données.

Aperçu du projet :

 Technologie : Python, Plotly

 Idéal pour : représenter des données hiérarchiques et explorer des

structures à plusieurs niveaux

 Résultat : des graphiques interactifs en forme de soleil qui montrent

clairement les relations entre les niveaux

Ce que vous apprendrez :

 Comment créer des graphiques en forme de soleil avec Plotly

 Comment visualiser efficacement les données hiérarchiques

 Comment interpréter les relations entre les différents niveaux d'une

hiérarchie

Code source : Graphique Sunburst avec Plotly en Python

8. Visualisation des séries chronologiques

Les visualisations de séries chronologiques illustrent l'évolution des données au

fil du temps. Grâce à des fonctionnalités interactives, les utilisateurs peuvent

explorer les tendances, zoomer sur des périodes spécifiques et mieux

comprendre les tendances à long terme. Ces visualisations sont

particulièrement utiles pour les données financières, les relevés de capteurs et

le suivi des performances.

Aperçu du projet :

 Technologie : Python, Plotly

 Idéal pour : analyser les tendances au fil du temps et explorer les données

dépendantes du temps

 Résultat : graphiques linéaires interactifs et tracés de séries chronologiques

qui facilitent l'interprétation des tendances

Ce que vous apprendrez :

 Comment visualiser l'évolution des données au fil du temps

 Comment créer des graphiques de séries chronologiques interactifs avec

Plotly

 Comment analyser efficacement les tendances et les modèles

Code source : Visualisation de séries chronologiques en Python

9. Carte choroplèthe

Les cartes choroplèthes permettent de visualiser des données sur différentes

régions géographiques. En coloriant les régions en fonction des valeurs des

données, elles facilitent l'identification des schémas et des tendances. Ces

cartes sont couramment utilisées pour les données météorologiques, les

statistiques sociales, l'analyse démographique et les prix de l'immobilier.

Aperçu du projet :

 Technologie : Python, Plotly

 Idéal pour : analyser les données géospatiales et visualiser les tendances

régionales

 Résultat : Cartes interactives montrant la répartition des données entre

les emplacements

Ce que vous apprendrez :

 Comment visualiser efficacement les données géospatiales et régionales

 Comment interpréter les tendances à travers les régions géographiques

 Comment créer des cartes interactives et perspicaces pour l'analyse

Code source : Cartes choroplèthes utilisant Plotly en Python

10. Graphique à barres de race

Les graphiques à barres raciaux sont des graphiques à barres animés qui

illustrent l'évolution des valeurs au fil du temps. Visuellement attrayants, ils

facilitent le suivi dynamique des changements. Ces graphiques sont souvent

utilisés pour le suivi des performances, les comparaisons et la narration à

partir de données.

Aperçu du projet :

 Technologie : Python, Matplotlib

 Idéal pour : afficher les changements de données au fil du temps dans un

format animé

 Résultat : des graphiques à barres animés qui illustrent clairement la

croissance ou le changement

Ce que vous apprendrez :

 Comment créer des graphiques à barres animés à l'aide de Python

 Comment représenter les changements dans les données de manière

dynamique

 Comment interpréter les tendances au fil du temps grâce à l'animation

Code source : Graphique à barres dans matplotlib

6. Apprentissage automatique

L’apprentissage automatique est un sous-ensemble de l’intelligence artificielle

(IA) qui permet aux ordinateurs d’apprendre à partir de données et de faire

des prédictions sans être explicitement programmés.

Il peut être classé en trois types : l’apprentissage supervisé, l’apprentissage

non supervisé et l’apprentissage par renforcement.

 Tutoriel sur l'apprentissage automatique

 Projets d'apprentissage automatique

 Quiz sur l'apprentissage automatique

 Questions d'entretien sur l'apprentissage automatique

 Tutoriel sur l'apprentissage automatique
Dernière mise à jour : 28 août 2025





L'apprentissage automatique est une branche de l'intelligence artificielle qui se

concentre sur le développement de modèles et d'algorithmes permettant aux

ordinateurs d'apprendre à partir de données sans être explicitement

programmés pour chaque tâche. En termes simples, l'apprentissage

automatique apprend aux systèmes à penser et à comprendre comme les

humains en apprenant à partir des données.

 Essayez notre cours gratuit en cours Data Science Skillup avec
une couverture hebdomadaire des sujets, des notes, des quiz
quotidiens et des problèmes de codage.

L'apprentissage automatique est principalement divisé en trois types

principaux : l'apprentissage supervisé, non supervisé et par renforcement,

ainsi que deux types supplémentaires, l'apprentissage semi-supervisé et auto-

supervisé.

 Apprentissage supervisé : forme des modèles sur des données étiquetées

pour prédire ou classer de nouvelles données invisibles.

 Apprentissage non supervisé : recherche des modèles ou des groupes dans

des données non étiquetées, comme le clustering ou la réduction de

dimensionnalité.

 Apprentissage par renforcement : apprend par essais et erreurs pour

maximiser les récompenses, idéal pour les tâches de prise de décision.

Remarque : les éléments suivants ne font pas partie des trois

principaux types de ML d’origine, mais ils sont devenus de plus
en plus importants dans les applications du monde réel, en
particulier dans l’apprentissage profond.
Types supplémentaires :
 Apprentissage auto-supervisé : Souvent considéré comme un
sous-ensemble de l'apprentissage non supervisé,
l'apprentissage auto-supervisé est devenu un domaine à part
entière grâce à son succès dans l'entraînement de modèles à
grande échelle. Il génère ses propres étiquettes à partir des
données, sans aucun étiquetage manuel.
 Apprentissage semi-supervisé : Cette approche combine une
petite quantité de données étiquetées avec une grande quantité
de données non étiquetées. Elle est utile lorsque l'étiquetage
des données est coûteux ou chronophage.

Module 1 : Pipeline d'apprentissage automatique

Cette section couvre le prétraitement, l’analyse exploratoire des données et

l’évaluation des modèles pour préparer les données, découvrir des

informations et créer des modèles fiables.

1. Prétraitement des données

 Flux de travail ML

 Nettoyage des données

 Prétraitement des données en Python

 Mise à l'échelle des fonctionnalités

 Extraction de caractéristiques

 Ingénierie des fonctionnalités

 Techniques de sélection des fonctionnalités

2. Analyse exploratoire des données

 Analyse exploratoire des données

 Analyse exploratoire des données en Python

 EDA avancée

 Visualisation des données de séries chronologiques

3. Évaluation du modèle

 Régularisation dans l'apprentissage automatique

 Matrice de confusion

 Précision, rappel et score F1

 Courbe AUC-ROC

 Validation croisée

 Réglage des hyperparamètres

Module 2 : Apprentissage supervisé

Les algorithmes d’apprentissage supervisé sont généralement classés en deux

types principaux :
 Classification - où l'objectif est de prédire des étiquettes ou des catégories

discrètes

 Régression – où le but est de prédire des valeurs numériques continues.

Apprentissage supervisé

De nombreux algorithmes sont utilisés en apprentissage supervisé, chacun

adapté à différents types de problèmes. Parmi les algorithmes

d'apprentissage supervisé les plus couramment utilisés, on trouve :

1. Régression linéaire

C'est l'une des méthodes les plus simples pour prédire des nombres à l'aide

d'une ligne droite. Elle permet de trouver la relation entre l'entrée et la

sortie.

 Introduction à la régression linéaire

 Descente de gradient dans la régression linéaire

 Régression linéaire multiple

2. Régression logistique

Utilisé lorsque la réponse est de type « oui » ou « non ». Cela permet de

prédire des catégories comme « réussite » ou « spam » ou « non-spam ».

 Comprendre la régression logistique

 Fonction de coût dans la régression logistique

3. Arbres de décision

Un modèle qui prend des décisions en posant une série de questions simples,

comme un organigramme. Facile à comprendre et à utiliser.

 Arbre de décision en apprentissage automatique

 Types d'algorithmes d'arbre de décision

 Arbre de décision - Régression (mise en œuvre)

 Arbre de décision - Classification (Implémentation)

4. Machines à vecteurs de support (SVM)

Un peu plus avancé : il essaie de tracer la meilleure ligne (ou limite) pour

séparer différentes catégories de données.

 Comprendre les SVM

 Réglage des hyperparamètres SVM - GridSearchCV

 SVM non linéaire

5. k-voisins les plus proches (k-NN)

Ce modèle analyse les points de données les plus proches (voisins) pour établir

des prédictions. Ultra simple, il repose sur la similarité.

 Introduction à KNN

 Limites de décision dans les K-plus proches voisins (KNN)

6. Bayes naïf

Une méthode rapide et intelligente pour classer les éléments selon des

probabilités. Elle est efficace pour la détection de SMS et de spam.

 Introduction à la méthode bayésienne naïve

 Bayes naïf gaussien

 Bayes naïf multinomial

 Bernoulli Naïf Bayes

 Complément Bayes naïf

7. Forêt aléatoire (algorithme d'ensachage)

Un modèle puissant qui construit de nombreux arbres de décision et les

combine pour une meilleure précision et stabilité.

 Introduction à la forêt aléatoire

 Classificateur de forêt aléatoire

 Régression de forêt aléatoire

 Réglage des hyperparamètres dans Random Forest

Introduction à l'apprentissage d'ensemble

L'apprentissage d'ensemble combine plusieurs modèles simples pour créer un

modèle plus robuste et plus intelligent. Il existe principalement deux types

d'apprentissage d'ensemble :

 Ensachage combinant plusieurs modèles formés indépendamment.

 Boosting qui construit des modèles séquentiellement, chacun corrigeant les

erreurs du précédent.

Module 3 : Apprentissage non supervisé

L'apprentissage non supervisé est à nouveau divisé en trois catégories

principales en fonction de son objectif :

 Regroupement

 Extraction de règles d'association

 Réduction de la dimensionnalité .

Apprentissage non supervisé

1. Regroupement
Les algorithmes de clustering regroupent les données en clusters en fonction

de leurs similarités ou de leurs différences. Voici quelques types d'algorithmes :

Méthodes basées sur les centroïdes :

 clustering K-Means

 Méthode du coude pour la valeur optimale de k dans KMeans

 clustering K-Means++

 Regroupement en mode K

 Clustering C-Means flou (FCM)

Méthodes basées sur la distribution :

 Modèles de mélange gaussien

 Algorithme de maximisation des attentes

 Modèles de mélange de processus de Dirichlet (DPMM)

Méthodes basées sur la connectivité :

 Regroupement hiérarchique

 Regroupement agglomératif

 Regroupement par division

 Propagation d'affinité

Méthodes basées sur la densité :

 DBSCAN (Clustering spatial basé sur la densité des applications avec bruit)

 OPTIQUE (Points de classement pour identifier la structure de clustering)

2. Réduction de la dimensionnalité

La réduction de dimensionnalité est utilisée pour simplifier les ensembles de

données en réduisant le nombre de fonctionnalités tout en conservant les

informations les plus importantes.

 Analyse en composantes principales (ACP)

 Incorporation stochastique de voisins distribuée en t (t-SNE)

 Factorisation de matrice non négative (NMF)

 Analyse en composantes indépendantes (ACI)

 Isomap

 Enrobage localement linéaire (LLE)

3. Règle d'association

Rechercher des modèles entre les éléments dans de grands ensembles de

données, généralement dans l'analyse du panier de consommation .

 Algorithme a priori

 Implémentation de l'algorithme a priori

 FP-Croissance (Modèle de croissance fréquent)

 ECLAT (Clustering de classes d'équivalence et traversée de treillis

ascendante)

Module 4 : Apprentissage par renforcement

L’apprentissage par renforcement interagit avec l’environnement et apprend

de lui en fonction des récompenses.

Apprentissage par renforcement

1. Méthodes basées sur des modèles

Ces méthodes utilisent un modèle de l’environnement pour prédire les

résultats et aider l’agent à planifier des actions en simulant des résultats

potentiels.

 Processus de décision de Markov (MDP)

 Équation de Bellman

 Algorithme d'itération de valeur

 Recherche d'arbres de Monte-Carlo

2. Méthodes sans modèle

L'agent apprend directement de l'expérience en interagissant avec

l'environnement et en ajustant ses actions en fonction des commentaires.

 Q-Learning

 SARSA
 Méthodes de Monte-Carlo

 Renforcer l'algorithme

 Algorithme acteur-critique

 Avantage asynchrone Acteur-Critique (A3C)

Module 5 : Apprentissage semi-supervisé

Il utilise un mélange de données étiquetées et non étiquetées, ce qui le rend

utile lorsque l'étiquetage des données est coûteux ou très limité.

Apprentissage semi-supervisé

 Classification semi-supervisée

 Autoformation en apprentissage semi-supervisé

 Apprentissage en quelques coups dans l'apprentissage automatique

Module 6 : Modèles de prévision

Les modèles de prévision analysent les données passées pour prédire les

tendances futures, couramment utilisés pour les problèmes de séries

chronologiques tels que les ventes, la demande ou les cours des actions.
 ARIMA (Moyenne mobile intégrée auto-régressive)

 SARIMA (ARIMA saisonnier)

 Lissage exponentiel (Holt-Winters)

Module 7 : Déploiement de modèles ML

Le modèle ML formé doit être intégré dans une application ou un service

pour rendre ses prédictions accessibles.

 Déploiement de l'apprentissage automatique

 Déployer le modèle ML à l'aide de la bibliothèque Streamlit

 Déployer une application Web ML sur Heroku

 Créer des interfaces utilisateur pour le prototypage de modèles

d'apprentissage automatique avec Gradio

Les API permettent à d’autres applications ou systèmes d’accéder aux

fonctionnalités du modèle ML et de les intégrer dans des flux de travail plus

vastes.

 Déployer un modèle d'apprentissage automatique à l'aide de Flask

 Déploiement de modèles ML en tant qu'API à l'aide de FastAPI

Les MLOps garantissent qu'ils sont déployés, surveillés et maintenus

efficacement dans les systèmes de production du monde réel.

 MLOps

 Intégration continue et déploiement continu (CI/CD) dans MLOps

 MLOps de bout en bout

  Pour des idées de projets, reportez-vous à : 100+ Machine
Learning Projects with Source Code [2025] pour une mise en
œuvre pratique sur les projets
 Après l'apprentissage automatique et l'expérience pratique,
nous pouvons commencer l'apprentissage en profondeur à partir
d'ici : Tutoriel sur l'apprentissage en profondeur

Qu'est-ce que l'apprentissage automatique

Plus de 100 projets d'apprentissage automatique

avec code source [2025]
Dernière mise à jour : 28 août 2025





Cet article propose plus de 100 projets et idées d'apprentissage automatique

pour offrir une expérience pratique aux débutants comme aux professionnels.

Que vous soyez étudiant souhaitant enrichir votre CV ou professionnel en

pleine évolution, ces projets offrent un aperçu pratique du monde

de l'apprentissage automatique et de la science des données .

Projet d'apprentissage automatique pour débutants

Une fois les bases du machine learning maîtrisées , il est important de vous

lancer dans des projets pratiques pour renforcer vos compétences. Cette

section propose des projets de machine learning simples et amusants pour

débutants, que vous pourrez rapidement maîtriser pour construire des bases

solides.

1. Traitement de texte et d'images

L'apprentissage automatique peut comprendre du texte et des images. De la

détection de spams à la reconnaissance de chiffres manuscrits, en passant

par la coloration de vieilles photos en noir et blanc, ces projets illustrent

comment l'apprentissage automatique fonctionne avec les données du

quotidien.

1. Détection des courriers indésirables

2. Détection de spam par SMS

3. Classification des documents textuels

4. Classer les chiffres manuscrits

5. OCR des chiffres manuscrits

6. Reconnaître les chiffres manuscrits

7. Identification des chiffres manuscrits à l'aide de la régression logistique

8. Caricature d'une image

9. Compter le nombre d'objets

10. Compter le nombre de visages

11. Détection et extraction de texte

12. Classification des images CIFAR-10

13. Colorisation d'images en noir et blanc

14. Reconnaissance des chiffres manuscrits à l'aide d'un réseau neuronal

2. Analyse des médias sociaux et des sentiments

Chaque jour, les gens expriment leurs opinions sur les réseaux sociaux.

L'apprentissage automatique peut analyser ces publications pour comprendre

si les gens ont des opinions positives, négatives ou neutres sur un sujet.

1. Analyse des sentiments sur Twitter

2. Analyse des sentiments sur Facebook

3. Finance et économie

Le monde financier traite quotidiennement d'énormes quantités de données.

L'apprentissage automatique permet de détecter les fraudes, de prédire le

cours des actions et des cryptomonnaies, et même d'estimer la valeur des

biens immobiliers. Ces projets montrent comment l'apprentissage

automatique peut contribuer à des décisions financières plus éclairées.

1. Détection de fraude par carte de crédit

2. Prévision du prix du Dogecoin

3. Prédiction de la valeur immobilière Zillow (Zestimate)

4. Prévision du prix du Bitcoin

5. Détection de fraude aux paiements en ligne

6. Prévision du cours des actions

7. Projet de prévision du cours des actions à l'aide de TensorFlow

8. Prévision du cours de l'action Microsoft

9. Prédire l'orientation du cours des actions à l'aide de machines à vecteurs

de support

10. Prévision du cours des actions à l'aide de Facebook Prophet

4. Commerce de détail et commerce

Les commerces et les entreprises souhaitent connaître les goûts de leurs

clients, leurs dépenses et comment améliorer leurs ventes. L'apprentissage

automatique peut les aider en prévoyant les ventes, en analysant les prix des

produits, en regroupant les clients et même en étudiant les avis en ligne.

1. Prévision des ventes

2. Prédiction de l'analyse du taux de désabonnement des clients

3. Prévision de la demande de stocks

4. Segmentation de la clientèle

5. Analyse du prix de vente des voitures d'occasion

6. Prévision des recettes du box-office

7. Analyse des sentiments des avis sur Flipkart

8. Prédiction du taux de clics

9. Prédiction de l'approbation des prêts à l'aide de plusieurs modèles

d'apprentissage automatique

10. Prédiction de l'éligibilité au prêt à l'aide de SVM

11. Prévision du prix des maisons

12. Prévisions immobilières à Boston

13. Système de gestion des employés

5. Soins de santé

L'apprentissage automatique aide les médecins et les chercheurs à prédire les

maladies plus tôt et avec plus de précision. Ces projets se concentrent sur des

problèmes de santé comme les maladies cardiaques, le cancer, la maladie de

Parkinson et l'autisme, montrant comment les données peuvent sauver des

vies.

1. Prédiction des maladies

2. Prédiction des maladies cardiaques à l'aide de la régression logistique

3. Prédiction du type de vin

4. Prédiction de la maladie de Parkinson

5. Diagnostic du cancer du sein dans le Wisconsin à l'aide de la régression

logistique

6. Classification des cellules cancéreuses

7. Diagnostic du cancer du sein au Wisconsin à l'aide de KNN et de validation

croisée

8. Prédiction de l'autisme

9. Prévision des prix de l'assurance médicale

10. Détection du cancer de la peau

11. Prédiction des maladies cardiaques à l'aide d'un réseau de neurones

artificiels
12. Prédire l'indice de qualité de l'air

13. Prédire la qualité de l'air avec les réseaux neuronaux

14. Prédiction de survie du Titanic

6. Alimentation et sport

L'apprentissage automatique est utilisé dans de nombreux domaines du

quotidien, comme les tests de qualité alimentaire et l'analyse sportive. Il

permet de prédire la qualité du vin, d'estimer les calories brûlées, de prévoir

les coûts d'assurance et même de prédire les scores des matchs de cricket,

aidant ainsi chacun à prendre de meilleures décisions au quotidien.

1. Prédiction de la qualité du vin

2. Prédiction du score IPL grâce à l'apprentissage profond

3. Prédiction des calories brûlées grâce à l'apprentissage automatique

7. Transports, circulation et environnement

Les systèmes de transport et l'environnement génèrent d'importantes

quantités de données. L'apprentissage automatique peut les analyser pour

améliorer la planification du trafic, prévoir les besoins en déplacements et

même anticiper les précipitations, contribuant ainsi à l'agriculture et à la

gestion des catastrophes.

1. Prédiction du nombre de véhicules à partir des données des capteurs

2. Prévisions de demande de balade à vélo Ola

3. Prévision des précipitations

8. Autres projets importants d'apprentissage automatique

L'apprentissage automatique peut également être utilisé dans de nombreux

autres domaines, comme la détection des fausses nouvelles, la prévision des

pourboires dans les restaurants ou la prévision de la demande de produits.

Ces projets explorent des utilisations uniques et pratiques de l'apprentissage

automatique.

1. Détection et analyse des cris humains pour contrôler le taux de criminalité

2. Projet de vaisseau spatial Titanic

3. Prévision de la demande de stocks

4. Prédiction du pourboire du serveur

5. Détection de fausses nouvelles

6. Modèle de détection des fausses nouvelles

7. Prédire l'efficacité énergétique

Projets avancés d'apprentissage automatique avec code

source

Nous avons discuté ici d’une variété de projets d’apprentissage automatique

complexes qui mettront à l’épreuve à la fois vos compétences pratiques en

ingénierie et vos connaissances théoriques en apprentissage automatique.

1. Traitement d'images et de vidéos

L'apprentissage automatique est très performant pour travailler avec des

images et des vidéos. Ces projets incluent la détection de visages,

l'identification de maladies par rayons X, la classification des animaux et la

reconnaissance des panneaux de signalisation.

1. Classification d'images multiclasses

2. Générateur de légendes d'images

3. Détection de masque facial

4. Classification des races de chiens

5. Reconnaissance des fleurs

6. Classification des chats et des chiens à l'aide de CNN

7. Reconnaissance des panneaux de signalisation

8. Réseaux résiduels (ResNet)

9. Détection du cancer du poumon grâce à CNN

10. Détection du cancer du poumon grâce à l'apprentissage par transfert

11. Colorisation d'images en noir et blanc

12. Détection de pneumonie grâce au Deep Learning

13. Détection du Covid-19 grâce à la radiographie pulmonaire

14. Détection du COVID-19 à partir d'images radiographiques thoraciques

grâce à CNN

15. Segmentation d'images

2. Systèmes de recommandation

Les systèmes de recommandation suggèrent ce que vous aimeriez regarder,

écouter ou acheter. Ces projets montrent comment le machine learning peut

vous recommander des films, de la musique ou des conférences en fonction de

vos préférences.

1. Système de recommandation pour les conférences Ted

2. Système de recommandation de films

3. Recommandation de film basée sur l'émotion

4. Système de recommandation musicale

3. Traitement de la parole et du langage

Grâce au Machine Learning, les ordinateurs peuvent comprendre et traiter le

langage humain. Des projets comme la reconnaissance vocale, les chatbots et

l'analyse des sentiments montrent comment le Machine Learning facilite la

communication avec les machines.

1. Reconnaissance vocale

2. Assistant vocal

3. Prédiction de la phrase suivante

4. Détection des discours de haine

5. Affiner le modèle BERT pour l'analyse des sentiments

6. Classification des sentiments à l'aide de BERT

7. Analyse des sentiments avec RNN

8. Fonction de correction automatique

9. Analyse des critiques de restaurants

10. Analyse des avis sur les restaurants à l'aide du PNL et de SQLite
4. Sécurité et surveillance

L'apprentissage automatique est également utilisé dans le domaine de la

sûreté et de la sécurité. Des projets comme la détection d'intrusion et la

reconnaissance de plaques d'immatriculation contribuent à la prévention et à

la surveillance de la criminalité.

1. Système de détection d'intrusion

2. Reconnaissance des plaques d'immatriculation

3. Détecter et reconnaître la plaque d'immatriculation d'une voiture

5. Autres projets avancés d'apprentissage automatique

Certains projets se concentrent sur de nouveaux domaines prometteurs,

comme la prédiction de l'âge, le suivi des mouvements corporels ou la

reconnaissance des activités quotidiennes. Ils illustrent le large éventail

d'applications du Machine Learning.

1. Détection de l'âge

2. Détection des repères du visage et des mains

3. Reconnaissance de l'activité humaine

4. Modèle séquentiel avec jeu de données Abalone

Pour des projets plus concrets, vous pouvez vous référer à notre
programme 21 projets, 21 jours : ML, Deep Learning & GenAI où
vous construirez 21 projets en 21 jours et si vous êtes en mesure
de réaliser 21 projets en 21 jours, 90 % des frais de cours sont
remboursés.
 7. Science des données avec Python

La science des données permet aux organisations de prendre des décisions

éclairées, de résoudre des problèmes et de comprendre le comportement

humain. L'augmentation du volume de données s'accompagne d'une demande

croissante de data scientists qualifiés. Les langages les plus couramment

utilisés en science des données sont Python et R, Python étant

particulièrement populaire.

 Tutoriel sur la science des données

 Projets de science des données

 Quiz sur la science des données

 Questions d'entretien sur la science des données

Tutoriel sur la science des données avec Python

Dernière mise à jour : 18 septembre 2025





La science des données est devenue l'un des domaines connaissant la plus

forte croissance ces dernières années, aidant les organisations à prendre des

décisions éclairées, à résoudre des problèmes et à comprendre le

comportement humain. La croissance du volume de données s'accompagne

d'une demande croissante de data scientists qualifiés.

Avant de commencer le tutoriel, vous pouvez vous référer à ces articles :

 Qu'est-ce que la science des données ?

 Configuration de l'environnement de science des données

Bibliothèques Python pour la science des données

Pour acquérir une expertise en science des données, vous devez disposer de

bases solides dans les bibliothèques suivantes :

 Pandas pour la manipulation des données

 NumPy pour le calcul numérique

 Matplotlib pour la visualisation des données

 Seaborn pour la visualisation des données

 Scikit-learn pour l'apprentissage automatique

Chargement des données

Le chargement de données signifie importer des données brutes à partir de

diverses sources et les stocker en un seul endroit pour une analyse ultérieure.

 Chargement d'un fichier CSV dans un DataFrame

 Chargement de données à partir d'un fichier Excel

 Chargement de données à partir d'un fichier JSON

 Chargement de données à partir de bases de données SQL

 Web Scraping avec BeautifulSoup pour récupérer des données

 Chargement des données de MongoDB dans DataFrame

Prétraitement des données

Le prétraitement des données implique le nettoyage et la transformation des

données brutes dans un format utilisable pour une analyse précise et fiable.

 Qu'est-ce que le prétraitement des données ?

 Travailler avec des données manquantes à l'aide de Pandas

 Suppression des doublons à l'aide de drop_duplicates()

 Mise à l'échelle et normalisation des données

 Agrégation et regroupement des données

 Sélection de fonctionnalités à l'aide de Sklearn

 Gestion des données catégorielles à l'aide du codage d'étiquettes

 Traitement des données catégorielles à l'aide du codage One-Hot

 Détection des valeurs aberrantes à l'aide du score Z

 Détection des valeurs aberrantes à l'aide de l'écart interquartile

 Gestion des données déséquilibrées

 Prétraitement efficace pour les grands ensembles de données

Analyse des données

L’analyse des données est le processus d’inspection des données pour

découvrir des informations et des tendances significatives afin de prendre des

décisions éclairées.

 Qu'est-ce que le traitement des données ?

 Analyse exploratoire des données en Python

 Analyse univariée et multivariée

 Calcul de la corrélation

 Tests d'hypothèses avec Python

 Test t à un échantillon avec Python

 Test t à deux échantillons avec Python

 ANOVA (Analyse de la Variance) en Python

 Test U de Mann-Whitney en Python

 Test Z en Python
 Test du Chi carré

 PCA avec Python

 Test de Shapiro-Wilk en Python

 Test de rang signé de Wilcoxon en Python

Visualisation des données

La visualisation des données utilise des représentations graphiques telles que

des tableaux et des graphiques pour comprendre et interpréter des données

complexes.

Visualisation des données à l'aide de Matplotlib

 Graphique linéaire

 Diagramme à barres

 Histogramme

 Carte thermique

 Boîte à moustaches

 Nuage de points

 Graphique à secteurs

 Parcelle 3D

Visualisation des données avec Seaborn

 Parcelle de paires

 Parcelle de comptage

 Intrigue de violon
 Terrain en bande

 Tracé KDE (estimation de la densité du noyau)

 Terrain commun

 Parcelle de registre

Visualisation interactive

 Nuage de points

 Graphique à barres

 Graphique linéaire

 Visualisation de données animée

 Cartes choroplèthes utilisant

 Visualisation interactive utilisant Bokeh

 Visualisation des données géospatiales à l'aide de Folium

Apprentissage automatique

L’apprentissage automatique se concentre sur le développement d’algorithmes

qui aident les ordinateurs à apprendre à partir de données et à faire des

prédictions ou des décisions sans programmation explicite.

 Tutoriel sur l'apprentissage automatique

 Tutoriel sur l'apprentissage profond

Introduction à la science des données

 Top 65 des projets de science des données avec
code source
Dernière mise à jour : 6 août 2025





Plongez dans le monde passionnant de la science des données avec notre

sélection de plus de 65 projets de science des données avec code source. Ces

projets sont conçus pour vous permettre d'acquérir une expérience pratique

et de perfectionner vos compétences, que vous soyez débutant ou que vous

souhaitiez approfondir vos connaissances en science des données.

Couvrant tous les aspects, des prédictions de tendances aux visualisations de

données, ces projets vous permettent de travailler avec des données concrètes

et de relever des défis pratiques. Parfaits pour les étudiants, les demandeurs

d'emploi et les passionnés de données, ces projets vous aideront à vous

démarquer dans le secteur concurrentiel de la science des données. Lancez-

vous et commencez à construire !

Explorez des projets de science des données de pointe avec le code source

complet pour 2025. Ces projets phares couvrent un large éventail

d'applications, de l'apprentissage automatique et de l'analyse

prédictive au traitement du langage naturel et à la vision par ordinateur .

Explorez des exemples concrets pour améliorer vos compétences et votre

compréhension de la science des données.

Table des matières

 Meilleurs projets de science des données avec code source

 Projets de Web Scraping

 Analyse et visualisation des données

 Projets d'apprentissage automatique

 Séries chronologiques et prévisions

 Projets d'apprentissage profond

 Projets OpenCV

 Projets PNL

Meilleurs projets de science des données avec code source

Voici les meilleurs projets de science des données avec code source, pour

débutants et experts, afin de vous offrir une expérience d'apprentissage

enrichissante. Ces projets vous aident à comprendre les applications de la

science des données en proposant des problèmes concrets et leurs solutions.

Ces projets utilisent diverses technologies comme Pandas , Matplotlib , Scikit-

learn , TensorFlow et bien d'autres. Les projets d'apprentissage profond

utilisent couramment TensorFlow et PyTorch, tandis que les projets de

traitement du langage naturel (TALN) s'appuient sur NLTK, SpaCy et

TensorFlow.

Nous avons classé ces projets en six catégories. Cela vous aidera à comprendre

la science des données et ses applications dans différents domaines. Vous

pouvez vous spécialiser dans un domaine particulier ou constituer un portfolio

diversifié pour votre recherche d'emploi.

Projets de Web Scraping

Explorez le monde fascinant du web scraping en créant ces projets de science

des données avec ces exemples passionnants.

1. Grattage de citations

2. Grattage et nettoyage de texte Wikipédia

3. Analyse et récupération de critiques de films

4. Extraction et analyse des prix des produits

5. Extraction et analyse de nouvelles

6. Scraping et visualisation de propriétés immobilières, vous pouvez

télécharger l'ensemble de données à partir

de : [Link]

estate-market

7. Portail d'emploi Geeksforgeeks : Web Scraping pour la recherche d'emploi

8. Vidéos de la chaîne YouTube Web Scrapping

9. Analyse et récupération du cours des actions en temps réel

Analyse et visualisation des données

Lancez-vous dans un voyage axé sur les données avec ces projets captivants

d'analyse et de visualisation de données exploratoires.

1. Analyse de données Zomato à l'aide de Python

2. Analyse des données IPL

3. Analyse des données Airbnb

4. Analyse et visualisation des données mondiales sur la Covid-19

5. Analyse et prévisions des prix des logements

6. Analyse du panier de consommation

7. Analyse des données du Titanic et prévisions de survie

8. Analyse et prévisions des données sur les fleurs d'iris

9. Analyse du taux de désabonnement des clients

10. Analyse des prévisions de prix des voitures

11. Analyse des données électorales indiennes

12. Analyse des RH pour suivre les performances des employés

13. Analyse des recommandations de produits

14. Analyse et prévisions des approbations de cartes de crédit

15. Analyse des données sur les trajets Uber

16. Analyse des ventes d'iPhone

17. Analyse de la recherche Google

18. Analyse et visualisation du rapport mondial sur le bonheur

19. Analyse des données de l'Apple Smart Watch, vous pouvez télécharger

l'ensemble de données à partir

de : [Link]

fitbit-data.
20. Analyser les statistiques de la dette internationale, vous pouvez télécharger

l'ensemble de données à partir

de : [Link]

statistics

Projets d'apprentissage automatique

Plongez dans le monde de l'apprentissage automatique avec ces projets

pratiques de science des données du monde réel.

Prédiction de la qualité du vin Vidéo

Prédiction des maladies grâce à l'apprentissage automatique Vidéo

Prédiction de l'approbation des prêts grâce à l'apprentissage automatique Vidéo

ML | Prédiction des maladies cardiaques par régression logistique Vidéo

Prévision du prix des logements grâce à l'apprentissage automatique en Python Vidéo

ML | Défi Kaggle pour le logement à Boston avec régression linéaire Vidéo

Diagnostic du cancer du sein (Wisconsin) par régression logistique (ML) Vidéo

ML | Classification des cellules cancéreuses à l'aide de Scikit-learn Vidéo

Prévision du cours des actions grâce à l'apprentissage automatique en Python Vidéo

Diagnostic du cancer du sein (Wisconsin) par Kaggle (KNN) et validation croisée Vidéo

Prévision des recettes du box-office à l'aide de la régression linéaire en ML Vidéo

Détection de fraude aux paiements en ligne grâce à l'apprentissage automatique

Vidéo
en Python

Prédiction du prix du Bitcoin grâce à l'apprentissage automatique en Python Vidéo

 Reconnaître les chiffres manuscrits dans Scikit Learn Vidéo

Prédiction de la valeur immobilière Zillow (Zestimate) en ML Vidéo

Prédiction des calories brûlées grâce à l'apprentissage automatique Vidéo

Détection de fraude par carte de crédit Vidéo

Prédiction de l'éligibilité aux prêts à l'aide de modèles d'apprentissage

Vidéo
automatique en Python

Système de recommandation en Python Vidéo

Segmentation de la clientèle à l'aide de l'apprentissage automatique non

Vidéo
supervisé en Python

Séries chronologiques et prévisions

Projets de science des données sur les séries chronologiques et les prévisions-

1. Analyse des séries chronologiques avec les données sur le cours des actions

2. Analyse des données météorologiques

3. Analyse des séries chronologiques avec des données de cryptomonnaie

4. Analyse des données sur le changement climatique

5. Détection d'anomalies dans les données de séries chronologiques

6. Prévision des ventes – Python

7. Modélisation prédictive pour la prévision des ventes ou de la demande

8. Analyse des données sur la qualité de l'air et visualisations dynamiques

9. Analyse et prévisions du prix de l'or au fil du temps

10. Prévisions des prix des denrées alimentaires

11. Analyse des données sur le chômage en fonction du temps

12. Prévision du prix du Dogecoin grâce à l'apprentissage automatique

Projets d'apprentissage profond

Plongez dans ces projets de science des données sur Deep Learning pour voir

à quel point les ordinateurs peuvent être intelligents !

Prédiction du type de vin à l'aide du Deep Learning Vidéo

Prédiction du score IPL grâce à l'apprentissage profond Vidéo

Reconnaissance des chiffres manuscrits à l'aide d'un réseau neuronal Vidéo

Prédire l'efficacité énergétique à l'aide de Tensorflow en Python Vidéo

Identification des chiffres manuscrits à l'aide de la régression logistique dans PyTorch Vidéo

Projets OpenCV

Explorez des projets fascinants de science des données avec OpenCV, un outil

génial pour manipuler des images et des vidéos. Vous pouvez réaliser des

tâches amusantes comme reconnaître des visages , suivre des objets et même

créer vos propres filtres de type Snapchat . Exploitons ensemble la puissance

de la vision par ordinateur !

OCR des chiffres manuscrits | OpenCV Vidéo

Dessiner une image avec OpenCV – Python Vidéo

Compter le nombre d'objets à l'aide de Python-OpenCV Vidéo

Compter le nombre de visages avec Python – OpenCV Vidéo

Détection et extraction de texte à l'aide d'OpenCV et d'OCR Vidéo

Projets PNL

Découvrez la magie des projets de traitement automatique du langage

naturel (TALN) , où les ordinateurs apprennent à comprendre le langage

humain. Plongez dans des tâches passionnantes comme l'analyse des

sentiments, les chatbots et la traduction. Rejoignez l'aventure : apprenez aux

ordinateurs à parler notre langue grâce à ces projets passionnants.

Détection des spams à l'aide de Tensorflow en Python Vidéo

Détection de spam par SMS à l'aide de TensorFlow en Python Vidéo

Détection de fausses nouvelles grâce à l'apprentissage automatique Vidéo

Modèle de détection de fausses nouvelles utilisant TensorFlow en Python Vidéo

Analyse des sentiments sur Twitter à l'aide de Python Vidéo

Analyse des sentiments sur Facebook à l'aide de Python Vidéo

Détection des discours haineux grâce à l'apprentissage profond Vidéo

Analyse des sentiments des avis Flipkart avec Python Vidéo

Projets de science des données avec code source

Conclusion

Au cours de ce voyage à travers des projets de science des données, nous

avons exploré un large éventail de sujets et d'applications fascinants. De la

découverte d'informations issues du web scraping et de l'analyse exploratoire

des données à la résolution de problèmes concrets avec l'apprentissage

automatique, l'apprentissage profond, OpenCV et le traitement du langage

naturel (TALN), nous avons pu constater la puissance des insights basés sur

les données.

Qu'il s'agisse de prédire la qualité du vin, de détecter les fraudes, d'analyser

les sentiments ou de prévoir les ventes, chaque projet illustre comment la

science des données transforme les données brutes en connaissances

exploitables. Grâce à ces projets, nous avons exploité le potentiel de la

technologie pour prendre des décisions plus éclairées, améliorer les processus

et enrichir notre compréhension du monde qui nous entoure.

 Prédiction du diabète par apprentissage automatique avec Python

8. Apprentissage profond

L'apprentissage profond est une branche de l'intelligence artificielle (IA) qui

permet aux machines d'apprendre à partir de grandes quantités de données.

Il utilise des réseaux neuronaux multicouches pour identifier

automatiquement des modèles et formuler des prédictions.

 Tutoriel sur l'apprentissage profond

 Projets d'apprentissage profond

 Quiz sur l'apprentissage profond

 Questions d'entretien sur l'apprentissage profond

Tutoriel sur l'apprentissage profond

Dernière mise à jour : 23 juil. 2025




Le Deep Learning est un sous-ensemble de l'intelligence artificielle (IA) qui

permet aux machines d'apprendre à partir de vastes ensembles de données

grâce à des réseaux neuronaux multicouches. Il identifie automatiquement des

modèles et effectue des prédictions, éliminant ainsi le besoin d'extraction

manuelle de caractéristiques. Ce tutoriel sur le Deep Learning couvre des

sujets de base aux sujets avancés, ce qui le rend idéal pour les débutants

comme pour les experts.

Introduction aux réseaux neuronaux

Les réseaux de neurones sont des éléments fondamentaux de l'apprentissage

profond, inspirés du cerveau humain. Ils sont constitués de couches de nœuds

interconnectés, ou « neurones », chacun conçu pour effectuer des calculs

spécifiques. Ces nœuds reçoivent des données d'entrée, les traitent via diverses

fonctions mathématiques et transmettent les résultats aux couches suivantes.

 réseaux neuronaux

 Neurones biologiques vs neurones artificiels

 Perceptron monocouche

 Perceptron multicouche

 Réseaux de neurones artificiels (RNA)

 Types de réseaux neuronaux

 Architecture et processus d'apprentissage dans les réseaux neuronaux

Composants de base des réseaux neuronaux

Les composants de base du réseau neuronal sont :

 Couches dans les réseaux neuronaux

 Poids et biais

 Propagation vers l'avant

 Fonctions d'activation

 Fonctions de perte

 Rétropropagation

 Taux d'apprentissage
Algorithme d'optimisation en apprentissage profond

Les algorithmes d'optimisation en apprentissage profond permettent de

minimiser la fonction de perte en ajustant les pondérations et les biais du

modèle. Les plus courants sont :

 Algorithmes d'optimisation en apprentissage profond

 Descente de gradient

 Descente de gradient stochastique (SGD)

 Normalisation des lots

 Descente de gradient en mini-lot

 Adam (Estimation adaptative du moment)

 Optimiseur de gradient basé sur l'élan

 Optimiseur Adagrad

 Optimiseur RMSProp

Un framework d'apprentissage profond fournit des outils et des API pour la

création et l'entraînement de modèles. Des frameworks populaires comme

TensorFlow, PyTorch et Keras simplifient la création et le déploiement de

modèles.

Pour plus de détails, vous pouvez vous référer à : Qu'est-ce

qu'un framework d'apprentissage profond ?

Types de modèles d'apprentissage profond

Voyons différents types de modèles d’apprentissage profond :

1. Réseaux de neurones convolutifs (CNN)

Les réseaux de neurones convolutifs (CNN) sont une classe de réseaux

neuronaux profonds conçus pour traiter des données de type grille, telles que

des images. Ils utilisent des couches convolutives pour détecter

automatiquement des motifs tels que des contours, des textures et des formes

dans les données.

 Algorithmes d'apprentissage profond

 Réseaux de neurones convolutifs (CNN)

 Principes de base du traitement d'images numériques

 Importance pour CNN

 Rembourrage

 Couches convolutives

 Couches de regroupement

 Couches entièrement connectées

 Rétropropagation dans les CNN

 Classification d'images basée sur CNN à l'aide de PyTorch

 Classification d'images basée sur CNN à l'aide de TensorFlow

Architectures basées sur les CNN : Il existe différentes architectures dans les

CNN qui ont été développées pour des types de problèmes spécifiques tels que :

 Architectures de réseaux neuronaux convolutifs (CNN)

 LeNet-5

 AlexNet
 VGGnet

 Réseau VGG-16

 GoogleLeNet/Inception

 ResNet (réseau résiduel)

 MobileNet

2. Réseaux neuronaux récurrents (RNN)

Les réseaux neuronaux récurrents (RNN) sont une classe de réseaux

neuronaux utilisés pour modéliser des données séquentielles telles que des

séries chronologiques ou un langage naturel.

 Réseaux neuronaux récurrents (RNN)

 En quoi les RNN diffèrent-ils des réseaux neuronaux à propagation

directe ?

 Rétropropagation dans le temps (BPTT)

 Problème de gradient disparaissant et de gradient explosif

 Formation de RNN dans TensorFlow

 Analyse des sentiments avec RNN

Types de réseaux neuronaux récurrents : Il existe différents types de RNN, à

savoir :

 Types de réseaux neuronaux récurrents

 RNN bidirectionnels

 Mémoire à long terme et à court terme (LSTM)

 Mémoire à long terme bidirectionnelle (Bi-LSTM)

 Unités récurrentes fermées (GRU)

3. Modèles génératifs en apprentissage profond

Les modèles génératifs génèrent de nouvelles données similaires aux données

d'entraînement. Les principaux types de modèles génératifs sont :

 Réseaux antagonistes génératifs (GAN)

 Autoencodeurs

 Modèles GAN vs. Transformer

Types de réseaux antagonistes génératifs (GAN) : Les GAN sont constitués de

deux réseaux neuronaux, le générateur et le discriminateur, qui sont en

compétition. Les variantes de GAN incluent :

 GAN à convolution profonde (DCGAN)

 GAN conditionnel (cGAN)

 GAN à cycle cohérent (CycleGAN)

 GAN à super-résolution (SRGAN)

 StyleGAN

Types d'autoencodeurs : Les autoencodeurs sont des réseaux neuronaux

utilisés pour l'apprentissage non supervisé, qui apprennent à compresser et à

reconstruire des données. Parmi les différents types d'autoencodeurs, on

trouve :

 Types d'autoencodeurs
 Autoencodeur clairsemé

 Autoencodeur de débruitage

 Autoencodeur convolutif

 Autoencodeur variationnel

4. Apprentissage par renforcement profond (DRL)

L'apprentissage par renforcement profond allie la puissance d'apprentissage

de représentation de l'apprentissage profond à la capacité décisionnelle de

l'apprentissage par renforcement. Il aide les agents à apprendre des

comportements optimaux dans des environnements complexes par essais et

erreurs, en utilisant des entrées sensorielles de grande dimension.

 Apprentissage par renforcement profond

 Apprentissage par renforcement

 Processus de décision de Markov

Algorithmes clés de l'apprentissage par renforcement profond

 Réseaux Q profonds (DQN)

 RENFORCER

 Méthodes de l'acteur-critique

 Optimisation des politiques proximales (PPO)

Avantages et inconvénients de l'apprentissage profond

Avantages :
1. Haute précision et automatisation dans les tâches complexes.

2. Extraction automatique de fonctionnalités à partir de données.

Inconvénients:

1. Nécessite de grands ensembles de données et une puissance de calcul

importante.

2. Architecture complexe et processus de formation.

Pour plus de détails, vous pouvez vous référer à : Avantages et

inconvénients du Deep Learning

Les défis de l'apprentissage profond

1. Exigences en matière de données : nécessite de grands ensembles de

données pour la formation.

2. Ressources de calcul : Nécessite un matériel puissant.

3. Interprétabilité : les modèles sont difficiles à interpréter.

4. Surajustement : risque de mauvaise généralisation à de nouvelles données.

Pour plus de détails, vous pouvez vous référer à : Défis en

apprentissage profond

Applications pratiques de l'apprentissage profond

1. Voitures autonomes : reconnaître les objets et naviguer sur les routes.

2. Diagnostic médical : Analyser des images médicales pour détecter des

maladies.

3. Reconnaissance vocale : alimentez les assistants virtuels comme Siri et

Alexa.

4. Reconnaissance faciale : identifier des individus dans des images/vidéos.

 5. Systèmes de recommandation : suggérer du contenu personnalisé (Netflix,

Amazon).

Pour plus de détails, vous pouvez vous référer à : Applications

pratiques

Ce tutoriel sur le Deep Learning s'adresse aussi bien aux débutants qu'aux

apprenants expérimentés. Que vous débutiez ou souhaitiez approfondir vos

connaissances, ce tutoriel vous aidera à comprendre les concepts et

techniques clés du Deep Learning.

Projets d'apprentissage profond

Dernière mise à jour : 23 juil. 2025





Les projets d'apprentissage profond impliquent l'application de techniques

avancées d'apprentissage automatique à des données complexes, afin de

développer des systèmes intelligents capables d'apprendre et de prendre des

décisions de manière autonome. Ces projets s'appuient souvent sur de vastes

ensembles de données, de puissantes ressources de calcul et des algorithmes

sophistiqués pour s'attaquer à des tâches complexes dans divers domaines.

En utilisant des réseaux neuronaux profonds et en les entraînant sur des

données volumineuses, les projets d’apprentissage en profondeur s’efforcent

d’imiter les capacités humaines dans des domaines tels que la reconnaissance

d’images et de la parole, le traitement du langage naturel, l’analyse

prédictive, etc.

Principaux projets d'apprentissage profond

Dans cet article, nous allons expliquer les projets d'apprentissage profond. Ces

projets couvrent un large éventail d'applications, notamment la vision par

ordinateur, le traitement du langage naturel, la santé, la finance, la

robotique et les systèmes autonomes. Chaque projet implique généralement

une problématique ou un objectif spécifique, abordé par une combinaison de

collecte de données, de prétraitement, de conception de modèles,

d'entraînement et d'évaluation.
Le choix de l’architecture et des techniques d’apprentissage en profondeur

dépend de la nature des données et de la tâche à accomplir, nécessitant une

solide compréhension des principes d’apprentissage automatique et des

méthodes de calcul.

Table des matières

 Construire un outil de diagnostic médical basé sur l'apprentissage

profond

 Chatbot de santé parlant utilisant le Deep Learning

 Détection des discours haineux grâce à l'apprentissage profond

 Détection du cancer du poumon à l'aide d'un réseau neuronal convolutif

(CNN)

 Détection de l'âge à l'aide de l'apprentissage profond dans OpenCV

 Colorisation d'images en noir et blanc avec OpenCV et Deep Learning

 Détection de pneumonie grâce au Deep Learning

 Détection de contours imbriquée de manière holistique avec OpenCV et

Deep Learning

 Prédiction du score IPL grâce à l'apprentissage profond

 Générateur de légendes d'images utilisant l'apprentissage profond sur

l'ensemble de données Flickr8K

 Reconnaissance de l'activité humaine : utilisation d'un modèle

d'apprentissage profond
 Avengers Endgame et apprentissage profond | Génération de légendes

d'images avec les personnages d'Avengers Endgames

 Prédiction du type de vin à l'aide du Deep Learning

 Prédiction des retards de vol grâce au Deep Learning

Construire un outil de diagnostic médical basé sur

l'apprentissage profond

Ce tutoriel utilise un ensemble de données contenant les symptômes des

patients et les maladies correspondantes, structuré sous forme de fichier CSV.

Chaque colonne représente des symptômes spécifiques et une colonne cible

indique les maladies. Le modèle de réseau neuronal utilisé ici présente une

architecture à rétroaction à trois couches. La couche d'entrée accepte les

symptômes des patients comme données d'entrée, tandis que la couche

cachée traite ces informations à l'aide de fonctions d'activation. La couche de

sortie prédit ensuite les probabilités pour chaque maladie. Cette approche

illustre les projets d'apprentissage profond visant à exploiter des ensembles de

données complexes pour améliorer les diagnostics médicaux.

Pour optimiser le modèle, nous utilisons l'optimiseur Adam et la fonction de

perte d'entropie croisée binaire lors de la compilation. Les étapes de

prétraitement des données, notamment la gestion des valeurs manquantes et

la normalisation des données, sont cruciales pour garantir la précision et

l'efficacité du modèle lors de l'entraînement, tant sur les sous-ensembles

d'entraînement que de test.

Après apprentissage, le modèle peut prédire les probabilités de maladie pour

les nouvelles données patient, illustrant ainsi son potentiel comme outil

précieux pour la prise de décision médicale. En chargeant et en appliquant le

modèle enregistré, les professionnels de santé bénéficient d'une précision et

d'une efficacité diagnostiques accrues, facilitées par des projets

d'apprentissage profond comme celui-ci.

Ce tutoriel vise à démontrer l'impact transformateur de l'apprentissage

profond sur les soins de santé, en démontrant comment les techniques

d'apprentissage automatique peuvent relever des défis médicaux complexes. À

travers des exemples pratiques utilisant Keras, il met en lumière l'application

de l'IA au diagnostic médical, promettant des avancées significatives dans la

prise en charge des patients et la précision des diagnostics.

Chatbot de santé parlant utilisant le Deep Learning

L'article commence par une introduction aux chatbots, soulignant leur

importance dans le secteur de la santé. Il met en avant les avantages

potentiels de leur utilisation dans le secteur de la santé, notamment

l'amélioration de l'engagement des patients, la gestion efficace des requêtes

courantes et l'amélioration de l'accessibilité aux informations médicales.

L'intégration de projets d'apprentissage profond renforce la capacité de ces

chatbots à comprendre les requêtes médicales complexes et à fournir des

réponses précises.

Le tutoriel aborde ensuite la mise en œuvre pratique du développement du

chatbot santé. Il couvre les étapes nécessaires, en commençant par la collecte

et le prétraitement des données. Les auteurs utilisent un jeu de données

contenant des questions et réponses liées à la santé, qui est ensuite traité

pour préparer un vocabulaire et encoder les données textuelles. Cette étape

fondamentale ouvre la voie à des projets d'apprentissage profond capables

d'exploiter de grands jeux de données pour améliorer les performances du

chatbot.

Ce tutoriel présente ensuite le concept de reconnaissance d'intention, un

aspect crucial du développement de chatbots. Il consiste à entraîner un

modèle à reconnaître l'intention de l'utilisateur derrière chaque requête. Les

auteurs utilisent un modèle d'apprentissage profond, plus précisément un

réseau de mémoire à long terme (LSTM), pour effectuer la reconnaissance

d'intentions. Le modèle est entraîné sur l'ensemble de données prétraitées

afin d'apprendre des schémas et de générer des réponses basées sur les saisies

de l'utilisateur. Ce projet d'apprentissage profond illustre l'application des

réseaux neuronaux avancés à la création de systèmes de chatbots intelligents.

L'article aborde également le déploiement du chatbot et fournit des

instructions pour intégrer le modèle entraîné à une application web. Les

utilisateurs peuvent ainsi interagir avec le chatbot via une interface conviviale,

illustrant la mise en œuvre concrète de projets d'apprentissage profond dans

des applications concrètes, comme les chatbots de santé.

Détection des discours haineux grâce à l'apprentissage

profond

Avec la multiplication des plateformes de communication en ligne, les

discours de haine sont devenus une préoccupation majeure, conduisant

souvent au harcèlement, à la discrimination, voire à la violence dans la vie

réelle. Cet article vise à démontrer comment les modèles d'apprentissage

profond, essentiels aux projets d'apprentissage profond , peuvent être

entraînés à identifier et classer les discours de haine, contribuant ainsi à un

environnement en ligne plus sûr.

Ce tutoriel commence par une introduction au problème des discours de

haine et à leurs conséquences néfastes sur les individus et la société. Il souligne

la nécessité de systèmes automatisés de détection des discours de haine

capables de traiter efficacement et précisément de grands volumes de

contenu en ligne, et met en avant les applications pratiques des projets

d'apprentissage profond.

Ensuite, ils se penchent sur la mise en œuvre pratique de la création d'un

modèle de détection des discours haineux par apprentissage profond. Ils

commencent par définir le problème comme une tâche de classification de

texte, dont l'objectif est de classer un texte donné comme discours haineux ou

non haineux. Cette approche illustre le potentiel transformateur des projets

d'apprentissage profond pour répondre à des enjeux sociétaux complexes.

Le projet présente différents modèles d'apprentissage profond utilisables pour

la détection des discours haineux, notamment les réseaux de neurones

récurrents (RNN), les réseaux de mémoire à long terme (LSTM) et les

modèles basés sur des transformateurs comme BERT. Les auteurs présentent

l'architecture de chaque modèle et expliquent comment ils permettent de

capturer efficacement les informations contextuelles des données textuelles,

soulignant ainsi leur pertinence dans les projets d'apprentissage profond

visant à améliorer la sécurité en ligne et la modération des discours.

Détection du cancer du poumon à l'aide d'un réseau

neuronal convolutif (CNN)

Le cancer du poumon est l'une des principales causes de décès par cancer

dans le monde, et une détection précoce et précise joue un rôle essentiel dans

l'amélioration des résultats pour les patients. Cet article vise à démontrer

comment les techniques d'apprentissage profond peuvent être exploitées pour

développer un système efficace de détection du cancer du poumon.

Le tutoriel commence par une introduction au sujet, soulignant l'importance

de la détection précoce du cancer du poumon et les avantages potentiels de

l'utilisation des CNN. Il offre un bref aperçu des étapes du processus de

détection, notamment la collecte des données, le prétraitement,

l'entraînement du modèle et l'évaluation.

Les auteurs se penchent ensuite sur la mise en œuvre pratique du système de

détection du cancer du poumon. Ils utilisent un ensemble de données de

tomodensitométrie (TDM), technique d'imagerie couramment utilisée pour le

diagnostic du cancer du poumon. Cet ensemble de données contient des

images TDM de patients atteints d'un cancer du poumon confirmé et de

personnes en bonne santé.

Ce tutoriel couvre les étapes de prétraitement, telles que l'augmentation, la

normalisation et le redimensionnement des données, afin de préparer les

images à l'entraînement du modèle. Les auteurs présentent ensuite

l'architecture CNN utilisée pour la détection du cancer du poumon. Ils

expliquent les différentes couches du CNN, notamment les couches

convolutives, les couches de pooling et les couches entièrement connectées,

ainsi que leurs fonctions respectives.

Le modèle est entraîné sur les images CT prétraitées, et les auteurs détaillent

le processus d'entraînement, notamment le choix de la fonction de perte, de

l'optimiseur et des mesures d'évaluation. Le modèle entraîné est ensuite

évalué sur un jeu de données test distinct afin d'évaluer ses performances

dans la détection du cancer du poumon.

Détection de l'âge à l'aide de l'apprentissage profond

dans OpenCV

Ce projet d'apprentissage profond couvre les étapes de prétraitement des

données, notamment la détection des visages, l'alignement et la

normalisation, afin de garantir que les images d'entrée sont correctement

formatées pour le modèle d'apprentissage profond. Les auteurs utilisent les

fonctions intégrées d'OpenCV pour la détection des visages et fournissent des

exemples de code pour effectuer les opérations de prétraitement nécessaires.

Le projet introduit le concept d'apprentissage par transfert, qui consiste à

utiliser un modèle d'apprentissage profond pré-entraîné comme point de

départ et à l'affiner pour la tâche spécifique de détection de l'âge. Les auteurs

choisissent un modèle pré-entraîné, tel que VGG16 ou ResNet, et remplacent

la couche de sortie par une nouvelle couche adaptée à la prédiction de l'âge.

Le modèle est ensuite entraîné sur l'ensemble de données prétraité, et les

auteurs détaillent le processus d'entraînement, notamment le choix de la

fonction de perte, de l'optimiseur et du nombre d'époques. Ils abordent

également l'importance des techniques de régularisation, comme le dropout,

pour éviter le surapprentissage et améliorer les performances de

généralisation du modèle.

Colorisation d'images en noir et blanc avec OpenCV et Deep

Learning
La colorisation d'images est une tâche fascinante en vision par ordinateur,

car elle implique de comprendre les motifs et le contexte sous-jacents d'une

image afin d'attribuer les couleurs appropriées à différentes zones. Cet article

vise à guider les lecteurs dans la création d'un modèle d'apprentissage

profond capable de colorier automatiquement des images en noir et blanc.

Le projet débute par une introduction à la colorisation d'images et à ses

applications potentielles. Il met en lumière l'importance artistique et pratique

de la colorisation, notamment pour la restauration de photographies

anciennes, l'amélioration des effets visuels dans les films ou l'amélioration de

l'accessibilité des images pour les personnes daltoniennes.

Le projet couvre les étapes de prétraitement des données, notamment le

redimensionnement et la normalisation des images, ainsi que la division de

l'ensemble de données en sous-ensembles d'entraînement et de test. Les

auteurs fournissent des exemples de code utilisant les fonctions OpenCV pour

charger, prétraiter et manipuler efficacement les images.

Détection de pneumonie grâce au Deep Learning

Ce projet de deep learning se concentre sur la détection de la pneumonie

grâce à des techniques de deep learning. La pneumonie est une maladie

respiratoire grave qui affecte les poumons, et une détection précoce est

essentielle à un traitement efficace. Cet article vise à démontrer comment le

deep learning peut être appliqué aux données d'imagerie médicale pour

développer un système de détection précis et efficace de la pneumonie.

Cet article commence par une introduction à la pneumonie et à son impact

sur la santé mondiale. Il souligne la nécessité de systèmes de détection

automatisés permettant aux professionnels de santé de diagnostiquer la

pneumonie avec précision et rapidité. Les auteurs présentent ensuite

l'ensemble de données utilisé, constitué de radiographies thoraciques

marquées comme positives ou négatives pour la pneumonie.

La section sur la mise en œuvre pratique couvre le prétraitement des données,

la sélection du modèle et l'apprentissage. Les auteurs expliquent les étapes

d'augmentation d'image, de normalisation et de division du jeu de données.

Ils choisissent un réseau de neurones convolutifs (CNN) comme modèle

d'apprentissage profond, soulignant son efficacité dans les tâches de

classification d'images. Le CNN est entraîné sur les images radiographiques

prétraitées pour identifier les schémas indicateurs de pneumonie.

Détection de contours imbriquée de manière holistique avec

OpenCV et Deep Learning

L'objectif principal de ce projet d'apprentissage en profondeur est de

présenter aux lecteurs HED, une technique puissante de détection des

contours dans les images, et de démontrer sa mise en œuvre à l'aide de

l'apprentissage en profondeur et de la bibliothèque OpenCV.

La détection des contours est une tâche fondamentale en vision par

ordinateur, utilisée pour identifier les limites et les contours des images. Les

algorithmes traditionnels de détection des contours peinent souvent à gérer

des images ou des scènes complexes avec des conditions d'éclairage variables.

L'HED, quant à elle, est une approche basée sur l'apprentissage profond qui a

démontré des performances remarquables en matière de détection précise

des contours.

Le projet débute par une introduction à la détection des contours et à ses

applications, soulignant les limites des méthodes traditionnelles. Il explique

ensuite le concept de HED, qui consiste à utiliser un réseau neuronal

convolutif profond (CNN) pour détecter les contours de manière holistique à

plusieurs échelles et niveaux de détail.

Prédiction du score IPL grâce à l'apprentissage profond

L'article vise à démontrer comment les modèles d'apprentissage profond

peuvent être formés pour prédire les scores IPL, fournissant des informations

précieuses aux fans, aux parieurs et aux analystes sportifs.

Le tutoriel commence par une introduction à l'IPL et à l'engouement qui

l'entoure. Il souligne l'importance de la prédiction des scores, qui peut

améliorer l'expérience de visionnage, faciliter les décisions de paris éclairées et

faciliter l'élaboration des stratégies des équipes. Les auteurs abordent ensuite

l'ensemble de données utilisé pour entraîner les modèles d'apprentissage

profond, qui comprend les détails des matchs, les performances des équipes,

les statistiques des joueurs et les résultats des matchs précédents.

La section sur la mise en œuvre pratique couvre le prétraitement des données,

la sélection des modèles et l'entraînement. Les auteurs expliquent les étapes

de nettoyage des données, d'ingénierie des caractéristiques et de division de

l'ensemble de données en ensembles d'entraînement et de test. Ils explorent

différents modèles d'apprentissage profond adaptés aux tâches de régression,

tels que les réseaux de neurones à propagation directe, les réseaux de

neurones récurrents (RNN) et les réseaux de mémoire à long terme (LSTM).

Générateur de légendes d'images utilisant l'apprentissage

profond sur l'ensemble de données Flickr8K

L’objectif principal de cet apprentissage en profondeur est de montrer

comment les modèles d’apprentissage en profondeur peuvent être formés

pour générer automatiquement des légendes descriptives pour les images,

facilitant la compréhension des images et fournissant un contexte aux

personnes malvoyantes.

Générer des légendes d'images est une tâche complexe en vision par

ordinateur et en traitement du langage naturel. Elle implique l'analyse du

contenu d'une image et la génération d'une description textuelle représentant

fidèlement les objets, les actions et le contexte représentés. Cet article

propose un guide pratique pour la création d'un générateur de légendes

d'images utilisant des algorithmes d'apprentissage profond et le jeu de

données Flickr8k.

Ce guide commence par une introduction à la génération de légendes

d'images et à ses applications potentielles. Il souligne l'importance de la

génération automatique de légendes descriptives, notamment pour les

personnes malvoyantes, afin d'améliorer leur compréhension des images

partagées sur les réseaux sociaux ou le web.

Ce projet couvre les étapes de prétraitement des données, notamment le

prétraitement des images et des légendes, ainsi que la création de vocabulaire.

Les auteurs fournissent des exemples de code pour le chargement et le

prétraitement des images, la tokenisation des légendes et la création d'une

correspondance entre les mots et les entiers uniques pour un traitement

efficace.

Reconnaissance de l'activité humaine : utilisation d'un

modèle d'apprentissage profond

L’objectif principal de cet article est de montrer comment les techniques

d’apprentissage en profondeur peuvent être appliquées pour reconnaître et

classer les activités humaines à partir de données de capteurs, avec des

applications potentielles dans les domaines de la santé, de la surveillance et

de l’interaction homme-ordinateur.
La reconnaissance des activités humaines est une tâche complexe en vision

par ordinateur et en reconnaissance de formes. Elle implique l'analyse de

données collectées par des capteurs, tels que des accéléromètres et des

gyroscopes, afin d'identifier et de classer différentes activités humaines

comme marcher, courir, s'asseoir ou monter des escaliers. Cet article propose

un guide pratique pour la construction d'un modèle de reconnaissance

d'activités utilisant des algorithmes d'apprentissage profond.

Ce tutoriel commence par une introduction à la reconnaissance d'activité

humaine et à ses applications potentielles. Il souligne l'importance d'une

reconnaissance précise de l'activité dans divers domaines, notamment le suivi

de la condition physique, la détection des chutes pour les soins aux personnes

âgées et les systèmes contextuels. Les auteurs abordent ensuite le jeu de

données utilisé pour l'entraînement des modèles d'apprentissage profond,

constitué de données de capteurs collectées à partir d'appareils portables ou

de smartphones.

La section sur la mise en œuvre pratique couvre le prétraitement des données,

la sélection des modèles et l'entraînement. Les auteurs expliquent les étapes

de normalisation des données, d'extraction de caractéristiques et de division

de l'ensemble de données en sous-ensembles d'entraînement et de test. Ils

explorent différents modèles d'apprentissage profond adaptés à la

reconnaissance d'activités, notamment les réseaux de neurones convolutifs

(CNN) et les réseaux de neurones récurrents (RNN) avec unités de mémoire à

long terme (LSTM).

Avengers Endgame et apprentissage profond | Génération de

légendes d'images avec les personnages d'Avengers Endgames

L'objectif principal de ce projet d'apprentissage en profondeur est de

montrer comment les techniques d'apprentissage en profondeur peuvent être

appliquées pour analyser et tirer des enseignements du film, en se

concentrant particulièrement sur les relations entre les personnages et

l'analyse des sentiments.

La section sur la mise en œuvre pratique couvre le prétraitement des données,

la sélection du modèle et l'apprentissage. L'auteur explique les étapes du

prétraitement du texte, notamment la mise en minuscules, la suppression de

la ponctuation et la tokenisation. L'accent est ensuite mis sur la théorie des

réseaux, où les relations entre les caractères sont visualisées à l'aide de

graphes de réseau. Des algorithmes de détection de communautés sont

appliqués pour identifier les groupes de caractères étroitement liés.

Prédiction du type de vin à l'aide du Deep Learning

La classification des vins est une tâche complexe en raison de leur nature

complexe et diversifiée. Chaque vin présente des caractéristiques, des saveurs,

des arômes et des compositions chimiques uniques, ce qui en fait un problème

fascinant pour les algorithmes d'apprentissage profond. Cet article vise à

fournir un guide pratique pour la construction d'un modèle de prédiction des

types de vins à l'aide d'algorithmes d'apprentissage profond et de jeux de

données pertinents.

Ce tutoriel commence par une introduction au monde du vin et à

l'importance d'une prédiction précise des types de vins. Il met l'accent sur les

défis rencontrés par les amateurs, les sommeliers et les producteurs pour

identifier et catégoriser les vins avec précision. Les auteurs abordent ensuite

le jeu de données utilisé pour l'entraînement des modèles d'apprentissage

profond, qui comprend des données chimiques et sensorielles pour différents

types de vins.

Prédiction des retards de vol grâce au Deep Learning

Le tutoriel commence par une introduction à l'impact des retards de vol et à

la nécessité de systèmes de prévision précis. Il souligne l'importance de

prévisions fiables et opportunes, qui peuvent aider les voyageurs à prendre

des décisions éclairées, permettre aux compagnies aériennes d'optimiser leurs

opérations et améliorer l'expérience de voyage globale. Les auteurs abordent

ensuite le jeu de données utilisé pour entraîner les modèles d'apprentissage

profond, qui comprend des données de vol historiques avec diverses

caractéristiques telles que les heures de départ et d'arrivée, les itinéraires de

vol, les conditions météorologiques et les informations sur les avions.

La section sur la mise en œuvre pratique couvre le prétraitement des données,

la sélection des modèles et l'entraînement. Les auteurs expliquent les étapes

de nettoyage des données, de gestion des valeurs manquantes et d'ingénierie

des caractéristiques pour extraire les informations pertinentes du jeu de

données brut. Ils explorent différents modèles d'apprentissage profond

adaptés aux tâches de prédiction de séries temporelles, notamment les

réseaux de neurones récurrents (RNN), les réseaux à mémoire à long terme

(LSTM) et les réseaux convolutifs temporels (TCN).

De plus, le tutoriel aborde des techniques permettant d'améliorer la précision

des prédictions et de gérer les jeux de données déséquilibrés. Cela inclut des

méthodes d'augmentation de données spécifiques aux séries chronologiques,

telles que l'augmentation par décalage temporel, afin d'accroître la diversité

des exemples d'apprentissage. Les auteurs abordent également l'apprentissage

d'ensemble, où les prédictions de plusieurs modèles sont combinées pour

améliorer les performances globales de prédiction.

Projets d'apprentissage profond

Conclusion

En conclusion, se lancer dans des projets d'apprentissage profond ne se

résume pas à résoudre des énigmes techniques. Il s'agit de faire émerger de

nouvelles idées et de résoudre des problèmes concrets dans des domaines

comme la santé, la finance et bien d'autres. Ces projets repoussent les limites

du potentiel technologique, qu'il s'agisse de rendre les voitures plus

intelligentes, d'améliorer la compréhension du langage humain ou même de

révolutionner la prise en charge des maladies. Avec l'adhésion croissante de

nouveaux acteurs, experts ou novices, le monde des projets d'apprentissage

profond ne cesse de s'élargir, promettant de façonner notre avenir de

manières passionnantes. C'est une invitation à explorer, innover et à

participer à un projet qui transforme notre façon d'utiliser la technologie

pour améliorer la vie.

 9. Intelligence artificielle

L’intelligence artificielle (IA) fait référence à la simulation de l’intelligence

humaine dans des machines programmées pour penser et agir comme des

humains.

 Tutoriel sur l'IA

 Questions d'entretien sur l'IA

 Projets d'IA

Tutoriel sur l'intelligence artificielle |

Tutoriel sur l'IA
Dernière mise à jour : 26 septembre 2025





L'intelligence artificielle (IA) désigne la simulation de l'intelligence humaine

dans des machines, leur permettant ainsi de penser et d'agir comme des

humains. Elle implique la création d'algorithmes et de systèmes capables

d'effectuer des tâches nécessitant des compétences humaines telles que la

perception visuelle, la reconnaissance vocale, la prise de décision et la

traduction.
Types d'intelligence artificielle

L'intelligence artificielle (IA) est classée en :

 Types d'IA basés sur les capacités

 Types d'IA basés sur les fonctionnalités

Qu'est-ce qu'un agent IA ?

Un agent IA est une entité logicielle ou matérielle qui exécute des actions de

manière autonome dans le but d'atteindre des objectifs spécifiques.

 agent IA

 types d'agents IA

Résolution de problèmes en IA

La résolution de problèmes est un aspect fondamental de l’IA qui implique la

conception et l’application d’algorithmes pour résoudre systématiquement des

problèmes complexes.

1. Algorithmes de recherche en IA

Les algorithmes de recherche parcourent les espaces problématiques pour

trouver des solutions.

 Algorithmes de recherche

 Recherche en largeur d'abord (BFS)

 Recherche en profondeur (DFS)

 Recherche de coûts uniformes (UCS)

 Recherche bidirectionnelle

 Recherche gourmande du meilleur au premier

 Un algorithme de recherche*

2. Algorithmes de recherche locale

Les algorithmes de recherche locale fonctionnent sur un seul état actuel (ou

un petit ensemble d’états) et tentent de l’améliorer progressivement en

explorant les états voisins.

 Algorithmes de recherche locale

 Algorithme de recherche en montée

 Recherche de faisceau local

3. Recherche contradictoire dans l'IA

La recherche contradictoire traite d'environnements concurrentiels dans

lesquels plusieurs agents (souvent deux) sont en concurrence directe les uns

avec les autres, comme dans des jeux comme les échecs, le morpion ou le Go.

 Recherche contradictoire

 Algorithme Minimax

 Taille alpha-bêta

4. Problèmes de satisfaction de contraintes

Le problème de satisfaction des contraintes (CSP) est un cadre de résolution

de problèmes qui implique des variables ayant chacune un domaine de valeurs

possibles et des contraintes limitant les combinaisons de valeurs de variables.

 Problème de satisfaction de contraintes (CSP)

 Propagation des contraintes dans les CSP

 Recherche de retour en arrière pour les CSP

Connaissances, raisonnement et planification en IA

La représentation des connaissances en intelligence artificielle (IA) fait

référence à la manière dont les informations, les connaissances et les données

sont structurées, stockées et utilisées par les systèmes d'IA pour raisonner,

apprendre et prendre des décisions.

Les techniques courantes de représentation des connaissances comprennent :

 Représentation des connaissances en intelligence artificielle (IA)

 Réseaux sémantiques

 Cadres

 Ontologies

 Représentation logique

Logique du premier ordre en intelligence artificielle

La logique du premier ordre (LPO) est utilisée pour représenter la

connaissance et la raison sur le monde. Elle permet d'exprimer des énoncés

plus complexes impliquant des objets, leurs propriétés et leurs relations.

 Logique du premier ordre (FOL)

 Représentation des connaissances dans la logique du premier ordre

 Syntaxe et sémantique de la logique du premier ordre

 Règles d'inférence en logique du premier ordre

Raisonnement en intelligence artificielle

Le raisonnement en intelligence artificielle (IA) est le processus par lequel les

systèmes d’IA tirent des conclusions, prennent des décisions ou déduisent de

nouvelles connaissances à partir d’informations existantes.

Les types de raisonnement utilisés dans l’IA sont :

 Raisonnement en intelligence artificielle (IA)

 Types de raisonnement en IA

 Raisonnement déductif

 Raisonnement inductif

 Raisonnement abductif

 Raisonnement flou

Planification en IA

La planification en IA génère une séquence d'actions qu'un agent intelligent

doit exécuter pour atteindre des objectifs spécifiques. Parmi les techniques de

planification en intelligence artificielle, on peut citer :

 Planification en IA

 Recherche d'espace d'état direct

 Processus de décision de Markov (MDP)

 Recherche d'espace d'état hiérarchique (HSSS)

Connaissances et raisonnements incertains

La connaissance et le raisonnement incertains en IA désignent les méthodes

et techniques utilisées pour gérer les situations où l'information est

incomplète, ambiguë ou incertaine. Les méthodes suivantes sont utilisées pour

gérer l'incertitude en IA :
 Connaissances et raisonnement incertains en IA

 Théorie de Dempster-Shafer

 Raisonnement probabiliste

 Logique floue

 Réseaux neuronaux avec décrochage

Types d'apprentissage en IA

L'apprentissage en intelligence artificielle (IA) fait référence au processus par

lequel un système améliore ses performances sur une tâche au fil du temps

grâce à l'expérience, aux données ou à l'interaction avec l'environnement.

1. Apprentissage supervisé

Dans un modèle d'apprentissage supervisé, l'apprentissage se fait sur un

ensemble de données étiquetées afin d'apprendre la correspondance entre les

entrées et les sorties. Différents algorithmes sont utilisés :

 Apprentissage supervisé

 Régression linéaire

 Régression logistique

 Arbres de décision

 Machines à vecteurs de support (SVM)

 k-voisins les plus proches

 Bayes naïf

 Forêts aléatoires
2. Apprentissage semi-supervisé

Dans l’apprentissage semi-supervisé, le modèle utilise à la fois des données

étiquetées et non étiquetées pour améliorer la précision de l’apprentissage.

 Apprentissage semi-supervisé

3. Apprentissage non supervisé

Dans l'apprentissage non supervisé, le modèle est formé sur un ensemble de

données non étiqueté pour découvrir des modèles ou des structures.

 Apprentissage non supervisé

 Clustering K-Means

 Analyse en composantes principales (ACP)

 Regroupement hiérarchique

 DBSCAN (Clustering spatial basé sur la densité des applications avec bruit)

4. Apprentissage par renforcement

Dans l'apprentissage par renforcement, l'agent apprend grâce à des

interactions avec un environnement à l'aide de rétroactions.

 Apprentissage par renforcement

 Q-Learning

 Réseaux Q profonds (DQN)

 Processus de décision de Markov (MDP)

 Équation de Bellman
5. Apprentissage profond

Le Deep Learning se concentre sur l’utilisation de réseaux neuronaux à

plusieurs couches pour modéliser et comprendre des modèles et des

représentations complexes dans de grands ensembles de données.

 Apprentissage profond

 Neurones

 Perceptron monocouche

 Perceptron multicouche

 Réseaux de neurones artificiels (RNA)

 Réseaux de neurones à propagation directe (FNN)

 Réseaux de neurones convolutifs (CNN)

 Réseaux neuronaux récurrents (RNN)

 Réseaux de mémoire à long terme (LSTM)

 Réseaux d'unités récurrentes fermées (GRU)

Modèles probabilistes

Les modèles probabilistes en IA traitent de l'incertitude, permettent de faire

des prédictions et de modéliser des systèmes complexes où l'incertitude et la

variabilité jouent un rôle important. Ces modèles facilitent le raisonnement,

la prise de décision et l'apprentissage à partir des données.

 Modèles probabilistes

 Classificateur bayésien naïf

 Méthodes de Monte-Carlo

 Algorithme d'espérance-maximisation (EM)

Communication, perception et action en IA et en robotique

La communication en IA et en robotique facilite l'interaction entre les

machines et leur environnement grâce au traitement du langage naturel. La

perception permet aux machines, grâce à des capteurs et des caméras,

d'interpréter leur environnement avec précision. L'action en robotique

implique la prise de décisions éclairées et l'exécution de tâches basées sur des

données traitées.

1. Traitement du langage naturel (TALN)

 Reconnaissance vocale

 Génération de langage naturel

 Chatbots

 Traduction automatique

2. Vision par ordinateur

 Reconnaissance d'images

 Reconnaissance faciale

 Reconnaissance optique de caractères

3. Robotique

IA générative
L'IA générative se concentre sur la création de nouveaux exemples de données

qui ressemblent à des données réelles, en apprenant efficacement la

distribution des données pour générer des sorties similaires mais distinctes.

 Grands modèles de langage

 GPT (Transformateur pré-entraîné génératif)

 BERT (Représentations d'encodeurs bidirectionnels à partir de

transformateurs)

 T5 (Transformateur de transfert de texte à texte)

 GAN conditionnel (cGAN)

 CycleGAN

 GAN de style

Nous avons couvert le didacticiel sur l'IA, qui est important pour développer

des systèmes intelligents et aide à créer l'équilibre parfait entre simplicité et

capacité.








 Intelligence artificielle

 Questions d'entretien

 Idées de projets

 Algorithmes de recherche

 Algorithme de recherche locale

 IA générative

 Science des données

 Apprentissage automatique

 Apprentissage profond

 Projets ML

Questions et réponses d'entretien sur

l'intelligence artificielle (IA)

Dernière mise à jour : 8 octobre 2025





L'intelligence artificielle (IA) est le domaine de l'informatique qui

permet aux machines d'effectuer des tâches qui requièrent

généralement l'intelligence humaine, comme l'apprentissage, le

raisonnement et la résolution de problèmes. Elle vise à créer des

systèmes capables de percevoir leur environnement et de prendre des

décisions de manière autonome.

1. Qu’est-ce que l’intelligence artificielle et en quoi

diffère-t-elle de la programmation traditionnelle ?

L'intelligence artificielle (IA) est une branche de l'informatique qui

permet aux machines de simuler l'intelligence humaine. Contrairement

à la programmation traditionnelle, où des règles explicites sont écrites

pour chaque scénario, les systèmes d'IA peuvent apprendre des

données, s'adapter à de nouvelles situations et prendre des décisions.

 Programmation traditionnelle : Entrée → Programme → Sortie (les

règles sont explicitement codées).

 Systèmes d’IA : Entrée → Modèle d’IA → Sortie (le système déduit

des règles ou des modèles).

Exemple : un filtre anti-spam basé sur des règles utilise des conditions

explicites (si le sujet contient « gratuit » → marquer comme spam)

tandis qu'un filtre anti-spam basé sur l'IA apprend les modèles des e-

mails et s'améliore au fil du temps.

2. Quels sont les types d’IA basés sur les capacités ?

L'IA peut être classée en 3 types en fonction de ses capacités :

1. IA étroite (IA faible) :

 Conçu pour effectuer une tâche spécifique ; ne peut pas fonctionner

en dehors de son domaine.

 Exemple : Siri, recherche Google, IA jouant aux échecs.

2. IA générale (IA forte) :

 Peut effectuer n'importe quelle tâche intellectuelle qu'un humain

peut accomplir, avec raisonnement et apprentissage dans tous les

domaines.

 Exemple : IA hypothétique capable d’apprendre plusieurs matières

comme un humain.

3. Super IA :

 Surpasse l’intelligence humaine dans tous les aspects, y compris la

créativité et l’intelligence émotionnelle.

 Exemple : Actuellement théorique ; souvent représenté dans la

science-fiction.

3. Quels sont les types d’IA basés sur des fonctionnalités ?

L'IA peut être classée en 4 types en fonction de ses fonctionnalités :

1. Machines réactives :

 Ne stockez pas les expériences passées ; répondez uniquement aux

entrées actuelles.

 Exemple : IBM Deep Blue (IA jouant aux échecs).

2. Mémoire limitée :

 Peut utiliser des données historiques pour prendre des décisions et

améliorer les performances.

 Exemple : Voitures autonomes utilisant les données des capteurs

passés.

3. Théorie de l'esprit :

 Peut comprendre les émotions, les croyances, les intentions et les

interactions sociales humaines.

 Exemple : Robots sociaux hypothétiques en cours de développement.

 4. IA consciente de soi :

 Possède une conscience et une conscience de soi ; comprend son

propre état.

 Exemple : Actuellement théorique ; au-delà de la technologie

actuelle.

4. Quelle est la différence entre l’IA symbolique et l’IA

connexionniste ?

Voyons la différence entre l’IA symbolique et l’IA connexionniste,

Aspect IA symbolique IA connexionniste

Définition L'IA est basée sur des règles IA basée sur des réseaux
explicites et une logique pour neuronaux, apprenant des
représenter les connaissances. modèles à partir de données.

Représentation Utilise des symboles, des faits

Utilise des représentations
des connaissances et des énoncés logiques (par
distribuées sur les nœuds
exemple, les règles « SI…
d'un réseau.
ALORS… »).

Apprentissage Apprentissage limité ; règles Apprend à partir des données

principalement préprogrammées. et s'adapte au fil du temps.

Exemple Réseaux neuronaux pour la

Systèmes experts, systèmes de
reconnaissance de formes, de
raisonnement basés sur Prolog.
la parole ou d'images.

Points forts Bon raisonnement, explicable, Bon pour gérer les données
interprétable. bruyantes ou non structurées.

Limites Ne gère pas bien l'ambiguïté ; Difficile à interpréter ;

 Aspect IA symbolique IA connexionniste

rigide. comportement de « boîte noire

».

5. Quelle est la différence entre les modèles paramétriques et

non paramétriques ?

Voyons la différence entre les modèles paramétriques et non

paramétriques,

Aspect Modèles paramétriques Modèles non paramétriques

Définition Modèles dans lesquels le nombre de

Modèles avec un nombre fixe de
paramètres augmente avec les
paramètres.
données.

Hypothèse Assume une forme fonctionnelle

Fait peu ou pas d’hypothèses sur la
spécifique pour la distribution
distribution des données.
des données.

Apprentissage Apprend un ensemble fixe de Apprend les modèles de données

paramètres à partir de données directement à partir des données de
de formation. formation.

Exemple Régression linéaire, régression k-voisins les plus proches (k-NN),

logistique. arbres de décision.

Points forts Efficace, plus simple, plus Flexible, peut modéliser des
facile à interpréter. distributions complexes.

Limites Flexibilité limitée ; peut être Coûteux en termes de calcul ; peut

sous-ajusté si le modèle est entraîner un surajustement avec de
incorrect. petites données.

6. Qu'est-ce qu'un agent IA ? Comment perçoit-il et agit-il

dans un environnement ?
Un agent IA est un système autonome ou une entité logicielle qui

interagit avec son environnement pour atteindre des objectifs

spécifiques. Contrairement aux programmes traditionnels qui

exécutent des instructions fixes, un agent IA perçoit l'environnement,

raisonne à son sujet et agit pour maximiser un objectif ou une utilité

définie. L'agent opère selon un cycle continu : percevoir → raisonner →

agir → percevoir.

 Perception : L'agent recueille des informations sur son

environnement à l'aide de capteurs ou de mécanismes d'entrée. Il

peut s'agir de caméras, de microphones, de capteurs ou de flux de

données numériques.

 Raisonnement/Prise de décision : L'agent interprète les percepts,

met à jour son état interne (le cas échéant) et choisit l'action la plus

appropriée en fonction de ses connaissances, de ses règles ou de ses

objectifs.

 Action : L'agent exécute des actions via des actionneurs ou des

sorties pour influencer l'environnement, progressant ainsi vers son

objectif.

Exemple : Une voiture autonome,

1. Percevoir : Utilise des caméras, LIDAR et GPS pour détecter les

routes, le trafic et les obstacles.

2. Raison : Décide de ralentir, de s'arrêter ou de changer de voie en

fonction des conditions de circulation et des objectifs de destination.

3. Agir : Appliquer les freins, accélérer ou diriger pour naviguer en

toute sécurité.

7. Quels sont les différents types d’agents IA ?

Les agents d'IA peuvent être classés selon leur perception, leur

raisonnement et leur comportement dans l'environnement. Leur

complexité s'accroît, allant de simples agents réflexes à des agents

utilitaires, leur permettant de gérer des tâches plus sophistiquées :

1. Agents réflexes simples :

 Agissez uniquement sur la perception actuelle, en ignorant tout

passé.

 Ils suivent les règles condition-action : « SI perception → ALORS

action. »

 Limitation : Impossible de gérer des environnements partiellement

observables ou des situations nécessitant la mémoire des états passés.

 Exemple : Un thermostat qui allume ou éteint le chauffage en

fonction de la température actuelle.

2. Agents réflexes basés sur des modèles :

 Maintenir un modèle interne du monde, leur permettant de

prendre en compte les aspects non observables de l’environnement.

 Utilisez l’état interne pour décider des actions au-delà des

perceptions immédiates.

 Exemple : Un aspirateur robot garde une trace des zones qu'il a déjà

nettoyées, en ajustant son chemin de manière dynamique.

3. Agents basés sur des objectifs :

 Prendre des décisions pour atteindre des objectifs spécifiques, en

tenant compte des conséquences futures des actions.

 Ils évaluent des séquences d’actions pour déterminer le meilleur

chemin vers un état souhaité.

 Exemple : une IA d'échecs planifie plusieurs coups à l'avance pour

mettre l'adversaire en échec et mat.

4. Agents basés sur l'utilité :

 Choisissez des actions pour maximiser une fonction d’utilité, en

évaluant plusieurs résultats possibles et leur désirabilité.

 Plus sophistiqués que les agents basés sur des objectifs, car ils

prennent en compte les degrés de préférence plutôt que simplement

la réalisation d'un objectif.

 Exemple : Une voiture autonome équilibrant la sécurité, la vitesse, le

confort et l’efficacité énergétique dans des décisions en temps réel.

8. Comment un agent formule-t-il un problème en IA ?

En IA, la formulation du problème est le processus par lequel un agent

définit la tâche à résoudre en termes d'états, d'actions, d'objectifs et

de coûts de chemin. Une formulation correcte du problème est

essentielle, car elle détermine l'efficacité et la faisabilité des

algorithmes de recherche et de prise de décision.

Éléments clés de la formulation du problème :

1. État initial :

 L'état dans lequel l'agent démarre.

 Exemple : Dans une partie d’échecs, la disposition initiale de toutes

les pièces sur l’échiquier.

2. Actions :
 L'ensemble de toutes les actions possibles que l'agent peut

entreprendre à partir d'un état donné.

 Exemple : Déplacer un pion, une tour ou un fou aux échecs.

3. Modèle de transition (fonction successeur) :

 Définit le résultat de l’exécution d’une action dans un état.

 Exemple : Déplacer un pion vers l’avant met à jour l’état du plateau

en conséquence.

4. État objectif :

 L’état souhaité que l’agent cherche à atteindre.

 Exemple : Mettre le roi de l'adversaire en échecs.

5. Coût du chemin :

 Un coût numérique attribué à chaque séquence d’actions que l’agent

peut chercher à minimiser.

 Exemple : Dans la planification d'itinéraire, le coût du trajet peut

être la distance, le temps ou la consommation de carburant.

9. Quelle est la différence entre les algorithmes de recherche

informés et non informés ?
 Les algorithmes de recherche en IA permettent d'explorer l'espace

d'état d'un problème afin de trouver une solution. Ils peuvent être

classés en trois grandes catégories :

 Recherche non informée (aveugle) : Ces algorithmes n'ont aucune

connaissance supplémentaire de l'objectif au-delà de la définition du

problème. Ils explorent l'espace de recherche en aveugle.

 Recherche informée (heuristique) : ces algorithmes utilisent la

connaissance du domaine ou l'heuristique pour estimer à quelle

distance un état se trouve de l'objectif, rendant la recherche plus

efficace.

Aspect Recherche non informée Recherche éclairée

Définition Explore aveuglément sans Utilise des heuristiques pour

informations supplémentaires sur guider la recherche vers
l'objectif l'objectif

Connaissance Connaît seulement les actions, les Connaît le coût estimé jusqu'à
états et le but l'objectif (fonction heuristique)

Efficacité Peut être plus lent ; peut explorer Plus rapide ; priorise les
des chemins inutiles solutions probables

Exemple BFS, DFS, recherche de coûts

Recherche gourmande, A*
uniformes

10. Expliquez la recherche en largeur (BFS) et la recherche en

profondeur (DFS) avec des exemples.

1. Recherche en largeur d'abord (BFS) :

 BFS explore l'arbre de recherche niveau par niveau. Il visite tous les

nœuds de profondeur d avant de passer à la profondeur d+1.

 Elle est complète (garantit une solution si elle existe) et optimale si

tous les coûts des étapes sont égaux.

 Exemple : Dans un graphique de réseau social, BFS peut être utilisé

pour trouver le chemin de connexion le plus court entre deux

personnes (par exemple, trouver le degré de séparation entre deux

amis).

2. Recherche en profondeur (DFS) :

 DFS explore un chemin aussi profond que possible avant de revenir

en arrière pour explorer d’autres alternatives.

 Il utilise moins de mémoire que BFS, mais ne garantit pas la

recherche de la solution la plus courte. Dans les espaces de

profondeur infinie, DFS peut se bloquer.

 Exemple : Dans un problème de résolution de labyrinthe, DFS suivra

un chemin jusqu'à atteindre une impasse, puis reviendra en arrière

et essaiera un chemin différent.

11. Expliquez la recherche à coût uniforme (UCS) et ses cas d’

utilisation.
La recherche à coût uniforme est un algorithme de recherche non

informé qui étend le nœud présentant le coût de chemin cumulé le

plus faible depuis le nœud de départ. Contrairement à BFS, qui étend

les nœuds niveau par niveau, l'UCS prend en compte le coût d'atteinte

d'un état, ce qui le rend plus adapté aux variations de coût des étapes.

Comment ça marche :

 Commencez à partir du nœud initial.

 Maintenir une file d'attente prioritaire classée par coût de chemin.

 À chaque étape, développez le nœud avec le coût de chemin le plus

bas.

 Arrêtez-vous lorsque le nœud cible est sélectionné pour l'extension

(garantissant le chemin le moins coûteux).

Propriétés:

 Complète : Trouve toujours une solution si elle existe.

 Optimal : trouve toujours le chemin le moins coûteux pour atteindre

l’objectif.

 Complexité temps/espace : plus élevée que BFS car l'exploration est

basée sur le coût du chemin.

Cas d'utilisation :
 Systèmes de navigation : trouver l'itinéraire de conduite le plus

court en tenant compte de distances variables.

 Planification du chemin du robot : minimiser les coûts de

déplacement dans les grilles pondérées.

 Routage réseau : identification du chemin le moins coûteux dans les

réseaux de communication.

Exemple : si vous voyagez entre des villes où les longueurs de route

diffèrent, UCS trouvera l'itinéraire le plus court, pas seulement celui

avec le moins de sauts (comme BFS).

12. Expliquez Greedy Search et ses limites.

Greedy Best-First Search est un algorithme de recherche informé qui

étend le nœud qui semble être le plus proche de l'objectif en fonction

d'une fonction heuristique h(n) (une estimation du coût du nœud n à

l'objectif).

Comment ça marche :

 Utilise une file d'attente prioritaire ordonnée par valeur heuristique

h(n).

 Choisit toujours le nœud avec la distance estimée la plus basse par

rapport à l'objectif.
 S'étend jusqu'à ce que l'objectif soit atteint.

Avantages :

 Plus rapide que les méthodes non informées (comme BFS ou UCS).

 Efficace en termes d'extensions de nœuds lorsque l'heuristique est

bonne.

Limites:

 Non optimal : peut trouver un chemin sous-optimal car il ne prend

pas en compte le coût réel du chemin, mais uniquement la

proximité estimée.

 Incomplet : peut rester bloqué dans des boucles si aucun mécanisme

n'empêche de revisiter les nœuds.

 Fortement dépendant de la qualité heuristique : une heuristique

médiocre peut donner l'impression d'une recherche non informée.

Exemple : Dans un problème de carte, Greedy Search peut choisir la

ville qui semble la plus proche de la destination « à vol d'oiseau »,

mais peut se retrouver sur un itinéraire plus long ou bloqué par

rapport à UCS ou A*.

13. Qu'est-ce que l'algorithme A* et comment combine-t-il coût

et heuristique ?
L' algorithme A* (A-star) est un algorithme de recherche informé

permettant de trouver le chemin de moindre coût entre un nœud de

départ et un nœud d'arrivée. Il combine le coût réel et le coût estimé

pour atteindre l'objectif à partir de cet état dans une fonction

d'évaluation unique.

A* équilibre deux composantes :

1. Coût du chemin (g(n)) :

 Représente le coût exact du nœud de départ au nœud actuel.

 Garantit que A* n’ignore pas l’effort déjà réalisé.

2. Estimation heuristique (h(n)) :

 Représente le coût estimé du nœud actuel jusqu'à l'objectif.

 Guide la recherche vers le but plus directement.

La combinaison est exprimée comme suit :

f(n)=g(n)+h(n)f ( n )=g ( n )+h ( n )

 g(n) maintient la recherche ancrée dans la réalité (coût jusqu'à

présent).
 h(n) maintient la recherche orientée vers l'objectif (coût futur

estimé).

 En les additionnant, A* évite les pièges de l'UCS (trop lent) et du

Greedy Search (pas optimal).

Fonctionnement étape par étape de A*

1. Initialisation : placez le nœud de départ dans une file d'attente

prioritaire (souvent appelée liste ouverte) avec f(démarrage) =

g(démarrage) + h(démarrage).

2. Sélection : À chaque itération, supprimez le nœud avec la valeur f(n)

la plus basse de la liste ouverte.

3. Test Objectif : Si le nœud sélectionné est l'objectif, renvoie le chemin

(solution trouvée).

4. Expansion : Sinon, développez le nœud (générez des successeurs),

calculez leur f(n) = g(n) + h(n) et ajoutez-les à la liste ouverte.

5. Répéter : Continuer jusqu'à ce que l'objectif soit atteint ou que la

liste ouverte soit vide (aucune solution).

Exemple : Imaginez que vous naviguez de la ville A à la ville G :

 g(n) = distance routière totale déjà parcourue.

 h(n) = distance en ligne droite (heuristique) de la ville actuelle à G.

 f(n) = la distance totale estimée si ce chemin est suivi.

Thus, A* selects paths that are both cheapest so far and promising

toward the goal.

14. Explain Hill Climbing Search and discuss local optima

problems.

Hill Climbing is a heuristic-based optimization algorithm in Artificial

Intelligence that belongs to the family of local search methods. It

treats problem-solving as a process of searching for the best state in a

state space using an evaluation (objective) function.

 The algorithm starts from an arbitrary initial state and iteratively

moves to the neighboring state with a better evaluation.

 The “climbing” metaphor comes from imagining the evaluation

function as a landscape: Peaks(solutions with high values) and

Valleys(solutions with low costs).

 The process continues until no better neighbor exists, meaning the

algorithm has reached a peak (local maximum) or a valley (local

minimum).

Thus, Hill Climbing is essentially a greedy search strategy that only

looks at the immediate best move, without considering the global

structure of the state space.

Local Optima Problems in Hill Climbing

Because Hill Climbing only considers immediate neighbors, it can fail

to find the global optimum:

1. Local Maxima/Minima

 The algorithm stops at a solution that is better than its neighbors

but not the best overall.

 Example: Reaching a small hilltop instead of the tallest mountain.

2. Plateaus

 Flat regions with no change in evaluation among neighbors.

 The algorithm cannot decide which direction to move.

3. Ridges

 Narrow regions where the path to the optimum requires a sequence

of sideways and upward moves.

 Hill Climbing fails because it only considers direct improvements.

Examples

 Maze Problem: Hill Climbing may stop at a dead-end path even

though an exit exists elsewhere.

 Neural Network Training: The algorithm may converge to a local

minimum of error instead of finding the global minimum error.

15. Define Stochastic Hill Climbing and Simulated Annealing?

1. Hill Climbing: It is a local search algorithm that attempts to find

the optimal solution by iteratively moving to a neighboring state with

a better evaluation score. However, because it only considers

immediate improvements, it often gets trapped in local optima,

plateaus or ridges. To overcome these limitations, variants such as

stochastic hill climbing and simulated annealing introduce randomness

or controlled exploration to help escape suboptimal solutions and

approach the global optimum.

 Instead of always moving to the best neighbor, the algorithm

randomly selects one of the better neighbors.

 Helps avoid local maxima by allowing exploration of alternative

paths.

 Example: In route optimization, it may sometimes choose a slightly

longer path at one step to eventually find a shorter overall route.

2. Simulated Annealing:

 Inspired by the metallurgical process of annealing, it occasionally

accepts worse moves with a probability that decreases over time

(temperature).
 Early in the search, worse moves are accepted more frequently,

allowing exploration; later, the algorithm focuses on exploitation.

 Example: In the Traveling Salesman Problem, longer paths may

initially be chosen to explore new configurations but gradually

converge to an optimal tour as the temperature lowers.

16. Explain Backtracking Search with Sudoku or N-Queens

Example.

Backtracking is a systematic search technique used to solve constraint

satisfaction problems. It builds a solution incrementally, one

assignment at a time and abandons a candidate (backtracks) as soon

as it violates a constraint. By pruning impossible paths early,

backtracking efficiently explores the solution space while guaranteeing

a valid solution if one exists.

How Backtracking Works:

1. Start with an empty or partial solution.

2. Assign a value to a variable.

3. Check if the assignment satisfies all constraints:

 If yes → continue to the next variable.

 If no → backtrack and try a different value.

4. Repeat until all variables are assigned or all possibilities are

exhausted.

Examples:

 N-Queens Problem: Place N queens on an N×N chessboard so that

no two queens threaten each other. Backtracking places queens row

by row, backtracking whenever no safe column exists in a row.

 Sudoku Puzzle: Fill a 9×9 grid such that each row, column and 3×3

subgrid contains digits 1–9. Backtracking tries numbers in empty

cells and backtracks when constraints are violated.

Advantages:

 Systematic and complete; finds a solution if one exists.

 Prunes invalid paths early, reducing unnecessary computation.

Limitations:

 Exponential time complexity for large problems.

 Can be optimized using forward checking or constraint propagation.

17. What is Adversarial Search? Give an example with Tic-Tac-

Toe or Chess.
Adversarial search is a type of search used in competitive

environments where multiple agents (players) have conflicting goals.

Unlike standard search problems, the outcome depends not only on

the actions of the searching agent but also on the actions of opponents.

The goal of adversarial search is to maximize an agent’s advantage

while minimizing the opponent’s advantage. This is typical in games

such as chess, tic-tac-toe or checkers where one player’s gain is

another player’s loss.

How Adversarial Search Works

 The state space is represented as a game tree where nodes

correspond to game states and edges correspond to possible moves.

 Players alternate turns and each tries to maximize their chances of

winning while anticipating the opponent’s moves.

 Algorithms like Minimax are commonly used to evaluate optimal

moves by assuming the opponent also plays optimally.

 Enhancements such as Alpha-Beta Pruning improve efficiency by

eliminating branches that cannot affect the final decision.

Example: Tic-Tac-Toe

 The initial empty board is the root of the game tree.

 Each possible move (X or O) generates a child node.

 Minimax evaluates each node based on a utility function: +1 for a

win, -1 for a loss, 0 for a draw.

 The algorithm recursively selects moves that maximize the player’s

chance of winning while assuming the opponent will also play

optimally.

 Result: A perfect Tic-Tac-Toe strategy ensures a win or a draw.

Example: Chess

 Chess has a much larger state space than Tic-Tac-Toe.

 Adversarial search algorithms explore possible sequences of moves

(game tree) to determine the best move considering the opponent’s

responses.

 Due to the huge number of possibilities, chess programs often use

depth-limited Minimax with evaluation heuristics and Alpha-Beta

Pruning for efficiency.

18. Explain Minimax Algorithm and Alpha-Beta Pruning

1. Minimax algorithm: It is a decision-making algorithm used in

adversarial search problems such as games where two players have

opposing objectives. It assumes that one player (Max) aims to

maximize their utility while the other player (Min) aims to minimize

Max’s utility. The algorithm explores the game tree, evaluating all
possible moves and counter-moves to determine the optimal strategy

for the player.

How Minimax Works

1. Represent the game as a tree of possible moves, where:

 Max nodes = the player whose move we are optimizing.

 Min nodes = the opponent, assumed to play optimally.

2. Evaluate terminal nodes using a utility function (e.g., +1 for win, -

1 for loss, 0 for draw).

3. Recursively backpropagate the values:

 Max chooses the move with the highest value.

 Min chooses the move with the lowest value.

Example (Tic-Tac-Toe):

 Root: Current board state.

 Max (X) evaluates all possible moves.

 For each move, Min (O) responds optimally.

 Continue until terminal states (win/loss/draw) are reached.

 Minimax selects the move that maximizes Max’s chance of winning

while considering Min’s optimal responses.

2. Alpha-Beta Pruning: Alpha-Beta Pruning is an enhancement of

Minimax that reduces the number of nodes evaluated in the game tree

by eliminating branches that cannot influence the final decision,

improving efficiency without affecting the optimality of the result.

Introduces two values:

 Alpha (αα): Best value that Max can guarantee.

 Beta (ββ): Best value that Min can guarantee.

While traversing the tree: If α≥βα≥β, the branch can be pruned (no

need to explore further).

Result: Same optimal decision as Minimax but with fewer nodes

evaluated which is crucial in games with large state spaces like chess.

Example (Chess): In a complex chess position, Alpha-Beta Pruning

allows the program to skip exploring moves that cannot possibly

improve the outcome, significantly speeding up decision-making

without sacrificing accuracy.

19. Discuss Constraint Satisfaction Problems (CSP) and their

real-life applications
A Constraint Satisfaction Problem (CSP) is a type of problem in

Artificial Intelligence where the goal is to find values for a set of

variables while satisfying a set of constraints. Unlike standard search

problems, CSPs focus on constraints between variables rather than a

sequential path. Solving a CSP involves finding an assignment of values

to all variables that does not violate any constraints, making it a

natural framework for many real-world problems that involve

planning, scheduling or configuration.

Types of CSPs

 Binary CSPs: Constraints involve pairs of variables (e.g., X1 ≠ X2).

 Unary CSPs: Constraints involve a single variable (e.g., X1 must be

positive).

 Higher-order CSPs: Constraints involve three or more variables.

Real-Life Applications

 Scheduling: Assigning time slots to exams, classes or employees

while avoiding conflicts.

 Resource Allocation: Assigning machines, staff or rooms subject to

availability constraints.

 Configuration Problems: Designing products or systems while

respecting compatibility rules.

 Planning: Robot path planning or task sequencing under constraints.

20. What are Forward and Backward State-Space Search

Strategies?

State-space search strategies are fundamental in AI for problem-

solving where the goal is to find a sequence of actions that leads from

an initial state to a goal state. Forward state-space search begins at

the initial state and explores successors until the goal is reached while

backward state-space search starts from the goal state and works

backward to determine which predecessor states could lead to it. Both

strategies systematically explore the problem space but differ in their

starting points and the way they expand the search tree.

1. Forward State-Space Search

 Starting Point: Initial state of the problem.

 Direction: Moves forward by applying available operators to

generate successor states.

 Goal Test: Checks whether the current state is the goal.

 Example: In a maze, starting at the entrance and exploring all

paths until reaching the exit.

2. Backward State-Space Search

 Starting Point: Goal state of the problem.

 Direction: Moves backward by applying inverse operators to

generate predecessor states.

 Goal Test: Checks whether the current state matches the initial

state.

 Example: Planning a route by starting from the destination and

figuring out which previous intersections could lead there.

Comparison:

 Forward search is natural and intuitive but may explore many

irrelevant states.

 Backward search can be more efficient when the goal is well-

defined but may require knowledge of operators’ inverses.

21. Explain the Concept of Local Optima in Local Search

Algorithms

Local optima are points in the search space where a local search

algorithm such as hill climbing, cannot find any neighboring state that

improves the evaluation function, even though better solutions exist

elsewhere in the space. In other words, the algorithm is “stuck” at a

suboptimal peak (or valley for minimization problems) because it only

considers immediate neighbors and ignores the global structure of the

search space.

Key Points

 Occurs in local search algorithms that make greedy moves based on

immediate improvements.

 Represents a solution that is better than all neighboring states but

not the best overall (global optimum).

 Causes standard hill climbing to get stuck, requiring enhanced

strategies like: Randomized moves or stochastic hill climbing,

simulated annealing and Random-restart hill climbing

Example

 Maze Navigation: The agent may reach a dead-end path (local

optimum) and stop, even though a shorter path exists elsewhere.

 Function Optimization: Hill climbing might find a small peak on a

fitness landscape instead of the tallest peak.

22. Discuss the Trade-offs Between Exploration and

Exploitation in Search Strategies

In search and optimization algorithms, especially in local search and

reinforcement learning, exploration and exploitation represent two

competing strategies. Exploration involves trying out new, unvisited

states or actions to gather more information about the search space.

Exploitation, on the other hand, focuses on using the current

knowledge to select the best-known options to improve performance.

Balancing these two strategies is critical because excessive exploration

can waste time on suboptimal paths while excessive exploitation can

lead the algorithm to get trapped in local optima or miss better

solutions.

1. Exploration:

 Discovers potentially better solutions in unexplored areas.

 Reduces the risk of being stuck in local optima.

 Can be time-consuming.

 May spend resources on suboptimal regions of the search space.

2. Exploitation:

 Quickly improves performance based on known information.

 Efficient in converging toward good solutions.

 May get stuck in local optima.

 Can miss the global optimum if the search space is complex.

3. Examples
Hill Climbing / Local Search:

 Exploitation → Always moving to the neighbor with the best

evaluation.

 Exploration → Randomly selecting a neighboring state or using

stochastic moves to escape local optima.

Reinforcement Learning:

 Exploitation → Selecting the action with the highest expected

reward.

 Exploration → Trying less-frequented actions to discover potentially

better rewards (e.g., ε-greedy policy).

23. What is Knowledge Representation in AI and Why Is It

Important?

Knowledge Representation (KR) in AI is the process of encoding

information about the world into a form that a computer system can

utilize to solve complex problems. It allows AI systems to reason, infer

and make decisions based on stored knowledge. KR is essential because

it bridges the gap between raw data and intelligent behavior, enabling

machines to understand relationships, constraints and patterns in a

structured way. Without effective knowledge representation, AI

 systems cannot perform reasoning, planning or problem-solving

reliably.

 Enables reasoning and inference about facts and rules.

 Helps in problem-solving such as planning and decision-making.

 Supports communication with humans via interpretable formats.

 Reduces computational complexity by organizing knowledge

efficiently.

 Forms the foundation for advanced AI tasks like expert systems,

natural language understanding and reasoning under uncertainty.

24. Propositional logic vs First-Order logic with examples.

Feature / Proposition First-Order Logic (FOL)

Aspect al Logic
(PL)

Definition Deals with

simple
statements Extends PL by including objects, predicates, functions
(proposition and quantifiers to express relationships between
s) that are objects.
true or
false.

Variables Uses variables to generalize facts and represent

None
objects.

Quantifiers Not Supports universal (∀) and existential (∃)

supported quantifiers.

Expressivene Limited to Highly expressive; can represent relationships and

Feature / Proposition First-Order Logic (FOL)
Aspect al Logic
(PL)

ss simple facts general rules.

Complexity Computationa More complex due to reasoning over objects, relations

lly simpler and quantifiers.

Example “It is
∀x (Bird(x)→CanFly(x))∀x (Bird(x)→CanFly(x)) → “For all x,
Statement raining.”
“If it is if x is a bird, then x can fly.”
raining,
∃y (Person(y)∧Likes(y,IceCream))∃y (Person(y)∧Likes(y,IceC
then the
ground is
ream)) → “There exists a person who likes ice cream.”
wet."

25. Difference between Forward Chaining and Backward Chaining

in Rule-Based Systems?

Feature / Forward Chaining Backward Chaining

Aspect

Reasoning Data-driven (from facts to

Goal-driven (from goal to facts)
Direction conclusions)

Starting
Begins with available facts Begins with the goal or query
Point

When Useful When all possible conclusions need When a specific goal/query needs
to be inferred to be verified

Efficiency Can generate unnecessary facts; may Focused on the goal; often more
be slower efficient

Memory Usage Requires storing all intermediate Uses memory efficiently; only
inferred facts stores relevant facts

Example Medical diagnosis system deriving Expert system checking if a

all possible symptoms and diseases patient has a particular disease
26. What is Inference in AI?

Inference in AI is the process of deriving new facts or conclusions from

existing knowledge using logical reasoning or rules. It is a fundamental

component of expert systems, rule-based systems and knowledge

representation frameworks. Through inference, an AI system can

answer queries, make decisions or deduce unknown information based

on the knowledge it has stored.

 Allows AI systems to reason beyond explicitly stated facts.

 Can be deductive (conclusion necessarily follows from premises) or

inductive (general conclusions from specific instances).

 Implemented using techniques such as forward chaining, backward

chaining, resolution and probabilistic inference.

Example: If the knowledge base contains:

1. All birds can fly.

2. Tweety is a bird.

Inference: The system can deduce that Tweety can fly.

27. What are Ontologies in AI and How Do They Help in

Reasoning?
In AI, an ontology is a formal representation of knowledge that

defines a set of concepts, categories and relationships within a domain.

It provides a structured vocabulary and a framework for describing

entities, their properties and interconnections. Ontologies are essential

for reasoning because they allow AI systems to infer new knowledge,

detect inconsistencies and answer complex queries by understanding

the relationships and constraints within the domain. Essentially,

ontologies enable machines to “understand” the semantics of a

domain rather than just processing raw data.

How Ontologies Help in Reasoning

 Provide structured knowledge representation for efficient reasoning.

 Allow automatic inference of implicit knowledge from explicitly

defined facts.

 Enable semantic interoperability between different AI systems or

datasets.

 Support applications like question answering, expert systems and

semantic web technologies.

Example: In a medical ontology:

 Concepts: Disease, Symptom, Treatment

 Relationships: “causes,” “treated_by”

 Using reasoning, the system can deduce: If a patient has certain

symptoms, it may infer possible diseases and recommend treatments.

28. Explain the types of Reasoning.

Reasoning in AI is the process of drawing conclusions from knowledge.

Different types of reasoning determine how conclusions are derived

from known information. The main types are deductive, inductive and

abductive reasoning, each with its own approach and use cases.

Type of Definition Example Use in AI

Reasoning

Deductive Derives conclusions that Facts: “All birds can

Rule-based systems,
are logically certain fly. Tweety is a
expert systems,
from known facts or bird.” → Conclusion:
logic programming
rules. “Tweety can fly.”

Inductive Generalizes patterns or Observation: “Swan1 is Machine learning,

rules from specific white, Swan2 is white” pattern recognition,
observations; conclusions → Conclusion: “All probabilistic
are probabilistic. swans are white.” reasoning

Abductive Infers the most likely

Observation: “Grass is Diagnosis systems,
explanation for observed
wet.” → Possible fault detection,
facts; used when
explanation: “It hypothesis
information is
rained last night.” generation
incomplete.

29. How Do Bayesian Networks Model Probabilistic Relationships?

A Bayesian Network (BN) is a graphical model that represents

probabilistic relationships among a set of variables using a directed

acyclic graph (DAG). Each node in the graph corresponds to a variable

and edges represent direct dependencies between variables. Bayesian

networks allow AI systems to reason under uncertainty by encoding

conditional probabilities and using them to compute the likelihood of

different outcomes given observed evidence. They combine both

graphical structure and probabilistic inference, making them useful for

complex reasoning tasks.

 Nodes = Random variables; Edges = Conditional dependencies.

 Each node has a Conditional Probability Table (CPT) describing the

probability of the node given its parents.

 Can compute posterior probabilities of unknown variables using

Bayes’ theorem.

 Useful for diagnosis, prediction, decision-making and fault detection.

Example:

 Variables: Disease, Test Result, Symptom

 Edges: Disease → Symptom, Disease → Test Result

 Using observed test results, the BN can infer the probability of the

disease.
30. Explain the Dempster-Shafer Theory for Reasoning Under
Uncertainty

The Dempster-Shafer Theory (DST), also called evidence theory, is a

mathematical framework for reasoning under uncertainty. Unlike

Bayesian probability which requires prior probabilities for all events,

DST allows the representation of degrees of belief for subsets of

possibilities, accommodating partial or incomplete information. It

combines evidence from multiple sources using Dempster’s rule of

combination to calculate the overall belief and plausibility of events.

 Represents belief (Bel): The degree of support for a proposition

based on evidence.

 Represents plausibility (Pl): The degree to which evidence does not

refute a proposition.

 Can handle uncertain, incomplete or conflicting information.

 Combines multiple pieces of evidence using Dempster’s rule of

combination.

Example:

 Evidence 1: Sensor A → “It is raining” with 0.6 belief.

 Evidence 2: Sensor B → “It might be raining” with 0.7 belief.

  DST combines these to calculate an overall belief interval for “It is

raining,” reflecting uncertainty without committing to exact

probabilities.

31. What is the difference between Monotonic and non-monotonic

reasonings?

Feature Monotonic Reasoning Non-Monotonic Reasoning

Definition Once a conclusion is drawn, it Conclusions can change or be

remains valid regardless of new retracted when new information is
information. added.

Knowledge Adding facts never invalidates Adding facts may invalidate previous
Update previous conclusions. conclusions.

Flexibility Rigid, less adaptable to Flexible, suitable for dynamic or

changing environments. uncertain environments.

Example “Birds can fly” → Tweety is a

Mathematical proofs: “2+2=4”
penguin → inference “Tweety can
remains true.
fly” is retracted.

Use Case Theorem proving, formal logic Expert systems, commonsense

systems reasoning, AI planning

32. What is the difference between Symbolic and Heuristic

Search Methods?

Feature Symbolic Search Methods Heuristic Search Methods

Definition Explores search space Uses domain-specific knowledge

systematically using rules and (heuristics) to guide search
logic. efficiently.

Solution Guaranteed to find a solution if May not guarantee an optimal

 Feature Symbolic Search Methods Heuristic Search Methods

Guarantee one exists. solution; focuses on likely paths.

Efficiency Can be slow and computationally Generally faster; prioritizes

expensive for large spaces. promising states.

Approach Blind or uninformed; no guidance Informed; uses evaluation functions

about which path is better. to choose paths.

Examples A*, Greedy Best-First Search, Hill

BFS, DFS, Uniform-Cost Search
Climbing

Best Use Case Small or well-defined search Large, complex or real-time search
spaces problems

33. Explain How an Agent Can Reason with Incomplete or

Uncertain Knowledge

In real-world environments, AI agents often operate with incomplete,

uncertain or noisy information. Reasoning under such conditions

requires the agent to draw plausible conclusions, make predictions or

take decisions despite the uncertainty. Agents use techniques from

probabilistic reasoning, belief representation and non-monotonic logic

to handle uncertainty. By quantifying uncertainty and updating beliefs

based on new evidence, agents can act intelligently even when they do

not have complete knowledge of the world.

Key Techniques:

1. Probabilistic Reasoning (Bayesian Networks):

 Represent uncertain relationships between variables.

 Compute probabilities of outcomes given partial evidence.

 Example: Inferring disease probability given symptoms.

2. Dempster-Shafer Theory:

 Represents degrees of belief and plausibility rather than exact

probabilities.

 Combines multiple sources of uncertain evidence.

 Example: Sensor fusion in robotics where readings may conflict.

3. Non-Monotonic Reasoning:

 Allows agents to retract conclusions when new information

contradicts previous assumptions.

 Example: Assuming birds can fly until discovering Tweety is a

penguin.

4. Fuzzy Logic:

 Handles vague or imprecise information using degrees of truth

between 0 and 1.

 Example: “The room is warm” can have partial truth values rather

than a strict yes/no.

5. Markov Decision Processes (MDPs):

 Models sequential decision-making under uncertainty.

 Agents optimize expected rewards while accounting for probabilistic

transitions.

34. What is a Markov Decision Process (MDP) and Its Components?

A Markov Decision Process (MDP) is a mathematical framework used

in AI to model sequential decision-making problems under uncertainty.

It provides a formal way to represent an agent interacting with a

stochastic environment where the outcomes of actions are not

deterministic. MDPs are widely used in reinforcement learning,

planning and control systems. The defining property of an MDP is the

Markov property which states that the future state depends only on

the current state and action, not on past states.

Components of an MDP

An MDP is formally defined as a tuple (S, A, P, R, γγ):

1. S (States):

 The set of all possible states the agent can be in.

 Example: Positions of a robot in a grid world.

2. A (Actions):
 The set of actions available to the agent.

 Example: Move left, right, up or down.

3. P (Transition Probabilities):

 Probability function P(s′∣s,a)P(s′∣s,a) representing the likelihood

of reaching state s′s′ from state ss by taking action aa.

4. R (Reward Function):

 Immediate reward received after transitioning from state ss to

state s′s′ via action aa.

5. γγ (Discount Factor):

 A value 0≤γ≤10≤γ≤1 that determines the importance of future

rewards relative to immediate rewards.

Example: Grid world navigation,

 S: All cells in the grid.

 A: Up, Down, Left, Right.

 P: Probability of successfully moving to the intended cell (may slip

to adjacent cell).

 R: +10 for reaching the goal, -1 for each move.

 γγ: 0.9 (future rewards slightly discounted).

35. Explain the Bellman Equation and Its Role in Decision-
Making.

The Bellman equation provides a recursive decomposition of the value

function in an MDP. It expresses the value of a state as the expected

sum of immediate reward and the discounted value of successor states.

This equation is fundamental in dynamic programming, reinforcement

learning and optimal control, as it allows agents to compute optimal

policies that maximize cumulative reward over time.

Bellman Equation for the Value Function: For a given policy ππ, the

value function Vπ(s)Vπ(s) is:

Vπ(s)=∑a∈Aπ(a∣s)∑s′∈SP(s′∣s,a)[R(s,a,s′)+γVπ(s′)]

Vπ(s)=∑a∈A π(a∣s)∑s′∈S P(s′∣s,a)[R(s,a,s′)+γVπ(s′)]

​ ​

 Vπ(s)Vπ(s): Value of state s under policy ππ.

 π(a∣s)π(a∣s): Probability of taking action a in state s.

 P(s′∣s,a)P(s′∣s,a): Transition probability to next state s′.

 R(s,a,s′)R(s,a,s′): Immediate reward for the transition.

 γγ: Discount factor.

Bellman Optimality Equation: To find the optimal policy π∗ π∗ :

 V∗ (s)=max⁡a∈A∑s′∈SP(s′∣s,a)[R(s,a,s′)+γV∗ (s′)]

V∗ (s)=maxa∈A ∑s′∈S P(s′∣s,a)[R(s,a,s′)+γV∗ (s′)]

​ ​

 V*(s): Maximum expected cumulative reward from state s.

 The optimal policy π∗ π∗ selects the action a that achieves the

maximum value.

Role in Decision-Making

 Breaks down complex, long-term decision-making into simpler

recursive steps.

 Forms the foundation for dynamic programming methods like value

iteration and policy iteration.

 Guides reinforcement learning algorithms (e.g., Q-Learning, SARSA)

in estimating state or action values.

36. Explain the Hidden Markov Model (HMM) and Its Applications

A Hidden Markov Model (HMM) is a statistical model used to

represent systems that are assumed to be a Markov process with

hidden (unobservable) states. In an HMM, the system transitions

between a finite set of hidden states, each of which emits observable

outputs probabilistically. HMMs are widely used in AI for sequence

modeling, temporal pattern recognition and probabilistic reasoning in

situations where the true state of the system is not directly observable.

Key Components

1. States (S): Hidden states of the system (e.g., weather: sunny, rainy).

2. Observations (O): Observable outputs corresponding to each state

(e.g., umbrella usage).

3. Transition Probabilities (A): Probability of moving from one hidden

state to another:

aij=P(st+1=j∣st=i)aij =P(st+1 =j∣st =i)

​ ​ ​

4. Emission Probabilities (B): Probability of observing a symbol given a

state:

bj(ot)=P(ot∣st=j)bj (ot )=P(ot ∣st =j)

​ ​ ​ ​

5. Initial State Probabilities (ππ): Probability of starting in each state:

πi=P(s1=i)πi =P(s1 =i)

​ ​
Applications

 Speech Recognition: Mapping audio signals to text.

 Part-of-Speech Tagging: Predicting sequence of grammatical tags

in sentences.

 Bioinformatics: Gene prediction and protein sequence analysis.

 Finance: Modeling stock market trends as sequences of hidden

market states.

 Activity Recognition: Inferring user activity from sensor data.

37. Discuss the Concept of Utility and Expected Utility in

Decision-Making.

In AI and decision theory, utility is a quantitative measure of the

desirability or preference of a particular outcome. It allows an agent

to rank possible outcomes and make rational choices. Expected utility

extends this concept to uncertain or probabilistic environments by

combining the utility of each possible outcome with its probability.

Rational agents choose actions that maximize expected utility,

ensuring optimal decision-making even when the consequences of

actions are uncertain.

 Utility provides a measure of preference, enabling rational decision-

making.
 Expected utility allows agents to make informed choices under

uncertainty.

 Basis for decision-theoretic planning, MDPs and reinforcement

learning.

 Ensures the agent chooses the action that maximizes long-term

benefits.

Key Concepts

1. Utility (U):

 Numerical value representing the desirability of a state or outcome.

 Higher utility → more desirable.

2. Expected Utility (EU): Accounts for uncertainty in outcomes by

weighting each outcome’s utility by its probability.

Formula:

EU(a)=∑s′P(s′∣s,a)⋅ U(s′)EU(a)=∑s′ P(s′∣s,a)⋅ U(s′)

​

Where:

 a = action being considered

 s = current state
 s′s = possible resulting states

 P(s′∣s,a)P(s′∣s,a) = probability of reaching s′ from s via action a

 U(s′)U(s′) = utility of resulting state s′

3. Optimal Decision Rule:

The agent selects the action a∗ a∗ that maximizes expected utility:

a∗ =arg⁡max⁡aEU(a)a∗ =argmaxa EU(a) ​

38. Explain Partially Observable Markov Decision Processes

(POMDPs) in AI Planning

A Partially Observable Markov Decision Process (POMDP) is an

extension of the standard MDP that models decision-making under

uncertainty when the agent cannot fully observe the environment’s

state. In a POMDP, the agent maintains a belief state which is a

probability distribution over possible actual states and chooses actions

based on this belief. They are widely used in AI planning for robotics,

autonomous navigation and intelligent agents where sensors provide

noisy or incomplete information about the environment.

Components of a POMDP

A POMDP is defined as a tuple: (S,A,T,R,Ω,O,γ)(S,A,T,R,Ω,O,γ)

1. SS: Set of states (hidden from the agent)

2. AA: Set of actions available to the agent

3. TT: Transition probabilities T(s,a,s′)=P(s′∣s,a)T(s,a,s′)=P(s′∣s,a)

4. RR: Reward function R(s,a)R(s,a)

5. ΩΩ (Observations): Set of possible observations the agent can

receive

6. OO: Observation probabilities O(o∣s′,a)O(o∣s′,a) → probability of

observing ooo after taking action a and reaching state s′

7. γγ: Discount factor for future rewards

39. Give the difference between Deterministic and Stochastic

Environments.

Feature Deterministic Environment Stochastic Environment

Definition Next state is fully predictable Next state is probabilistic; may

given current state and action vary even for the same action

Outcome of Multiple possible outcomes with

Single, definite outcome
Actions probabilities

Planning Easier to plan and compute Requires probabilistic reasoning

Complexity optimal paths or expected utility calculations

Example Chess (ignoring opponent Robot navigation with slippery

randomness) floors or sensor noise

Algorithm Classical search methods (DFS, MDPs, POMDPs, reinforcement

Suitability BFS, A*) learning

40. What Are Heuristic Functions and How Do They Guide Search?
A heuristic function in Artificial Intelligence is an evaluation function

that provides an estimate of the cost or distance from a given state to

the goal. It does not guarantee exact values but helps the search

algorithm decide which paths are more promising to explore. By

prioritizing nodes with lower heuristic values, search algorithms can

significantly reduce the search space and improve efficiency..

 Denoted as h(n) where n is a node (or state).

 Estimates the remaining cost from the current node to the goal.

 Plays a crucial role in informed search algorithms.

How Heuristics Guide Search:

Heuristic functions guide search by telling the algorithm which states

are more promising to explore first. Instead of blindly expanding all

possible states (as in uninformed search), heuristics help the agent

focus on paths that seem closer to the goal. Different algorithms use

heuristics in different ways:

1. Greedy Best-First Search

 Uses the heuristic value h(n)h(n) directly.

 Always expands the node that appears closest to the goal according

to the heuristic.
 Example: In a map, always moving toward the city that looks

geographically closest.

Formula:

f(n)=h(n)f(n)=h(n)

2. A* Search

 Combines both the actual cost so far (g(n)g(n)) and the estimated

future cost (h(n)h(n)).

 This ensures the algorithm doesn’t just go toward the goal quickly,

but also considers the cheapest path overall.

Formula:

f(n)=g(n)+h(n)f(n)=g(n)+h(n)

3. Hill Climbing & Local Search

 Uses heuristic values to continually move to a neighbor that looks

better.

 Works like “climbing uphill” toward a goal, guided by the heuristic.

41. What is an Expert System and What Are Its Main Components?
An Expert System is an AI-based software application designed to

simulate human expertise in a specific domain. It uses a knowledge

base of facts and rules along with an inference engine to reason about

data and provide solutions, explanations or recommendations. Expert

systems were among the earliest successful applications of AI and are

widely used in medical diagnosis, engineering and troubleshooting

systems.

Main Components of an Expert System

1. Knowledge Base

 Contains domain knowledge in the form of facts and rules.

 Example: In medicine, knowledge base may include diseases,

symptoms and diagnostic rules.

2. Inference Engine

 The reasoning mechanism that applies rules from the knowledge

base to given facts.

 Decides which rules to apply and derives new conclusions.

3. User Interface

 Provides interaction between the user and the expert system.

 Allows users to input queries and receive explanations or advice.

4. Explanation Facility

 Justifies the reasoning process by explaining why a certain

conclusion was reached.

5. Knowledge Acquisition Module

 Helps add, modify or update knowledge in the system.

42. How Do Production Rules Work in an Expert System?

In an expert system, production rules are the basic units of knowledge

representation. They follow an IF–THEN format where the IF part

represents a condition and the THEN part specifies an action or

conclusion. The inference engine continuously checks which rules are

applicable based on the current facts in the knowledge base and then

applies (or “fires”) them to derive new knowledge.

How They Work

1. Rule Matching – The inference engine compares known facts with

the conditions in rules.

2. Rule Firing – If a condition matches, the corresponding action or

conclusion is triggered.

3. Knowledge Updating – New conclusions are added to the knowledge

base as facts.

4. Reasoning Process Continues – This cycle repeats until a solution or

final recommendation is reached.

General Rule Structure

IF(condition) THEN(action/conclusion)IF(condition) THE

N(action/conclusion)

Example

 Rule: IF patient has high fever AND severe cough THEN suggest

“possible pneumonia.”

 If these symptoms are entered as facts, the inference engine fires

the rule and adds “possible pneumonia” to the knowledge base.

43. Discuss Advantages and Disadvantages of Expert Systems

Expert systems are AI programs that simulate human expertise within

a specific domain by using a knowledge base and inference engine.

They have been widely used in fields such as medical diagnosis,

engineering troubleshooting and financial advising. While they offer

many benefits, they also come with limitations that affect their

applicability in real-world scenarios.

Advantages

 Consistency in Decisions → Unlike humans, they do not suffer from

fatigue or emotions.

 Speed and Efficiency → Can analyze large amounts of knowledge

and provide quick responses.

 Availability → Work 24/7 without interruptions.

 Explanation Facility → Provide reasoning steps to justify decisions.

 Knowledge Preservation → Capture and store expert knowledge

that can be reused.

Disadvantages

 Lack of Common Sense → Cannot handle situations outside their

knowledge base.

 Knowledge Acquisition Bottleneck → Gathering and encoding expert

knowledge is slow and complex.

 Maintenance Overhead → Updating rules and knowledge bases is

costly and time-consuming.

 Domain Dependence → Effective only in the specific domain they

are designed for.

 No Learning Ability (Traditional Systems) → Cannot automatically

improve or adapt like modern ML-based systems.

44. Explain Knowledge Acquisition and Knowledge Engineering in

Expert Systems

1. Knowledge acquisition: It refers to the process of extracting,

structuring and formalizing expert knowledge so it can be stored in

the knowledge base of an expert system. This usually involves

collaboration with human experts, analysis of domain-specific

problems and encoding rules in a machine-usable format.

 Challenges: Experts may find it difficult to articulate tacit

knowledge; the process is time-consuming.

 Example: In a medical expert system, interviewing doctors to

gather diagnostic rules.

2. Knowledge Engineering: Knowledge engineering is the broader

discipline of designing, building and maintaining expert systems. It

involves not only knowledge acquisition but also organizing, updating,

testing and validating the knowledge base. Knowledge engineers act as

intermediaries between domain experts and the system, ensuring the

expert system can reason effectively.

Key Tasks of Knowledge Engineers:

 Selecting knowledge representation methods (rules, frames, logic).

 Ensuring consistency and completeness of the knowledge base.

 Testing inference engine performance.

 Updating rules when domain knowledge evolves.

45. What is a Rule-Based System and How Does It Infer New

Knowledge?

A rule-based system is an Artificial Intelligence (AI) system that stores

knowledge in the form of rules (IF–THEN statements) and uses these

rules to make inferences or decisions. It is one of the earliest and most

widely used methods for representing and reasoning with knowledge

in AI. By systematically applying rules to known facts, the system can

derive new knowledge, solve problems and support decision-making in

domains like medical diagnosis, expert advisory systems and

troubleshooting.

How It Infers New Knowledge:

1. Knowledge Base: Contains facts (data about the world) and rules

(domain knowledge).

2. Inference Engine: The reasoning mechanism that applies rules to

facts.

 Forward Chaining (data-driven): Starts from known facts and

applies rules step by step to infer new conclusions.

 Backward Chaining (goal-driven): Starts with a goal/hypothesis and

works backward to check if rules and facts support it.

3. Rule Firing: When the conditions (IF part) of a rule are satisfied, the

system executes the action/conclusion (THEN part), adding new

knowledge to the knowledge base.

Example

 Rule: IF patient has fever AND cough THEN diagnose flu.

 Facts: Patient has fever, patient has cough.

 Inference: The system deduces that the patient has flu.

46. What is Fuzzy Logic?

Fuzzy Logic is a form of logic that deals with reasoning under

uncertainty, vagueness and partial truth. Unlike classical Boolean logic

which assigns values as strictly True (1) or False (0), fuzzy logic allows

values to range continuously between 0 and 1, representing degrees of

truth.

This makes it especially useful in modeling human-like reasoning

where concepts are not always black-and-white (e.g., "the weather is

warm" or "the glass is half full").

 Truth values are continuous in the range [0,1].

 Based on fuzzy set theory (where elements can partially belong to

sets).

 Mimics human reasoning and linguistic terms (e.g., tall, cold, fast).

 Handles approximation and uncertainty better than Boolean logic.

Mathematical Representation

A fuzzy set A in universe X is defined as:

A=(x,μA(x))∣x∈XA=(x,μA (x))∣x∈X
​

where:

 xx = element in the universe XX

  μA(x)∈[0,1]μA (x)∈[0,1] = membership function representing the
​

degree to which xxx belongs to set AAA.

Example: If μhot(28∘ C)=0.7μhot (28∘ C)=0.7, it means 28°C is "70%

​

hot".

47. How Does Fuzzy Logic Differ from Classical Boolean Logic?

Fuzzy Logic is an extension of classical Boolean logic that allows

reasoning with degrees of truth rather than strict true/false values.

While Boolean logic works only with binary states (0 or 1), fuzzy logic

introduces a continuum of values between 0 and 1, making it more

suitable for real-world scenarios where uncertainty, vagueness and

imprecision exist (e.g., “warm,” “tall,” “high speed”).

Aspect Classical Boolean Logic Fuzzy Logic

Truth Values Strictly binary: either 0 Continuous range between 0 and 1

(False) or 1 (True) (e.g., 0.2, 0.7)

Nature of Approximate, handles uncertainty and

Crisp, exact, deterministic
Reasoning vagueness

Example “The room is hot” → “The room is 0.7 hot” → partial

Statement either True (1) or False (0) truth

Mathematical Set theory (clear

Fuzzy set theory (partial membership
Basis membership: in or out of a
with degree of belonging)
set)

Applications Digital circuits, binary Control systems, washing machines,

 Aspect Classical Boolean Logic Fuzzy Logic

decision-making, database medical diagnosis, robotics, natural

queries language processing

Flexibility Rigid, cannot handle

Flexible, models human-like reasoning
imprecision

48. How Is Fuzzy Logic Applied in Real-Life AI Systems?

Fuzzy logic is widely used in real-world AI systems and control

applications where human-like reasoning is needed to handle

uncertainty, vagueness or partial truths. By assigning degrees of truth

rather than binary values, fuzzy logic allows systems to make smooth,

adaptive and intelligent decisions in environments that are too

complex or imprecise for classical Boolean logic.

Real-Life Applications

1. Washing Machines: Uses fuzzy logic to adjust water level, washing

time and detergent usage based on factors such as:

 Load size

 Dirtiness of clothes

 Fabric type
Example: A medium load with slightly dirty clothes → medium water

+ moderate wash time.

2. Air Conditioners / Climate Control: Adjusts temperature and fan

speed based on:

 Current temperature

 Desired comfort level

 Humidity

Allows smooth transitions rather than ON/OFF extremes.

3. Automobile Systems:

 Cruise control: Smoothly adjusts acceleration based on traffic and

road conditions.

 Anti-lock braking systems (ABS): Modulates braking force for safety.

4. Cameras

 Auto-focus systems use fuzzy logic to adjust lens position gradually

rather than snapping abruptly.

5. Industrial Process Control

 Temperature, pressure or chemical process controllers handle

imprecise measurements and maintain stability using fuzzy rules.

6. Robotics

 Movement and path planning in uncertain or dynamic

environments.

 E.g., a robot navigating a cluttered room uses fuzzy rules to decide

“slightly left” or “moderately forward” instead of binary decisions.

49. How Does Reasoning Under Uncertainty Differ from

Deterministic Reasoning?

Deterministic reasoning assumes that the environment and the

outcomes of actions are fully predictable. Every action taken in a given

state leads to a known and definite result, so reasoning can be done

with certainty.

In contrast, reasoning under uncertainty deals with situations where

the agent does not have complete knowledge of the environment or

where outcomes are probabilistic. Agents must make decisions using

probabilities, beliefs or approximate reasoning to handle incomplete,

noisy or ambiguous information.

Feature Deterministic Reasoning Reasoning Under Uncertainty

 Feature Deterministic Reasoning Reasoning Under Uncertainty

Outcome Probabilistic; one action →

Fully predictable; one action
Predictability multiple possible results with
→ one known result
certain probabilities

Knowledge Partial or uncertain knowledge;

Complete knowledge of
Requirement may rely on observations or
environment and rules
beliefs

Decision Making Straightforward; logical Requires probabilistic reasoning,

deduction suffices expected utility or fuzzy logic

Algorithms Used Classical search algorithms: Bayesian networks, Markov Decision

DFS, BFS, A*, uniform-cost Processes (MDPs), POMDPs, fuzzy
search reasoning

Example Chess without randomness Robot navigation with sensor noise

(deterministic moves) or slippery surfaces

Error Handling Errors only from incorrect Errors arise from uncertainty in
logic or rules observations or stochastic effects

50. What is Reinforcement Learning and What Are Its Key

Components?

Reinforcement Learning (RL) is a type of machine learning where an

agent learns to make decisions by interacting with an environment

and receiving feedback in the form of rewards or penalties. The

agent’s goal is to learn a policy that maximizes cumulative reward

over time. Unlike supervised learning, RL does not rely on labeled data;

instead, the agent explores and learns from trial-and-error

interactions.
Key Components of Reinforcement Learning

1. Agent – The learner or decision-maker that takes actions in the

environment.

2. Environment – The system or world with which the agent interacts.

3. State (ss) – A representation of the current situation of the agent

in the environment.

4. Action (aa) – Choices available to the agent in each state.

5. Reward (RR) – Feedback from the environment indicating the

immediate benefit of an action.

6. Policy (ππ) – Strategy followed by the agent to select actions based

on states.

7. Value Function (V(s)V(s)) – Estimates expected cumulative reward

from a given state.

8. Model – Represents how the environment behaves; used in model-

based RL.

51. How Does Reward Maximization Work in Reinforcement

Learning?

In Reinforcement Learning (RL), reward maximization is the process

by which an agent learns to choose actions that maximize the

cumulative reward over time. Instead of focusing solely on immediate

gains, the agent considers the long-term consequences of its actions

and adapts its behavior to achieve the highest overall reward.

1. Immediate Reward (RtRt ​ ​ ) – The feedback received from the

environment after performing an action at time t.

2. Cumulative Reward / Return (​ GtGt ) – The total expected reward

​

from time t onward:

Gt=Rt+1+γRt+2+γ2Rt+3+⋯ =∑k=0∞γkRt+k+1Gt =Rt+1 ​ ​

+γRt+2 +γ2Rt+3 +⋯ =∑k=0∞ γkRt+k+1

​ ​ ​ ​

Where γ∈[0,1]γ∈[0,1] is the discount factor which balances

immediate vs. future rewards.

3. Value Function(Vπ(s)Vπ(s)): Measures the expected cumulative

reward if the agent starts in state ss and follows policy ππ:

Vπ(s)=Eπ[Gt∣St=s]Vπ (s)=Eπ [Gt ∣St =s]

​ ​ ​ ​

4. Optimal Policy (π∗ π∗ ) – The strategy that maximizes expected

cumulative reward for all states:

 π∗ =arg max⁡πVπ(s),∀s∈Sπ∗ =argmaxπ Vπ (s),∀s∈ ​ ​

How It Works:

1. The agent takes an action in the current state.

2. The environment returns a reward and a new state.

3. The agent updates its knowledge (e.g., value function or Q-table)

based on the reward.

4. This trial-and-error learning continues until the agent converges to

a policy that maximizes cumulative rewards.

52. Discuss Q-Learning and Its Update Rule

Q-Learning is a model-free reinforcement learning algorithm used to

learn the optimal action-selection policy for an agent interacting with

an environment. It does not require prior knowledge of the

environment’s dynamics (transition probabilities). Instead, the agent

learns from trial-and-error experiences by updating a Q-value table

which represents the expected cumulative reward for taking an action

in a given state.
 Q-Value (Q(s,a)Q(s,a)) – Represents the expected cumulative

reward of taking action aaa in state sss and then following the

optimal policy.

 Policy – The strategy the agent uses to select actions based on Q-

values.

Q-Learning Update Rule

The Q-values are updated iteratively using the Bellman equation:

Q(st,at)←Q(st,at)+α[Rt+1+γmax⁡a′Q(st+1,a′)−Q(st,at)]
Q(st ,at )←Q(st ,at )+α[Rt+1 +γmaxa′ Q(st+1 ,a′)−Q(st ,at )]
​ ​ ​ ​ ​ ​ ​ ​ ​

Where:

 stst = current state

​

 atat = action taken in stst

​ ​

 Rt+1Rt+1 = reward received after taking atat

​ ​

 st+1st+1 = next state after action atat

​ ​

 α∈[0,1]α∈[0,1] = learning rate (how much new information

overrides old)

 γ∈[0,1]γ∈[0,1] = discount factor (importance of future rewards)

 maxa′Q(st+1,a′)maxa′ Q(st+1 ,a′) = estimated best future reward

​ ​

from next state

How Q-Learning Works

1. Initialize Q-table with arbitrary values (often zeros).

2. For each step:

 Select an action atat (exploration vs exploitation).

​

 Execute the action and observe reward Rt+1Rt+1 ​​ and next

state st+1st+1 .
​

 Update Q-value using the update rule.

3. Repeat until Q-values converge, resulting in the optimal policy.

53. What Are the Key Differences Between Q-Learning and SARSA?

Both Q-Learning and SARSA are model-free reinforcement learning

algorithms used to learn the optimal action-selection policy for an

agent interacting with an environment.

 Q-Learning is an off-policy algorithm: it updates Q-values

assuming the agent follows the optimal policy in the next state,

regardless of the actual action taken.

 SARSA is an on-policy algorithm: it updates Q-values based on the

action actually taken in the next state, following the agent’s current

policy.
 Both algorithms aim to maximize cumulative reward, but their

learning behavior differs depending on whether they consider the

optimal future action or the actual exploratory action.

Feat Q-Learning SARSA

ure

Poli
Off-policy: Learns optimal policy On-policy: Learns policy based on
cy
independent of actions taken actions actually taken
Type

Q- Q(st,at)←Q(st,at)+α[Rt+1+γmax⁡a′Q(st+1,a′)− Q(st,at)←Q(st,at)+α[Rt+1+γQ(st+1,at+1)−Q(s
Valu
e Q(st,at)]Q(st​ ,at​ )←Q(st​ ,at​ )+α[Rt+1​ t,at)]Q(st​ ,at​ )←Q(st​ ,at​ )+α[Rt+1​ +
Upda
te +γmaxa′​ Q(st+1​ ,a′)−Q(st​ ,at​ )] γQ(st+1​ ,at+1​ )−Q(st​ ,at​ )]
Rule

Futu
re
Acti
on Considers best possible action in the Considers actual action taken in the
Cons next state next state
ider
atio
n

Expl
orat
Ignores exploratory moves; assumes Updates Q-values based on exploratory
ion
optimal action actions
Hand
ling

Conv
Often faster in deterministic Safer in stochastic or risky
erge
environments environments; may converge slower
nce

Exam Grid-world with uncertain or risky

Grid-world with predictable rewards
ple rewards
Feat Q-Learning SARSA
ure

Scen
ario

54. Discuss the Exploration vs Exploitation Trade-Off in

Reinforcement Learning.

In Reinforcement Learning (RL), an agent must choose actions to

maximize cumulative reward over time. The exploration vs exploitation

trade-off is a fundamental challenge:

 Exploration: The agent tries new or less familiar actions to discover

potentially better rewards.

 Exploitation: The agent selects actions that have historically

provided high rewards, using existing knowledge.

Balancing these two is crucial: too much exploration can waste time

on suboptimal actions while too much exploitation can prevent the

agent from finding the globally optimal policy.

Aspect Exploration Exploitation

Goal Use known strategies to maximize

Discover new strategies or states
immediate reward

Action Actions with highest expected Q-

Random or less-known actions
Choice value
 Aspect Exploration Exploitation

Risk May lead to suboptimal or

May miss better long-term rewards
negative rewards

Learning Helps the agent learn more about Solidifies knowledge about known
Effect the environment good actions

Example Following a path that previously

Trying a new path in a maze
gave high rewards

55. Explain Model-Based vs Model-Free Reinforcement Learning

In Reinforcement Learning (RL), agents can learn to make decisions

using two main approaches: model-based and model-free.

Feature Model-Based RL Model-Free RL

Environment Requires or learns a model of the

Does not require a model;
Knowledge environment (transition
learns from experience
probabilities & rewards)

Planning vs Learns only from trial-and-

Can plan ahead using the model
Learning error

Sample More sample-efficient (fewer Less sample-efficient; needs

Efficiency interactions needed) more interactions

Computation Often computationally intensive due Computationally simpler per

to planning step

Example Value Iteration, Policy Iteration, Q-Learning, SARSA, Monte Carlo

Algorithms Dyna-Q methods

Adaptability Can adapt quickly if the model is Slower adaptation; requires

accurate repeated exploration

Key Idea “I know or learn the rules, so I “I don’t know the rules; I
 Feature Model-Based RL Model-Free RL

can plan the best actions.” learn what works by trial-and-

error.”

56. How Does an RL Agent Handle Stochastic Environments?

A stochastic environment is one where the outcomes of an agent’s

actions are probabilistic rather than deterministic. That is, taking the

same action in the same state may lead to different next states or

rewards. In such environments, an RL agent cannot rely on fixed

outcomes and must learn policies that maximize expected cumulative

reward rather than immediate reward.

How RL Agents Handle Stochasticity

1. Use of Probabilistic Value Functions

 The agent estimates expected rewards using value functions:

Vπ(s)=Eπ[Gt∣St=s]Vπ (s)=Eπ [Gt ∣St =s]

​ ​ ​ ​

Qπ(s,a)=Eπ[Gt∣St=s,At=a]Qπ (s,a)=Eπ [Gt ∣St =s,At

​ ​ ​ ​ ​

=a]
 These consider all possible next states and rewards weighted by

probability.

2. Discount Factor (γγ): Balances immediate vs. future rewards,

helping smooth out variability in stochastic outcomes.

3. Exploration Strategies: Policies like ε-greedy, softmax or Upper

Confidence Bound (UCB) allow the agent to explore uncertain or

probabilistic outcomes and improve learning.

4. Expected Reward Maximization: Instead of choosing actions that are

best in one trial, the agent selects actions that maximize expected

cumulative reward across all probabilistic outcomes.

5. Use of Model-Based or Model-Free Methods

 Model-based: learns transition probabilities P(s′∣s,a)P(s′∣s,a) and

rewards R(s,a,s′)R(s,a,s′) to plan under uncertainty.

 Model-free: updates Q-values or policies from multiple experiences

to capture stochastic behavior.

Example: Grid world with slippery tiles:

 Action “move right” may sometimes move the agent up or down

instead of right.
 The agent learns the probabilities of each outcome and chooses

actions that maximize expected reward over time.

57. What Are Policy, Value Function and Reward Function in

Reinforcement Learning?

In Reinforcement Learning (RL), an agent interacts with an

environment to maximize cumulative rewards. Three core concepts

govern how the agent makes decisions and evaluates actions: policy,

value function and reward function.

1. Policy (ππ) – The policy represents the agent’s strategy for

choosing actions in different states. It tells the agent what to do in

each situation. Policies can be:

 Deterministic: a fixed action for each state (a=π(s))(a=π(s))

 Stochastic: a probability distribution over actions

(π(a∣s)=P(a choosen in state s)π(a∣s)=P(a choosen in state s))

2. Value Function (V or QV or Q) – The value function estimates how

good a state or state-action pair is in terms of expected cumulative

reward. It helps the agent evaluate long-term benefits of actions and

make better decisions.

  State-value function Vπ(s)Vπ(s): Expected return starting from

state ss following policy ππ.

 Action-value function Qπ(s,a)Qπ(s,a): Expected return starting

from state ss, taking action aa, then following policy ππ.

3. Reward Function (RR) – The reward function provides immediate

feedback from the environment after the agent takes an action in a

state. It measures short-term success and drives the learning process.

Aspect Policy Value Function Reward Function

Purpose Strategy for

Estimates long-term Provides immediate
selecting actions in
expected returns numerical feedback
each state

Input State, action or

State or (state,
State information state-action
action) pair
transition

Output Action or Expected value of

Instant reward
distribution over future cumulative
signal
actions rewards

Role in Guides agent’s

Assesses desirability Directs agent toward
Learning decision-making
of states/actions goals
process

Dependency May depend on

Depends on policy and Independent,
value/reward
reward function foundational signal
functions

Optimization Learn optimal action- Accurately predict Shape agent behavior

Goal selection future rewards via rewards

58. Explain the Expectation-Maximization (EM) algorithm.

The Expectation-Maximization (EM) algorithm is a classical, iterative

optimization technique in artificial intelligence and statistics, used to

estimate the parameters of probabilistic models—especially when the

data involves hidden or latent variables. The algorithm works by

alternating between two main steps:

 E-step (Expectation Step): This step estimates the expected value of

the latent (hidden or missing) variables, given the observed data

and the current parameter values. It uses the model to infer the

most likely assignments or responsibilities for each latent variable.

 M-step (Maximization Step): Using the expectations calculated in

the E-step, this step re-estimates or optimizes the model

parameters to maximize the expected log-likelihood of the observed

data.

Key Concepts

 Latent Variables: Elements in the data not directly observed but

inferred such as cluster assignments in Gaussian Mixture Models.

 Maximum Likelihood Estimation (MLE): EM seeks parameter values

that maximize the probability of observing the given data, even in

the presence of missing or hidden information.

 Log-Likelihood: The log of the likelihood function, making

computations easier and more stable.

 Convergence: The iterative process stops once parameters stabilize

or change by a negligible amount.

59. What are Monte Carlo methods and how are they used in AI?

Monte Carlo methods are statistical techniques that rely on repeated

random sampling to solve complex problems which may be

deterministic or probabilistic in nature. They are widely used in

artificial intelligence (AI) for their ability to model uncertainty,

simulate systems and approximate solutions where traditional

analytical calculations are impractical.

Monte Carlo methods involve three core steps:

 Building a mathematical model of the system or process.

 Defining input variables and their probability distributions.

 Randomly sampling from these distributions and simulating the

model many times (often thousands or millions) to analyze the

range of possible outcomes.

Applications in AI
 Reinforcement Learning: Estimating value functions and policies by

simulating many possible outcomes of actions.

 Monte Carlo Tree Search: Used in game AI to simulate future moves

and select the best strategies (e.g., Chess, Go).

 Bayesian Inference (MCMC): Sampling from complex probability

distributions to perform probabilistic reasoning and learning.

 Numerical Integration: Approximating integrals in high-dimensional

spaces for probabilistic AI models where exact calculation is hard.

 Optimization and Hyperparameter Tuning: Exploring large

parameter spaces in ML by random sampling to find good model

settings.

60. Discuss forward state-space search and its advantages.

Forward state-space search in AI is a search strategy that starts from

an initial state and explores the possible successor states by applying

valid actions until a goal state is reached. It progressively moves

forward state by state toward achieving the desired goal by

methodically generating and evaluating new states.

How it Works:
 Begins at the initial state reflecting the current problem

configuration.

 From the current state, all possible actions and resulting successor

states are identified.

 These successor states are evaluated and added to the search

frontier for further exploration.

 The process repeats, expanding new states, until the goal state is

found or no more states remain.

Advantages:

 Simplicity: Intuitive and straightforward approach starting from

the known starting point.

 Goal-Directed: Efficiently searches paths progressing toward a

known goal without needing backward reasoning.

 Complete: If the state space is finite and the search method (e.g.,

BFS) is appropriate, it guarantees finding a solution if one exists.

 Applicable to Real-World Problems: Suited for problems with a

well-defined initial state and clear goal such as navigation, puzzle

solving and robotics.

 Compatible with Various Search Algorithms: Can be combined with

uninformed (BFS, DFS) or informed (A*) search strategies

depending on problem characteristics for better efficiency.

61. Explain local search optimization techniques and their
applications.

Local search optimization techniques are simple, practical methods

used to find good solutions to complex problems by improving an

initial solution step-by-step. They work by exploring the "neighbors" of

a current solution—slightly changed versions—and moving to better

ones until no improvement is found.

Common types include:

 Hill Climbing: moves to the best neighboring solution.

 Simulated Annealing: allows occasional moves to worse neighbors to

escape local optima.

 Tabu Search: uses memory to avoid revisiting solutions.

 Genetic Algorithms: use mutation and recombination of solutions.

Applications:

 Task scheduling and timetabling

 Route and path optimization

 Resource allocation

 Machine learning hyperparameter tuning

 Puzzle solving and combinatorial problems

62. How does simulated annealing avoid local optima?

Simulated annealing is an optimization algorithm inspired by the

annealing process in metallurgy, designed to find an optimal or near-

optimal solution in large and complex search spaces.

 It starts with an initial solution and a high "temperature" that

controls how freely the algorithm explores solutions.

 At each step, a small change is made to the current solution to

create a new candidate solution.

 If the new solution is better, it is accepted.

 If the new solution is worse, it may still be accepted with a

probability that decreases as the temperature lowers, allowing

escape from local optima.

 The temperature gradually decreases following a cooling schedule

until the algorithm converges or stops.

Key formula for acceptance probability of worse solutions:

P(accept)=e−ΔETP(accept)=e−TΔE ​

where ΔEΔE is the increase in the objective function and TT is the

current temperature.
Advantages:

 Effectively escapes local optima by allowing occasional uphill moves.

 Balances exploration and exploitation via temperature control.

 Suitable for complex problems like the Traveling Salesman Problem,

scheduling and network design.

 Simple and widely applicable across various optimization challenges.

63. Explain Iterative Deepening Search (IDS) with examples.

Iterative Deepening Search (IDS), also known as Iterative Deepening

Depth-First Search (IDDFS), is a search algorithm used in artificial

intelligence that combines the benefits of Depth-First Search (DFS)

and Breadth-First Search (BFS). It is especially useful when the depth

of the solution is unknown. IDS performs a series of depth-limited DFS

searches, increasing the depth limit by one at each iteration until the

goal is found or the entire search space is exhausted.

How IDS Works:

 It performs a series of depth-limited DFS searches, starting with

depth limit 0.

 Each DFS explores the graph/tree up to the current depth limit.

 If the goal is not found, the depth limit is increased by 1.

 This process repeats until the goal node is located.

Example:

In a tree with branching factor 2 and depth 3:

 Iteration 1 (depth 0): Check only node at level 0.

 Iteration 2 (depth 1): Check all nodes up to level 1.

 Iteration 3 (depth 2): Check all nodes up to level 2.

 Iteration 4 (depth 3): Check all nodes up to level 3, find goal.

64. Explain Truth Maintenance Systems (TMS) in reasoning.

A Truth Maintenance System (TMS) is an AI component that manages

and maintains the consistency of beliefs and knowledge in a reasoning

system. It tracks dependencies between facts, assumptions and

conclusions, allowing the system to revise or retract beliefs when new

information contradicts existing ones. Essentially, TMS helps maintain

logical consistency in dynamic knowledge bases by recording

justifications for each belief and updating conclusions as the context

changes.

 Keeps track of beliefs, their justifications and dependencies.

 Detects contradictions when new information conflicts with current

beliefs.

 Performs belief revision by retracting invalid assumptions or

conclusions.

 Can handle multiple contexts or scenarios to avoid revising the

entire knowledge base.

 Enables reasoning with uncertain, incomplete or changing

information.

 Provides explanations by tracing why a particular belief holds.

 Applied in diagnostic systems, expert systems, natural language

understanding and design systems.

65. What is commonsense reasoning and why is it challenging?

Commonsense reasoning refers to the human-like ability of an AI

system to make presumptions about the everyday world, fill in gaps in

knowledge and infer implicit facts that are obvious to humans based

on general world knowledge.

Challenges of commonsense reasoning:

 Vast and ambiguous knowledge: Commonsense involves huge

amounts of loosely structured knowledge about the world.

  Implicit assumptions: Much commonsense knowledge is unstated or

implied, making it hard to represent formally.

 Context dependence: The meaning and truth of commonsense facts

often depend heavily on context.

 Non-monotonic reasoning: New information can invalidate previous

conclusions, complicating logical consistency.

 Lack of comprehensive datasets: It is difficult to encode or acquire

the full breadth of commonsense knowledge.

66. Explain Forward vs Backward Planning.

Let's see the differences between forward and backward planning,

Aspect Forward Planning Backward Planning

Direction Starts from initial state, moves Starts from goal state, moves
forward backward

Approach Data-driven Goal-driven

Search Process From known conditions to explore From goal condition to find
paths necessary steps

Use Case When goal or target state is

When initial state is well known
clearly defined

Efficiency May explore many unnecessary More focused on relevant states

states near goal

Memory & Can be less efficient if many Usually more directed,

Computation paths explored potentially more efficient
 Aspect Forward Planning Backward Planning

Advantage Useful when working backward

Intuitive, straightforward
from specific targets

Example Robot starts at known position, Planning steps backward from

finds path forward desired endpoint

67. Explain the difference between On-Policy vs Off-Policy

Learning.

Let's see the differences between on-policy and off-policy learning,

Feature On-Policy Learning Off-Policy Learning

Definition Learns value of the policy

Learns value of a policy different
currently being followed by the
from the one used to generate data
agent

Policy Used for Same as the policy used to Different from the policy used to
Learning select actions (behavior policy select actions (behavior policy ≠
= target policy) target policy)

Example
SARSA Q-Learning
Algorithms

How It Learns Updates policy using best possible

Updates policy based on actions
future actions, not necessarily
actually taken
the ones taken

Data Used Data collected by current Can use data from any policy, past
policy’s actions experiences or other agents

Exploration Must explore using the current Can learn from exploratory or
policy fixed datasets

Stability Usually more stable and More flexible but can have higher
consistent variance
 Feature On-Policy Learning Off-Policy Learning

Efficiency Often more sample efficient due to

Can be less sample efficient
learning from optimal or off-
due to on-policy exploration
policy experiences

Convergence Converges under certain Can converge faster but more

conditions, may be slower complex to ensure stable learning

Use Case When learning and acting When learning from other agents or
policies must be aligned offline data

Intuition Learning by observing others or

Learning by doing
from past data

68. Compare Global Search and Local Search Algorithms.

Let's see the differences between global search and local search

algorithms,

Aspect Global Search Algorithms Local Search Algorithms

Search Scope Explores the entire search space Explores the neighborhood of
systematically the current solution

Goal Find the global optimum (best Find a good or near-optimal

overall solution) solution quickly

Approach Incremental improvement based

Broad, exhaustive or systematic
on local moves

Memory Usage Low, stores only current state

High, needs to store many states
and neighbors

Speed Usually slower and computationally Generally faster and more

expensive efficient

Risk of Local Low, since global search covers High, can get stuck in local
 Aspect Global Search Algorithms Local Search Algorithms

Optima full space optima

Examples Hill Climbing, Simulated

Breadth-First Search, A* Search
Annealing, Tabu Search

Application Suitable when completeness and Useful when solution space is

optimality are critical huge or infinite

69. Explain gradient-based optimization vs heuristic-based

search.

Let's see the difference between gradient-based optimization and

heuristic-based search,

Aspect Gradient-Based Optimization Heuristic-Based Search

Basis Uses derivatives (gradients) to Uses rules of thumb or domain

guide search knowledge

Requirement Requires differentiable Works with non-differentiable,

objective function complex spaces

Search Moves toward steepest Moves toward promising candidates

Direction ascent/descent using heuristic

Efficiency Fast convergence on smooth, Efficient in problems with complex

convex problems landscapes

Risk of Local Can get stuck in local minima Can escape local optima using
Optima if the problem is multi-modal probabilistic or memory techniques

Examples Gradient Descent, Newton’s A* Search, Hill Climbing, Genetic

Method Algorithms

Applicability Optimization problems with Combinatorial optimization and

gradient information heuristic search spaces
70. How would you implement a Sudoku solver using backtracking
search?

Backtracking is a classic technique to solve constraint satisfaction

problems like Sudoku. The approach is:

1. Choose an empty cell in the Sudoku grid.

2. Try possible numbers (1-9) for that cell, checking if the number is

valid according to Sudoku rules (no repeats in the row, column or

3x3 subgrid).

3. If a number is valid, fill the cell and recursively attempt to solve the

rest of the puzzle.

4. If no number works, backtrack by resetting the cell and returning

to the previous cell to try other numbers.

5. Repeat until all cells are filled successfully.

71. Explain how a Chess AI can use alpha-beta pruning to

improve efficiency.

Alpha-beta pruning is an optimization of the minimax algorithm used

in game-playing AIs like Chess to reduce the number of nodes

evaluated in the game tree without affecting the final decision.

 Minimax searches all possible moves down to a certain depth,

evaluating game states to find the best move.

 Alpha pruning (αα): The best already explored option along the

path to the root for the maximizer.

 Beta pruning (ββ): The best already explored option along the path

to the root for the minimizer.

Process:

 While traversing the game tree, keep track of α and β.

 If at any node, the value being explored is worse than the current α

or β, stop exploring further down that branch—prune it.

 This avoids evaluating moves that won't be chosen because the

opponent will avoid them or better options exist.

Benefits:

 Significantly reduces the search space—can prune large parts of the

tree.

 Allows the AI to search deeper in the same time.

 Maintains the minimax outcome because pruned branches cannot

affect the final decision.

72. How would a robot navigate a maze using reinforcement

learning?
A robot can navigate a maze using reinforcement learning (RL) by

treating the maze as an environment where it learns an optimal

policy to reach the goal through trial and error. Here’s how this works:

Key Components:

 States: Positions or locations of the robot in the maze.

 Actions: Possible moves (e.g., move up, down, left, right).

 Reward function: Provides feedback; typically, a positive reward for

reaching the goal, negative reward for hitting walls and small

negative reward for each step to encourage faster solutions.

 Policy: The strategy the robot learns that maps states to actions to

maximize cumulative reward.

How Navigation Works:

1. Initialization: The robot starts with no knowledge of the maze and

chooses actions based on an initial policy or randomly.

2. Exploration: Through exploring different paths, the robot observes

outcomes, receives rewards or penalties and updates its policy

accordingly.

3. Learning: Using RL algorithms like Q-learning or Deep Q-Networks

(DQN), the robot updates value estimates (Q-values) that reflect the

expected future reward for each state-action pair.

4. Exploitation: Over time, the robot increasingly follows the learned

policy that favors actions leading to the goal.

5. Convergence: Eventually, the robot learns the optimal path to

navigate from any starting position to the goal efficiently.

Advantages:

 Does not require prior knowledge of the maze structure.

 Adapts to changes in the environment.

 Can handle stochastic or dynamic obstacles.

Example:

 The robot tries moving in one direction.

 Hits a wall (negative reward), updates policy to avoid that direction.

 Successfully finds a path leading to the goal (positive reward),

reinforcing those actions.

73. Design an AI for Tic-Tac-Toe using Minimax. How does it

decide the next move?

Minimax is a recursive algorithm used in decision-making and game

theory to make optimal moves. In Tic-Tac-Toe, it works by simulating

all possible future moves and outcomes of the game. The AI (say player

X) always tries to maximize its score by choosing moves that lead it

closer to winning while assuming that the opponent (player O) will

also play optimally and try to minimize the AI’s chances. This back-

and-forth reasoning ensures that the AI always picks the best possible

move, either to win or at least force a draw.

How Minimax Works in Tic-Tac-Toe

1. Evaluate terminal states:

 If AI wins → return +1

 If opponent wins → return -1

 If draw → return 0

2. Recursive exploration:

 If it’s AI’s turn: choose the move with the maximum score

(maximize).

 If it’s opponent’s turn: choose the move with the minimum score

(minimize).

3. Backtracking:

 The algorithm explores all possible moves until reaching a terminal

state (win/loss/draw).

 Then it “backs up” the scores and chooses the best move.
Comment

kumar_satyam

Follow

Article Tags :
 Artificial Intelligence

 AI-ML-DS

 Tutorials

Explore

Introduction to AI

AI Concepts

Machine Learning in AI

Robotics and AI

Generative AI

AI Practice
 Corporate & Communications Address:

A-143, 7th Floor, Sovereign Corporate Tower, Sector- 136, Noida,

Uttar Pradesh (201305)

Registered Address:

K 061, Tower K, Gulshan Vivante Apartment, Sector 137, Noida,

Gautam Buddh Nagar, Uttar Pradesh, 201305

 Company

 About Us

 Legal

 Privacy Policy

 Contact Us

 Advertise with us

 GFG Corporate Solution

 Campus Training Program

 Explore

 POTD

 Job-A-Thon

 Blogs

 Nation Skill Up

 Tutorials

 Programming Languages

 DSA

 Web Technology

 AI, ML & Data Science

 DevOps

 CS Core Subjects
 Interview Preparation

 Software and Tools

 Courses

 IBM Certification

 DSA and Placements

 Web Development

 Programming Languages

 DevOps & Cloud

 GATE

 Trending Technologies

 Videos

 DSA

 Python

 Java

 C++

 Web Development

 Data Science

 CS Subjects

 Preparation Corner

 Interview Corner

 Aptitude

 Puzzles

 GfG 160

 System Design

@GeeksforGeeks, Sanchhaya Education Private Limited, All rightsreserved

Plus de 30 idées de projets d'intelligence

artificielle avec code source [Mise à jour 2025]
Dernière mise à jour : 23 juil. 2025




L'intelligence artificielle (IA) est la branche de l'informatique qui vise à créer

des agents intelligents, c'est-à-dire des systèmes capables de

raisonner , d'apprendre et d'agir de manière autonome . Cela implique le

développement d'algorithmes et de techniques permettant aux machines

d'effectuer des tâches qui requièrent généralement l'intelligence humaine,

comme comprendre et répondre au langage naturel , reconnaître des objets

dans des images , prendre des décisions autonomes et résoudre des problèmes

complexes .

Cet article vous présente trente projets d'intelligence artificielle qui vous

aideront à comprendre le fonctionnement des choses. En travaillant sur ces

idées, vous pourrez facilement les mettre en œuvre dans différents domaines

professionnels.

Meilleures idées de projets d'intelligence artificielle

[2025]
Voici la liste des 30+ principaux projets d'intelligence artificielle que vous

devez construire en 2025 :

1. Chatbots

En tant que débutant, vous pouvez commencer par créer des chatbots . Il est

recommandé de commencer par une version simplifiée. De nombreux

chatbots sont disponibles sur la plupart des sites web d'entreprise. Vous

pouvez les consulter, identifier leur structure de base et créer vos propres

chatbots avec une structure similaire.

Créez votre propre chatbot basé sur des règles en utilisant la

PNL

Une fois terminé, essayez d'en créer un. Essayez également de travailler sur

différents chatbots de niche. L'intelligence artificielle vous donne la liberté de

déployer vos ailes et vous aide à concrétiser vos idées.

2. Système de détection des fausses nouvelles

À l'ère des réseaux sociaux et de la communication numérique, la propagation

des fausses nouvelles est devenue une préoccupation majeure. Grâce à

l'intelligence artificielle, vous pouvez créer un système de détection des fausses

nouvelles qui identifie et signale les articles de presse non fiables ou inventés.

Ce projet utilise des techniques de traitement automatique du langage naturel

(TALN) pour prétraiter les données textuelles , extraire des caractéristiques

significatives et classer les informations comme vraies ou fausses.

L'entraînement de modèles d'apprentissage automatique comme la régression

logistique , la forêt aléatoire ou des modèles avancés

comme LSTM et BERT permet d'atteindre une grande précision dans la

détection des fausses nouvelles.

Modèle de détection de fausses nouvelles utilisant TensorFlow en

Python

Ce projet renforce non seulement vos compétences en PNL, mais a également

un impact concret en luttant contre la désinformation. Il s'adresse aux

secteurs des médias, de la cybersécurité et de la sécurité publique, offrant un

potentiel de carrière considérable.

3. Prédicteur du marché boursier

Si vous êtes doué en calcul, ce projet est fait pour vous. Avez-vous déjà utilisé

un outil de prédiction des cours boursiers ? Sinon, n'hésitez pas à le consulter.

Ils sont réputés pour leur précision, basée sur des hypothèses

mathématiques et des données actuelles . Vous pouvez même vérifier

rapidement si votre outil fonctionne ou non en limitant les cycles de

prédiction des cours boursiers. Ces systèmes sont très prisés et recherchés. Ce

projet vous aidera à faire carrière dans la finance si les mathématiques sont

votre tasse de thé.

Prédiction du marché boursier grâce à l'apprentissage automatique

en Python

4. Prédicteur de sentiment
Le comportement des consommateurs est un objectif que toute entreprise en

ligne cible. Connaître la réaction d'un consommateur à une publication

augmente ses chances d'achat. L'intelligence artificielle permet d'identifier les

sentiments des consommateurs. Vous pouvez concevoir un indicateur de

sentiment permettant d'analyser leur état d'esprit. Ce projet vous aidera à

vous faire remarquer auprès des entreprises de premier plan. Presque toutes

les entreprises en ligne ont déjà mis en œuvre ce projet. C'est le moment de

démontrer votre expertise en le mettant en œuvre et de saisir cette

opportunité.

Analyse des sentiments avec un réseau neuronal récurrent (RNN)

5. Classification des fleurs à l'aide de l'IA

La classification des fleurs est un excellent projet pour les novices souhaitant

explorer la vision par ordinateur et l'intelligence artificielle . Vous pouvez

développer un système utilisant l'IA pour catégoriser les fleurs selon leurs

caractéristiques distinctes comme la taille , la couleur et la forme .

L'utilisation d'ensembles de données d'images, la préparation des données et

l'application de méthodes comme les réseaux de neurones convolutifs

(RNC) font partie intégrante de cette recherche afin d'obtenir des résultats

fiables. C'est un excellent point de départ pour ceux qui souhaitent travailler

sur des systèmes de reconnaissance d'images plus complexes, comme la

reconnaissance rétinienne ou la reconnaissance faciale .

Reconnaissance des fleurs à l'aide de CNN

6. Système de reconnaissance des activités humaines

Vous avez sans doute déjà rencontré des appareils comme des montres

connectées , des bracelets , etc. Saviez-vous qu'ils utilisent l'intelligence

artificielle pour déterminer avec précision votre rythme cardiaque et le

nombre de calories perdues en fonction de vos déplacements ? Un système de

reconnaissance d'activité serait un excellent projet. Analysez le

fonctionnement du produit et créez votre propre système intelligent de

reconnaissance d'activité avec une structure similaire. Vous découvrirez les

algorithmes utilisés dans ces applications et vous apprécierez le processus.

Commencez par un algorithme simple ; une fois terminé, optez pour un

algorithme plus complexe. Le potentiel de ce type d'appareil est considérable,

alors n'hésitez pas à l'essayer.

Reconnaissance de l'activité humaine avec OpenCV

7. Analyseur de qualité du vin

À l'aide d'un ensemble de données spécifiques, vous pouvez déterminer

la qualité d'un vin . Vous savez peut-être que plus un vin vieillit, meilleur il

est. Plusieurs facteurs sont à prendre en compte pour valider la qualité d'un

vin. Le pH , le degré d'alcool et l'acidité sont quelques-uns des critères à

prendre en compte.

Grâce à l'intelligence artificielle, vous pouvez tester ces facteurs et déterminer

quel est le meilleur vin. Le même principe est appliqué pour tester la fertilité

des sols par des architectures utilisant l'IA. Vous pouvez commencer par le vin
pour découvrir pleinement le fonctionnement de l'algorithme. Vous

découvrirez qu'il y a plus de 4 000 ensembles de données à prendre en

compte. Ce projet vous permettra sans aucun doute de perfectionner vos

compétences en IA.

Prévision de la qualité du vin grâce à l'apprentissage

automatique

8. Détecteur d'objets

Connaissez-vous le terme « réseau neuronal profond » ? Les réseaux

neuronaux sont utilisés par des entreprises de premier plan pour effectuer

diverses opérations comme la reconnaissance faciale , la traduction , etc. Le

détecteur d'objets est similaire au système de classification des fleurs, mais un

peu plus complexe. Il vous aide à détecter un objet particulier grâce à

l'intelligence artificielle. Si vous souhaitez optimiser l'impact de votre projet,

cette détection d'objets intelligente est faite pour vous.

La détection d'objets est la même méthode que celle utilisée par les robots

dotés d'intelligence artificielle. La réalité virtuelle et l'augmentation

3D fonctionnent également sur le même principe. Profitez pleinement de

cette opportunité pour acquérir et perfectionner ces compétences.

Détecter un objet avec OpenCV-Python

9. Moteur de recommandation

Vous êtes-vous déjà demandé, en regardant une vidéo ou une émission

sur YouTube ou Netflix, comment des vidéos similaires apparaissent selon vos
préférences ? Pourquoi ne pas créer un moteur capable de faire la même

chose ? En se basant sur vos activités comportementales et implicites, un

algorithme peut déterminer vos préférences et vous proposer du contenu

similaire. Au lieu de visionner des vidéos en boucle, vous pourriez créer votre

propre moteur de recommandation . Pour commencer, vous pouvez utiliser

votre historique de navigation. Des données comportementales et implicites

sont nécessaires. Cela fera assurément sensation.

En matière d'opportunités d'emploi, les développeurs de moteurs de

recommandation sont très recherchés. Avec la transition numérique de

nombreux instituts de formation, chacun recherche un développeur IA pour

concevoir un système de recommandation sur son site web.

Système de recommandation en Python

10. Prédicteur des ventes

Les supermarchés sont des lieux où l'on trouve un excédent de produits.

Comment ils parviennent à suivre les ventes de chaque produit dépasse

l'imagination. C'est là qu'un outil de prévision des ventes s'avère utile. Il

permet de suivre les stocks quotidiens et les produits épuisés. Sales Predictor

est l'un des projets à l'étude. Il s'agit de concevoir un algorithme pour

calculer le nombre de produits vendus quotidiennement et d'en prédire les

ventes hebdomadaires ou mensuelles.

L'outil de prédiction des ventes est sans aucun doute un projet qui fera une

meilleure première impression. Si vous le trouvez simple, essayez un

algorithme sophistiqué et vérifiez son efficacité. Vous découvrirez les

algorithmes utilisés dans ce type d'application et vous apprécierez le processus.

Presque toutes les épiceries en ligne ont commencé à l'utiliser. N'hésitez pas à

l'essayer.

Prévision des ventes - Python

11. Générateur de légendes d'images

Le générateur de légendes d'images est un projet d'IA intéressant permettant

de générer des légendes pour des images grâce à l'apprentissage profond. Le

modèle apprend à décrire les images en analysant leur contenu et en

associant des mots à divers éléments visuels. Vous pouvez créer un générateur

de légendes d'images en utilisant des réseaux de neurones convolutifs (CNN)

combinés à des réseaux de neurones récurrents (RNN) ou des LSTM. Ce projet

vous aidera à améliorer vos compétences en vision par ordinateur et en

traitement du langage naturel (TALN).

Générateur de légendes d'images utilisant le Deep Learning

12. Prédire l'efficacité énergétique

Prédire la consommation de carburant des véhicules est une application

essentielle de l'IA dans l'industrie automobile. Grâce à des algorithmes

d'apprentissage automatique, il est possible de prédire la consommation de

carburant des véhicules en fonction de divers facteurs tels que le type de

moteur, le poids, le type de carburant et d'autres spécifications du véhicule.

Le projet comprend le prétraitement des données, la sélection de

caractéristiques et l'entraînement d'un modèle pour prédire avec précision la

consommation de carburant. Il apporte une valeur ajoutée concrète pour

l'amélioration de la conception des véhicules et la durabilité environnementale.

Prédire l'efficacité énergétique à l'aide de Tensorflow en Python

13. Détection des courriers indésirables

La détection des spams est un problème crucial pour les systèmes de

messagerie. En appliquant des techniques de traitement automatique du

langage naturel (TALN), vous pouvez créer un modèle capable de détecter les

spams en analysant le contenu, l'expéditeur et d'autres métadonnées. Des

modèles d'apprentissage automatique tels que Naive Bayes, les machines à

vecteurs de support (SVM) ou les réseaux neuronaux avancés comme LSTM

peuvent être entraînés à classer les e-mails comme spams ou légitimes. Ce

projet vous permettra d'approfondir votre compréhension de la classification

de texte, du TALN et des algorithmes d'apprentissage automatique.

Détection des spams à l'aide de Tensorflow en Python

14. Traduction linguistique

La traduction linguistique est une puissante application de l'IA qui permet la

traduction en temps réel entre différentes langues. Vous pouvez créer un

modèle de traduction automatique à l'aide d'architectures basées sur des

transformateurs, qui s'appuient sur des mécanismes d'attention pour

traduire du texte. Ce projet implique l'entraînement sur de grands ensembles

de données parallèles contenant des paires de phrases traduites et peut être

étendu à différentes langues. Travailler sur ce projet vous permettra

d'approfondir votre compréhension des modèles séquence à séquence, des

mécanismes d'attention et des réseaux de transformateurs.

Traduction automatique avec Transformer en Python

15. Résumé du texte

Le résumé de texte permet de condenser de longs documents en résumés

concis tout en conservant l'essentiel. Il existe deux types de méthodes de

résumé : extractive et abstractive. Dans la méthode extractive, vous

sélectionnez les phrases clés directement dans le texte, tandis qu'avec la

méthode abstractive, le modèle génère un résumé à partir de nouvelles

expressions. Grâce aux techniques de TALN et aux modèles d'apprentissage

profond comme BERT ou GPT, vous pouvez créer un outil de résumé de texte

efficace. Ce projet est utile pour les applications nécessitant la condensaton

de grands volumes de texte, comme les articles de presse ou les rapports de

recherche.

Résumé de texte en PNL

16. Détection des discours de haine

La détection des discours haineux vise à identifier automatiquement les

contenus offensants et préjudiciables en ligne. Ceci est particulièrement

important sur les réseaux sociaux et les plateformes en ligne pour prévenir le
cyberharcèlement et promouvoir des discussions en ligne saines. En

entraînant un modèle sur des ensembles de données contenant des exemples

étiquetés de discours haineux et non haineux, vous pouvez créer un système

d'IA qui classe les textes comme préjudiciables ou sûrs. Des techniques telles

que l'apprentissage profond et le traitement automatique du langage naturel

(TALN) sont idéales pour cette tâche. Ce projet vous permettra d'améliorer

vos compétences en classification de textes et en analyse des sentiments.

Détection des discours haineux grâce à l'apprentissage profond

17. Correcteur automatique de texte

L'autocorrection de texte est une fonctionnalité courante des traitements de

texte et des claviers mobiles. Ce projet vous permettra de créer un système

de correction automatique basé sur l'IA qui suggère des corrections

orthographiques pour les mots saisis par les utilisateurs. Vous pouvez mettre

en œuvre ce système grâce à des techniques de traitement automatique du

langage naturel (TALN) telles que les algorithmes de vérification

orthographique, les n-grammes et les approches d'apprentissage profond

(apprentissage profond) comme les modèles séquence à séquence. Ce projet

vous apprendra à gérer la saisie de texte, à corriger les erreurs et à améliorer

l'expérience utilisateur grâce aux applications de TALN.

Fonction d'autocorrecteur utilisant le traitement du langage

naturel (PNL) en Python

18. Reconnaître la plaque d'immatriculation d'une voiture à partir

d'une vidéo
La reconnaissance des plaques d'immatriculation est une application concrète

de la vision par ordinateur. Ce projet vous permettra de créer un système

capable de détecter et de lire les plaques d'immatriculation en temps réel à

partir de flux vidéo. Grâce à des techniques de détection d'objets comme

YOLO (You Only Look Once) ou Faster R-CNN, combinées à la reconnaissance

optique de caractères (OCR), vous pourrez identifier les plaques

d'immatriculation. Ce projet est largement applicable aux systèmes de

surveillance, de péage et de maintien de l'ordre, vous permettant ainsi de

mettre en pratique vos compétences en vision par ordinateur et en

traitement en temps réel.

Détecter et reconnaître la plaque d'immatriculation d'une voiture

à partir d'une vidéo en temps réel

19. Détection de l'âge

La détection de l'âge grâce aux caractéristiques faciales est une application

courante dans les domaines de la sécurité et des services personnalisés.

L'analyse des images faciales permet de prédire la tranche d'âge d'une

personne (enfant, adulte, senior) ou de fournir une fourchette d'âge. Ce

projet d'IA peut être développé à l'aide de réseaux de neurones conjoncturels

(CNN) qui extraient les caractéristiques faciales et les associent aux étiquettes

d'âge correspondantes. Vous pouvez utiliser OpenCV pour traiter et analyser

les images, et l'apprentissage profond pour entraîner le modèle. Ce projet

vous permet d'acquérir une expertise en reconnaissance faciale et en

estimation de l'âge.

Détection de l'âge à l'aide de l'apprentissage profond dans

OpenCV

20. Génération de texte

La génération de texte est un domaine passionnant de l'IA où un modèle

génère du texte à partir d'entrées données. Vous pouvez créer un générateur

de texte à l'aide de réseaux GRU (Gated Recurrent Unit), un type de RNN.

Ces réseaux peuvent générer des phrases cohérentes en apprenant à partir de

vastes bases de données textuelles. Le projet consistera à entraîner un modèle

de langage, à l'affiner sur des données spécifiques et à l'utiliser pour générer

du texte à partir des entrées utilisateur. La génération de texte a de

nombreuses applications, notamment pour les chatbots, l'écriture créative et

la création de contenu.

Génération de texte à l'aide de réseaux d'unités récurrents à

portes

21. Détection du cancer du poumon

La détection du cancer du poumon par imagerie médicale est une application

essentielle de l'IA qui peut contribuer au diagnostic précoce. Grâce aux

réseaux de neurones convolutifs (CNN), vous pouvez créer un système qui

analyse les images radiographiques ou tomodensitométriques pour détecter

les signes du cancer du poumon. Ce projet nécessite l'utilisation d'ensembles

de données d'images médicales, le prétraitement des images et

l'entraînement du modèle à l'identification de lésions cancéreuses ou

d'anomalies pulmonaires. Ce projet vous permettra de perfectionner vos

compétences en traitement d'images, en applications d'IA médicale et en

CNN.

Détection du cancer du poumon à l'aide d'un réseau neuronal

convolutif (CNN)

22. Système de recommandation de recettes

Un système de recommandation de recettes propose des recettes en fonction

des ingrédients disponibles ou des préférences alimentaires. Ce système d'IA

peut être développé en analysant les données de diverses recettes et en les

adaptant aux préférences des utilisateurs, comme leurs restrictions

alimentaires, leurs goûts et leur temps de préparation. Ce projet peut utiliser

le filtrage collaboratif et des méthodes de recommandation basées sur le

contenu. Ce projet vous permettra d'acquérir de l'expérience en systèmes de

recommandation et en analyse de données.

Système de recommandation de recettes utilisant Python

23. Assistant vocal personnalisé

Un assistant vocal personnalisé est un système basé sur l'IA qui répond aux

commandes vocales, exécute des tâches et fournit des informations. Vous

pouvez créer votre assistant vocal avec Python et des bibliothèques comme

SpeechRecognition, pyttsx3 pour la synthèse vocale et des modèles de

traitement automatique des commandes (TALN). Le système peut exécuter

des tâches telles que la programmation de rappels, l'envoi de messages ou la

lecture de musique en fonction des commandes de l'utilisateur. Ce projet offre

une expérience pratique de la reconnaissance vocale, du TALN et de la

conception d'assistants virtuels.

Assistant vocal utilisant Python

24. Prévision de la demande de stocks

La prévision de la demande est essentielle pour que les entreprises gèrent

efficacement leurs stocks et évitent les ruptures ou les surstocks. Ce projet

vous permettra de créer un modèle d'apprentissage automatique à partir des

données de ventes historiques pour prédire la demande future. En analysant

les tendances des ventes passées, les tendances saisonnières et d'autres

facteurs tels que les promotions ou la conjoncture économique, le modèle

aidera les entreprises à optimiser leurs stocks et à prendre des décisions

éclairées. Ce projet améliorera vos compétences en analyse de données, en

prévision et en apprentissage automatique, ce qui en fera un outil précieux

pour la gestion des stocks et les opérations commerciales.

Prévision de la demande de stock grâce à l'apprentissage

automatique – Python

25. Reconnaissance vocale

La reconnaissance vocale est une technologie révolutionnaire qui convertit la

parole humaine en texte, permettant ainsi le développement d'applications

vocales telles que des assistants virtuels et des services de transcription. Ce

projet vous permettra de créer un modèle de reconnaissance vocale pour la

conversion voix-texte en temps réel. Il comprend plusieurs étapes,

commençant par la collecte de données audio, suivie d'un prétraitement des

signaux vocaux, comme la réduction du bruit et l'extraction de

caractéristiques. Une fois les données prêtes, vous pourrez appliquer des

algorithmes d'apprentissage automatique pour reconnaître les structures

vocales et les transcrire en texte.

Reconnaissance vocale en Python à l'aide de l'API Google Speech

Ce projet vous fournira une expérience précieuse dans le traitement de la

parole, l'apprentissage en profondeur et le PNL et peut être appliqué dans

des domaines tels que les assistants vocaux, les services de transcription et les

outils d'accessibilité.

26. Détection de fraude par carte de crédit

La détection des fraudes par carte de crédit est un enjeu crucial pour le

secteur des services financiers, car elle contribue à protéger les utilisateurs et

les organisations contre les pertes financières. Ce projet vous permettra de

créer un modèle d'IA capable d'identifier les transactions frauduleuses en

analysant l'historique des transactions, telles que le montant, la localisation,

l'heure et le comportement des utilisateurs. Grâce à des modèles

d'apprentissage automatique tels que les arbres de décision, la régression

logistique ou les réseaux de neurones, le système peut détecter des schémas

d'activité inhabituels ou suspects pouvant indiquer une fraude.

 Détection de fraude par carte de crédit

Ce projet améliorera vos compétences en matière de modèles de classification,

de détection d'anomalies et d'ingénierie des fonctionnalités, fournissant une

base précieuse pour travailler avec des données financières et créer des

systèmes prédictifs pour des applications du monde réel.

27. Prédiction du score IPL

Dans ce projet, vous pourrez construire un modèle permettant de prédire les

scores des matchs de cricket, notamment ceux de l'Indian Premier League

(IPL). Ce modèle utilisera les données historiques des matchs, les

performances des joueurs, les conditions météorologiques et d'autres facteurs

pertinents pour prédire le score final. Grâce à des techniques d'apprentissage

profond ou à l'analyse de séries chronologiques, vous pourrez entraîner le

modèle à comprendre les tendances des matchs passés et à prédire les

résultats futurs. Ce projet vous permettra d'approfondir vos connaissances en

analyse de données sportives et d'acquérir une expérience pratique de la

modélisation prédictive.

Prédiction du score IPL grâce à l'apprentissage profond

28. Prédiction de l'éligibilité au prêt

Prédire l'éligibilité à un prêt est une application essentielle de l'apprentissage

automatique dans le secteur financier, aidant les prêteurs à prendre des

décisions éclairées et à simplifier le processus d'approbation. En développant

un modèle d'apprentissage automatique, vous pouvez prédire l'éligibilité d'un

individu à un prêt en fonction de divers facteurs financiers, tels que les

revenus, la cote de crédit, les dettes existantes, le montant du prêt et les

antécédents professionnels. Vous entraînerez un modèle d'apprentissage

automatique, tel que la régression logistique, les arbres de décision ou les

forêts aléatoires, pour classer les individus selon qu'ils sont admissibles ou non

à un prêt.

Prédiction de l'éligibilité aux prêts à l'aide de modèles

d'apprentissage automatique en Python

Ce projet vous aide non seulement à comprendre la mécanique des

algorithmes d’apprentissage automatique, mais vous enseigne également

l’importance de gérer les données financières et de faire des prédictions dans

des applications du monde réel.

29. Analyse des avis

L'analyse des avis est un outil puissant permettant aux entreprises d'exploiter

les retours clients et d'améliorer leurs produits ou services. Grâce à un

système d'IA, vous pouvez analyser automatiquement de grands volumes

d'avis et les classer par catégories de sentiment, comme positif, négatif ou

neutre. Grâce au traitement automatique du langage naturel (TALN) et aux

techniques d'analyse des sentiments, vous pouvez traiter et comprendre les

avis clients à grande échelle. Des algorithmes de machine learning comme

Naive Bayes, SVM ou LSTM permettent de catégoriser les sentiments. Au-

delà de la classification des sentiments, vous pouvez extraire des informations

clés, telles que les réclamations clients récurrentes ou les fonctionnalités très

appréciées, qui peuvent orienter les décisions commerciales.

Analyse des sentiments des avis Flipkart avec Python

30. Système de reconnaissance de la langue des signes

Un système de reconnaissance de la langue des signes permet de combler les

lacunes de communication des personnes malentendantes en convertissant les

gestes en langue des signes en texte ou en parole. Ce projet permet d'utiliser

des modèles d'apprentissage profond et des techniques d'estimation de

posture pour reconnaître les gestes de la main. Le système consiste à

entraîner un modèle sur des jeux de données étiquetés de divers gestes en

langue des signes et à apprendre à les identifier avec précision. Vous pouvez

mettre en œuvre un système de reconnaissance en temps réel qui traite les

flux vidéo, détecte les gestes et restitue le texte ou la parole correspondant.

Système de reconnaissance de la langue des signes utilisant

TensorFlow en Python

Ce projet vous apportera une expérience précieuse en vision par ordinateur,

en apprentissage profond et en systèmes temps réel tout en contribuant à

une application percutante et inclusive.

31. Détection et extraction de texte

La détection et l'extraction de texte à partir d'images ou de documents

constituent une application puissante, réalisable grâce à la reconnaissance

optique de caractères (OCR). Dans ce projet, vous utiliserez OpenCV pour

prétraiter les images, notamment pour supprimer le bruit ou ajuster le

contraste, puis appliquerez l'OCR Tesseract pour détecter et extraire le texte

des documents ou images numérisés. Le système reconnaîtra

automatiquement les caractères et générera le texte extrait pour traitement

ultérieur, comme l'analyse ou le stockage des données.

Détection et extraction de texte à l'aide d'OpenCV et d'OCR

Ce projet améliorera vos compétences en traitement d'images, technologie

OCR et reconnaissance de texte, tout en vous fournissant un outil pratique

pour automatiser l'extraction de texte à partir de divers formats d'images. Il

s'agit d'un projet utile pour des applications en gestion de documents,

numérisation et analyse de texte.

32. Prédiction de la phrase suivante

La prédiction de la phrase suivante prédit la phrase suivante en fonction du

contexte de la phrase précédente. Cette tâche consiste à déterminer si une

phrase particulière suit logiquement la précédente, ce qui nécessite que le

modèle comprenne le contexte, la cohérence et les relations entre les phrases.

En utilisant des modèles basés sur des transformateurs comme BERT, vous

pouvez entraîner le système à effectuer ces prédictions efficacement. Ce

travail vous permettra d'améliorer vos compétences dans l'utilisation des

modèles de TALN de pointe et d'explorer leur application à des tâches

concrètes telles que la classification de documents, la synthèse de textes et

l'IA conversationnelle.
 Prédiction de la phrase suivante à l'aide de BERT

Travailler sur des projets d'IA vous permet non seulement d'améliorer vos

compétences techniques, mais aussi d'appliquer les techniques d'apprentissage

automatique et d'apprentissage profond à des problèmes concrets. Qu'il

s'agisse de créer un chatbot, de détecter des transactions frauduleuses ou de

créer un système de reconnaissance vocale, ces projets vous permettent

d'acquérir une expérience précieuse en analyse de données, en apprentissage

de modèles et en résolution de problèmes. En explorant divers domaines

comme le traitement automatique du langage naturel (TALN), la vision par

ordinateur et la modélisation prédictive, vous serez mieux préparé à relever

des défis complexes et à apporter une contribution significative à l'intelligence

artificielle, un domaine en constante évolution. Continuez à expérimenter de

nouvelles idées, restez curieux et laissez ces projets devenir le tremplin de

votre réussite dans le secteur de l'IA.

Commentaire

sachin4

Suivre

10

Mots-clés de l'article :
 Intelligence artificielle
 Idées de projets

Explorer

Introduction à l'IA

Concepts d'IA

Apprentissage automatique en IA

Robotique et IA

10. IA générative et LLM

L'IA générative (Gen AI) est une branche de l'intelligence artificielle qui

permet de créer du contenu au lieu de se contenter d'analyser des données.

Elle utilise des modèles d'apprentissage automatique (tels que les modèles de

langage à grande échelle, les GAN et les modèles de diffusion) pour générer

du texte, des images, de l'audio, du code ou même de la vidéo.

LLM (Large Language Model) est un type de modèle d'intelligence artificielle

conçu pour comprendre et générer un langage de type humain.

 Tutoriel sur l'IA générative

 Feuille de route de l'IA générative

 Tutoriel LLM
 Tutoriel sur l'IA générative
Dernière mise à jour : 15 septembre 2025





L'IA générative est une branche de l'intelligence artificielle qui se concentre

sur la création de nouveaux contenus tels que du texte, des images, du code,

de la musique et des vidéos, à l'aide de modèles tels que les transformateurs,

les réseaux de neurones de type GAN et les modèles de diffusion. Elle est

utilisée dans des outils comme ChatGPT, Claude, Gemini et DALL·E et est

largement appliquée à l'automatisation, aux chatbots et à la personnalisation.

Ce didacticiel sur l'IA générative propose un guide étape par étape de tous les

principaux concepts et techniques nécessaires pour apprendre et créer des

applications GenAI, avec des projets pratiques et des cadres modernes.

1. Outils pour l'IA générative

Pour démarrer avec l'IA générative, vous devez acquérir une expertise dans

les outils et bibliothèques suivants :

 Python
 PyTorch

 TensorFlow

 Transformateurs de visages câlins

 LangChain

 LangGraph

 Langflow

 Index des lamas

 Intégration de Langchain avec Llama-Index

2. Concepts fondamentaux de l'IA générative

Comprendre les fondements de l’IA et de l’apprentissage profond est essentiel

pour travailler avec les modèles GenAI.

 Qu'est-ce que l'intelligence artificielle ?

 Qu'est-ce que l'IA générative ?

 réseaux neuronaux

 RNN , LSTM , GRU

 Les transformateurs et l'auto-attention

 Autoencodeurs et espace latent

 GAN et modèles de diffusion

3. Principes de base du traitement du langage naturel

(TALN)

La plupart des modèles d’IA générative sont construits sur des concepts PNL.
 Prétraitement de texte en PNL

 Sac de mots et TF-IDF

 Word2Vec et GloVe

 Introduction à BERT

 Introduction aux modèles GPT

 Modèles de visages enlacés

4. Ingénierie rapide

L'ingénierie rapide est la pratique consistant à élaborer des intrants pour

obtenir de meilleurs résultats des LLM.

 Qu'est-ce que Prompt Engineering ?

 Invites Zero-Shot , One-Shot et Few-Shot

 Chaîne de pensée incitant à la réflexion

 Rôle et incitation contextuelle

 Réagir (raisonnement + action)

 Récupération - Invite augmentée

 Incitation à l'auto-cohérence

 Incitation à l'Arbre de la Pensée (ToT)

 Garde-fous dans l'IA

5. Grands modèles de langage (LLM)

Les LLM sont l’épine dorsale des systèmes d’IA générative modernes.

 Grand modèle de langage

 Paramètres LLM

 Lois d'échelle dans les LLM

 Affiner les LLM avec LoRA , QLoRA et PEFT

 RLHF : Apprentissage par renforcement à partir du feedback humain

 Distillation LLM

 LLM populaires : GPT , Claude , LLaMA , Gemini

 API LLM : OpenAI , Hugging Face , Gemini

6. Génération augmentée par récupération (RAG)

RAG combine les LLM avec des sources de connaissances externes pour des

réponses plus précises.

 RAG dans l'IA

 Architecture RAG

 RAG multimodal

 Incorporations

 Bases de données vectorielles : FAISS , ChromaDB , Qdrant , Pinecone

 Système RAG avec Langchain et Langraph

7. IA agentique et systèmes multi-agents

Agentic AI étend les LLM avec l'autonomie, la mémoire et la collaboration.

 Qu'est-ce qu'Agentic AI ?

 Agent vs IA traditionnelle

 Architectures et mémoire des agents

 Communication d'agent à agent

 Cadres d'agents d'IA

 Protocole de contexte modèle (MCP)

8. CrewAI et orchestration

CrewAI est un framework permettant de coordonner plusieurs agents d'IA

pour travailler en collaboration.

 Introduction à CrewAI

 Outils CrewAI

 Création d'outils personnalisés pour CrewAI

 Mémoire dans CrewAI

 Incorporations CrewAI

 Collaboration CrewAI

 Connaissances de CrewAI

 Planification et raisonnement de CrewAI

 Interface de ligne de commande CrewAI

 CrewAI Flow

 Détection de fraude à l'aide du projet CrewAI

9. Automatisation avec agents et déploiement

L’IA générative peut être étendue aux flux de travail pour l’automatisation

des activités.

 Agentic RAG
 Agentic RAG avec LlamaIndex

 Introduction à n8n

 Classificateur d'e-mails automatisé avec n8n

 Déploiement de l'IA avec Gradio , Streamlit , FastAPI

10. IA responsable et éthique

L’IA générative et agentique soulèvent des défis éthiques qui doivent être

relevés.

 Biais dans les modèles d'IA

 Deepfakes

 Injection rapide dans le LLM

 Pratiques responsables en matière d'IA

11. Projets

Des projets concrets et concrets sont essentiels pour maîtriser l'IA agentique.

Cette section propose des idées de projets concrets pour développer votre

portfolio.

 Créer une application d'IA avec LlamaIndex

 Résumé PDF de la candidature au LLM

 RAG (Récupération-Génération Augmentée) utilisant LLama3

 Récupération simple et génération augmentée à l'aide de Java

 Créer des agents d'IA avec Phidata

 RAG multimodal utilisant Python

  Résumé PDF utilisant RAG

12. Carrières en IA générative et agentique

L'IA générative et l'IA agentique figurent parmi les domaines de carrière à la

croissance la plus rapide dans le secteur technologique. Les postes clés

incluent :

 Ingénieur en IA

 Ingénieur en apprentissage automatique

 scientifique des données

 Ingénieur prompt

 Ingénieur en IA agentique

Feuille de route vers l'IA générative : un guide

complet pour les débutants
Dernière mise à jour : 23 juil. 2025





L'IA générative (GenAI) transforme de nombreux domaines en permettant

aux machines de créer du texte, des images, des vidéos, etc. En tant que

branche émergente de l'intelligence artificielle, comprendre comment utiliser

GenAI peut ouvrir des perspectives dans de nombreux domaines, du

traitement automatique du langage naturel (TALN) à la vision par ordinateur.

Que vous soyez débutant ou professionnel souhaitant développer vos

compétences, cette feuille de route vous guidera des connaissances

fondamentales à la création d'applications concrètes.

Mais avant de se lancer dans GenAI, il est important d’avoir une solide

compréhension des concepts fondamentaux de la science des données et de

l’apprentissage automatique (ML).

Science des données

La science des données implique l'utilisation de méthodes, processus,

algorithmes et systèmes scientifiques pour extraire des connaissances et des

informations à partir de données structurées et non structurées. Elle inclut

les statistiques, l'analyse de données et l'apprentissage automatique pour

aider à résoudre des problèmes concrets.

Pour plus de détails, vous pouvez vous référer à : Tutoriel

Apprendre la science des données avec Python

Apprentissage automatique

L'apprentissage automatique (ML) est un sous-ensemble de l'intelligence

artificielle (IA) axé sur la création d'algorithmes permettant aux ordinateurs

d'apprendre à partir de données et de faire des prédictions.

Pour plus de détails, vous pouvez vous référer à : Tutoriel sur

l'apprentissage automatique .
Étape 1 : Concepts clés de l'IA générative

Commençons par comprendre les techniques et concepts fondamentaux

importants utilisés par tous les modèles génératifs modernes et les grands

modèles de langage (LLM) :

1. Transformateurs

Les transformateurs constituent l'épine dorsale de nombreux modèles d'IA

modernes de la génération G, tels que GPT, BERT et T5. Contrairement aux

modèles précédents qui traitaient le texte de manière séquentielle, les

transformateurs utilisent des mécanismes d'auto-attention qui leur

permettent de gérer les dépendances à long terme des données, essentielles

pour générer des résultats cohérents et contextuellement précis.

2. GAN (Réseaux antagonistes génératifs)

Les GAN sont conçus pour générer du nouveau contenu, comme des images

ou des vidéos. Ils se composent de deux parties :

 Générateur qui crée de nouvelles données.

 Discriminateur qui évalue l'authenticité des données générées.

Ce processus contradictoire permet aux GAN de produire un contenu très

réaliste.

3. Autoencodeurs
Les autoencodeurs sont des modèles d'apprentissage non supervisé utilisés

pour la compression et la débruitisation des données. Ils codent les données

d'entrée dans une représentation de plus petite dimension, puis les

reconstruisent. Ils sont essentiels pour des tâches telles que la génération

d'images et la détection d'anomalies.

4. Autoencodeurs variationnels (VAE)

Une variante de l'autoencodeur (VAE) ajoute une approche probabiliste au

processus d'encodage. Elle permet de générer de nouvelles données similaires

aux données d'entrée et est couramment utilisée pour la génération d'images

et d'autres tâches créatives.

5. Mécanisme d'attention

Le mécanisme d'attention aide les modèles à se concentrer sur les parties

importantes de la séquence d'entrée, ce qui les rend plus efficaces pour gérer

les séquences longues. Il s'agit d'une fonctionnalité essentielle des modèles

basés sur les transformateurs.

Étape 2 : Introduction à LangChain dans l'IA générative

LangChain simplifie l'intégration de modèles de langage comme GPT dans des

applications concrètes, vous permettant ainsi de développer des systèmes plus

efficacement. Ce framework facilite l'intégration de modèles de langage dans

les applications et simplifie des tâches telles que l'ingestion de données, le

traitement de texte et l'interaction avec les modèles.

Pour créer des applications concrètes, vous devez maîtriser les composants

clés de LangChain pour la gestion des données et la création de systèmes d'IA.

Parmi ces composants clés, on trouve les chargeurs de documents, les

intégrations et les magasins de vecteurs pour une gestion efficace des données.

Ces composants facilitent la gestion et le traitement de grands ensembles de

données pour les candidatures LLM.

Intégration des LLM avec LangChain

OpenAI et Ollama sont des API largement utilisées pour la création

d'applications GenAI. Apprendre à les intégrer à LangChain vous permettra

d'acquérir une expérience pratique de la création de systèmes GenAI avancés.

Cela implique :

1. Travailler avec les LLM : Intégrer les API des LLM aux applications

LangChain pour des tâches telles que la génération de texte et les agents

conversationnels. Des LLM populaires tels que GPT, BERT et T5 ont

révolutionné les tâches de génération, de compréhension et de manipulation

de texte dans diverses applications.

 GPT (Transformateur pré-entraîné génératif)

 BERT (Représentations d'encodeurs bidirectionnels à partir de

transformateurs)

 T5 (Transformateur de transfert de texte à texte)

 Lama
 Claude

 LCM (Modèles à Grand Concept)

 Faucon

2. Surveillance avec LangSmith : Suivez et déboguez vos applications

avec LangSmith pour garantir des performances optimales. Il permet

également de surveiller le flux de travail, d'identifier les problèmes et

d'améliorer l'efficacité globale des applications.

Vous pouvez vous référer à : Créer une application Web Chatbot

avec LangChain

Étape 3 : Magasins de vecteurs et représentations

vectorielles

Les magasins de vecteurs et les intégrations sont essentiels pour une

recherche, une récupération et un travail efficaces avec de grands ensembles

de données dans les applications GenAI.

1. Bases de données vectorielles

 Les bases de données vectorielles stockent des vecteurs qui sont des

représentations numériques de données pour une recherche efficace basée

sur la similarité.

 Ils permettent une recherche sémantique pour trouver des éléments

pertinents en fonction du sens et non des mots exacts.

 Les bases de données vectorielles populaires incluent FAISS, Pinecone,

ChromaDB et Weaviate.
2. Incorporation de texte

 Les intégrations de texte sont des vecteurs numériques représentant la

signification sémantique du texte.

 Les intégrations sont générées par des modèles tels que BERT, GPT et

Word2Vec pour représenter des mots/phrases dans un espace vectoriel.

 Ces intégrations permettent aux modèles d’IA de comprendre le contexte

et la similitude du texte.

3. Construire un moteur de recherche sémantique

Un moteur de recherche sémantique récupère les documents pertinents en

fonction du contexte et du sens, et non pas uniquement des mots-clés exacts.

Voici ses étapes :

 Convertissez des documents en incorporations à l’aide d’un modèle comme

BERT.

 Stocker les intégrations dans une base de données vectorielle.

 Convertissez les requêtes des utilisateurs en intégrations et recherchez dans

la base de données des intégrations similaires.

Cela permet d'obtenir des résultats de recherche plus pertinents en

comprenant le contexte des requêtes.

Étape 4 : Ingénierie rapide pour GenAI

L'ingénierie des invites est une compétence essentielle pour travailler avec des

modèles génératifs comme GPT. La capacité à concevoir des invites bien

conçues nous permet de guider le modèle pour produire des réponses plus

précises, pertinentes et contextuellement pertinentes. Une ingénierie des

invites appropriée peut améliorer considérablement les performances de vos

modèles d'IA, garantissant qu'ils produisent les résultats attendus.

Techniques d'incitation :

 Invite Zero-shot

 Invite à quelques coups

 Incitation à la chaîne de pensée (CoT)

 Incitation à l'auto-cohérence

 Chaîne de pensée à tir nul

 Réagir (raisonnement + action)

 Récupération - Invite augmentée

Étape 5 : Travailler avec LlamaIndex pour les

applications GenAI

LlamaIndex , anciennement connu sous le nom de GPT Index, est un outil

utilisé pour l'indexation et l'interrogation de données de documents à grande

échelle, ce qui le rend important pour le traitement des données en temps

réel dans les applications GenAI.

 LlamaIndex indexe de grands ensembles de données tels que des fichiers

PDF ou des fichiers texte pour un accès et une interrogation faciles.

 Il s'intègre bien avec LangChain pour l'ingestion, le traitement et la gestion

des requêtes des données.

Il aide à :

 Indexation de documents : organisez et indexez les documents pour un

accès facile.

 Apprentissage en contexte : interrogez les documents de manière

contextualisée en fonction des entrées de l'utilisateur.

 Recherche efficace : effectuez des recherches complexes et pas seulement

des correspondances de mots clés.

Associé à LangChain, LlamaIndex vous permet de gérer efficacement de

vastes ensembles de données et fournit des solutions rapides et évolutives

pour la gestion des documents, ce qui le rend utile pour les systèmes GenAI

tels que les moteurs de recherche basés sur des documents ou les outils

d'extraction de connaissances.

Étape 6 : Affiner les grands modèles linguistiques (LLM)

Le réglage fin est une technique importante pour adapter des modèles pré-

entraînés à des tâches spécifiques ou à la résolution de problèmes uniques. Ce

réglage fin permet d'améliorer la précision et la pertinence du modèle pour

votre cas d'utilisation spécifique, le rendant ainsi plus efficace et efficient.

Cette compétence est essentielle pour travailler avec des modèles de langage
volumineux (LLM), permettant de personnaliser des modèles comme GPT,

BERT ou Google Gemini selon vos besoins spécifiques.

 Il s'agit de prendre un modèle pré-entraîné et de le former davantage sur

un ensemble de données personnalisé pour l'adapter à une tâche spécifique

telle que la classification de texte, l'analyse des sentiments ou la réponse à

des questions.

 Les modèles pré-entraînés comme GPT ou BERT ont appris des schémas

généraux à partir de vastes volumes de données. Un réglage précis permet

à ces modèles de se concentrer sur des schémas et des nuances plus

spécifiques de votre ensemble de données.

 Le réglage fin implique généralement l'ajustement des paramètres du

modèle (poids) en fonction de votre ensemble de données, ce qui permet

au modèle d'apprendre à partir de nouvelles données tout en conservant

les connaissances générales.

Technique de mise au point des grands modèles de langage

 Apprentissage par renforcement à partir du feedback humain (RLHF)

 Perfectionner un LLM à partir de Hugging Face

 Réglage fin efficace des paramètres (PEFT)

 Perfectionnement des LLM à l'aide de PEFT

 LoRA (Adaptation de bas rang)

 QLoRA (Adaptation quantifiée de bas rang)

 Affiner les LLM à l'aide de QLoRA

 Réglage rapide

 Comment fonctionne le réglage rapide ?

 Techniques de réglage rapide

 Réglage des instructions

 Réglage fin supervisé (SFT)

 Distillation LLM

Étape 7 : Plateformes cloud pour le déploiement

Les plateformes cloud comme AWS, GCP et Azure sont essentielles au

déploiement d'applications GenAI à grande échelle. Apprendre à utiliser ces

plateformes vous permet de gérer efficacement les modèles et de traiter de

grands ensembles de données.

 Le déploiement de Google Cloud permet une mise à l’échelle des

applications GenAI, car il fournit l’infrastructure nécessaire pour gérer les

ressources de calcul requises pour la formation et l’inférence.

 AWS Bedrock est un service entièrement géré par Amazon Web Services,

conçu pour faciliter la création et la mise à l'échelle d'applications GenAI

par les développeurs. Il donne également accès à plusieurs modèles pré-

entraînés, dont des LLM, proposés par des fournisseurs de premier plan.

Vous n'avez donc pas besoin de partir de zéro.

 Hugging Face est l'une des plateformes les plus populaires pour

l'entraînement et le déploiement de modèles pré-entraînés basés sur des

transformateurs. Elle offre un accès facile à des modèles de langage

volumineux tels que GPT, BERT, T5, etc.

Pourquoi le déploiement du cloud est-il important ?

 Rentabilité : Les plateformes cloud offrent une tarification flexible, vous

permettant de payer uniquement pour les ressources utilisées. Ceci est

particulièrement utile pour la mise à l'échelle d'applications GenAI pour

des ensembles de données volumineux ou un trafic élevé.

 Fiabilité : les plateformes cloud sont conçues pour offrir une haute

disponibilité et une tolérance aux pannes garantissant que vos applications

GenAI sont toujours accessibles.

 Intégration avec les outils d'IA : les plateformes cloud comme AWS, GCP et

Azure proposent des outils d'IA spécialisés qui s'intègrent parfaitement aux

modèles GenAI, vous aidant dans des tâches telles que le traitement des

données, la surveillance des modèles et la mise à l'échelle automatisée.

Applications de l'IA générale

Gen AI est utilisé dans diverses applications du monde réel, notamment :

1. Chatbots/IA conversationnelle

Les chatbots sont des systèmes d'IA qui simulent une conversation humaine et

sont utilisés pour le service client, les assistants virtuels et la gestion des FAQ.
 Créer un chatbot avec Gemini

 Créer un chatbot avec OpenAI

 Créer un chatbot avec LLama3

2. Analyse des sentiments

L'analyse des sentiments détecte et classe les émotions (positives, négatives,

neutres) dans les données textuelles et est utile pour comprendre les opinions

et les commentaires.

 Analyse des sentiments à l'aide de BERT

3. Génération de texte

Les systèmes de génération de texte sont des systèmes d'IA qui créent

automatiquement du texte de type humain en fonction des invites de saisie

et sont utilisés pour la création de contenu et la conversation.

 Génération de texte à l'aide de FNet

 Génération de texte à texte à l'aide du modèle de visage enlacé

4. Traduction linguistique

Les modèles de traduction linguistique convertissent le texte ou la parole

d'une langue à une autre, contribuant ainsi à la communication

interlinguistique.

 Traduction automatique à l'aide de Transformer

 En suivant cette feuille de route, vous acquerrez les connaissances théoriques

et pratiques nécessaires pour exceller en IA générative. De la maîtrise de

l'intégration de LangChain et d'OpenAI au déploiement d'applications GenAI

à grande échelle, ce guide offre un parcours d'apprentissage complet.

Tutoriel sur le modèle de langage étendu (LLM)

Dernière mise à jour : 5 septembre 2025





Les grands modèles linguistiques (LLM) sont des modèles d'apprentissage

automatique entraînés sur de vastes volumes de données textuelles pour

générer et comprendre un langage proche de celui des humains. Ces modèles

peuvent effectuer un large éventail de tâches de traitement du langage

naturel, de la génération de texte à l'analyse et à la synthèse des sentiments.

Que vous soyez débutant ou praticien expérimenté, ce guide vous fournira les

connaissances fondamentales nécessaires pour comprendre et utiliser les LLM

dans des scénarios réels.

Transformateurs
Les transformateurs constituent l’architecture fondamentale de la plupart

des grands modèles de langage modernes qui s’appuient sur des mécanismes

d’attention pour traiter simultanément l’intégralité de la séquence de

données.

 Mécanisme d'attention

 Mécanisme d'auto-attention

 Mécanisme d'attention multi-têtes

 Codage positionnel

 Réseau neuronal à propagation avant

 Normalisation des couches

 Modèle encodeur-décodeur

 Attention masquée

 Mécanisme d'attention croisée

 Incorporation de calques

 Transformateurs à partir de zéro avec TensorFlow

 Transformers à partir de zéro avec PyTorch

Principes de base des grands modèles de langage

Les grands modèles linguistiques (LLM) sont des systèmes d'IA avancés formés

sur des ensembles de données massifs pour comprendre et générer du texte

de type humain, alimentés par des techniques d'apprentissage en profondeur.

 Modèles de langage
 Modèles de fondation

 Modèles Seq2Seq

 Histoire et évolution des LLM

 LLM multimodaux

 Paramètres LLM

 Jetons et fenêtres de contexte

 La loi du chinchilla

 Invites

 Ingénierie rapide

 Hallucinations LLM

 Transformateurs vs LLM

 Différence entre BERT et GPT

 Évaluation du modèle LLM

 Incorporation de mots

 Tokenisation

 Codage des paires d'octets

 Échantillonnage de données à l'aide de la fenêtre glissante Attention

Formation et perfectionnement des LLM

Il s'agit d'utiliser une grande quantité d'ensembles de données afin que les

LLM apprennent les modèles linguistiques, la grammaire, les tendances, etc.

et affinent les LLM pré-formés pour des tâches ou des domaines spécifiques.
Techniques de modélisation du langage

 Modèles autorégressifs

 Modèles de langage masqué

 Modèles de langage causaux

Ajustement précis des grands modèles de langage

 Apprentissage par renforcement à partir du feedback humain (RLHF)

 Perfectionner un LLM à partir de Hugging Face

 Réglage fin efficace des paramètres (PEFT)

 Perfectionnement des LLM à l'aide de PEFT

 LoRA (Adaptation de bas rang)

 QLoRA (Adaptation quantifiée de bas rang)

 Affiner les LLM à l'aide de QLoRA

 Réglage rapide

 Comment fonctionne le réglage rapide ?

 Techniques de réglage rapide

 Réglage des instructions

 Réglage fin supervisé (SFT)

 Distillation LLM

Génération augmentée par récupération (RAG)

 Qu'est-ce que la génération augmentée par récupération (RAG) ?

 RAG vs QA traditionnel
 Réglage fin vs RAG

 Récupération de passage dense (DPR)

 Base de données vectorielles

 Découpage en RAG

 Agentic RAG

 RAG multimodal

 Comment construire un pipeline RAG pour les LLM ?

 Métrique d'évaluation pour RAG

Techniques d'incitation

 Invite Zero-shot

 Invite à quelques coups

 Incitation à la chaîne de pensée (CoT)

 Incitation à l'auto-cohérence

 Chaîne de pensée à tir nul

 Réagir (raisonnement + action)

 Récupération - Invite augmentée

Modèles de langage populaires de grande taille

Les LLM populaires tels que GPT, BERT et T5 ont révolutionné les tâches de

PNL avec leur capacité à générer, comprendre et manipuler du texte dans

diverses applications.

 GPT (Transformateur pré-entraîné génératif)

 BERT (Représentations d'encodeurs bidirectionnels à partir de

transformateurs)

 T5 (Transformateur de transfert de texte à texte)

 Lama

 Claude

 LCM (Modèles à Grand Concept)

 Faucon

Évaluation des LLM

 Perplexité

 BLEU et ROUGE

 Repères

Applications des LLM

Les LLM sont utilisés dans diverses applications du monde réel, notamment :

1. Chatbots/IA conversationnelle

 Créer un chatbot avec Gemini

 Créer un chatbot avec OpenAI

 Créer un chatbot avec LLama3

2. Analyse des sentiments

 Analyse des sentiments à l'aide de BERT

3. Génération de texte
  Génération de texte à l'aide de FNet

 Génération de texte à texte à l'aide du modèle de visage enlacé

4. Traduction linguistique

 Traduction automatique à l'aide de Transformer

Les grands modèles linguistiques (LLM) et l'IA générative

deviennent des compétences essentielles pour quiconque aspire à
travailler dans l'IA, le traitement du langage naturel ou les
industries créatives. Maîtrisez ces technologies de pointe avec
Mastering Generative AI et ChatGPT, conçus et organisés par des
experts du secteur forts de nombreuses années d'expérience en LLM,
en deep learning et en applications concrètes de l'IA.

Questions d'entretien AI-ML-DS

La série d'entretiens AI-ML-DS est une ressource essentielle conçue pour les

personnes souhaitant démarrer ou changer de carrière dans les domaines de

l'intelligence artificielle (IA), de l'apprentissage automatique (ML) et de la

science des données (DS).

 Série d'entretiens AI-ML-DS

Série d'entretiens AI ML DS
Dernière mise à jour : 23 juil. 2025




La série d'entretiens AI-ML-DS est une ressource essentielle conçue pour les

personnes souhaitant débuter ou se reconvertir dans les domaines de

l'intelligence artificielle (IA), de l'apprentissage automatique (ML) et de la

science des données (DS). Elle propose un ensemble de questions et réponses

d'entretien soigneusement élaborées, basées sur une analyse approfondie et la

collaboration avec des experts du secteur.

Questions d'entretien sur l'analyse des données

Les entretiens d'analyse de données évaluent la maîtrise des jeux de données

par les candidats, notamment les techniques, méthodologies et outils utilisés

pour le traitement, le nettoyage, l'exploration et l'analyse des données. Les

employeurs utilisent ces questions pour évaluer les capacités d'analyse, la

capacité de résolution de problèmes et la connaissance des concepts

statistiques des candidats, afin de s'assurer qu'ils sont capables de relever

efficacement les défis liés aux données.

Questions d'entretien courantes sur l'analyse des données :

1. Quelles étapes suivez-vous pour analyser un ensemble de données ?

2. Qu’est-ce que le nettoyage des données et pourquoi est-il important ?

3. Expliquez l’importance de l’analyse exploratoire des données (EDA).

4. Qu'est-ce que l'analyse des séries chronologiques ?

Explorez la liste complète des questions d’entretien d’

analyse de données avec réponses .
Questions d'entretien sur la visualisation des données

Les questions d'entretien sur la visualisation des données évaluent la capacité

des candidats à créer des représentations visuelles claires et efficaces des

données. Elles explorent les techniques, les outils et les bonnes pratiques pour

concevoir des visualisations, sélectionner les types de graphiques appropriés et

communiquer des informations à des publics variés.

Questions d'entretien courantes sur la visualisation des données :

1. Quels types de visualisations de données sont couramment utilisés ?

2. Comment choisir le type de visualisation approprié pour vos données ?

3. Quelles sont les erreurs courantes à éviter lors de la création de

visualisations de données ?

4. Comment évaluer l’efficacité d’une visualisation de données ?

Explorez la liste complète des questions d’entretien

sur la visualisation des données avec réponses .

Questions d'entretien d'ingénierie des données

Les questions d'entretien d'ingénierie des données évaluent les connaissances

des candidats en conception, développement et maintenance

d'infrastructures et de pipelines de données. Ces questions explorent les

technologies de stockage de données, les processus ETL, la modélisation des

données et les considérations d'évolutivité.

Questions d'entretien courantes sur l'ingénierie des données :

1. Expliquez le processus ETL (Extraire, Transformer, Charger).

2. Quelles technologies de stockage de données sont couramment utilisées

dans l’ingénierie des données, et quand chacune d’elles doit-elle être

utilisée ?

3. Comment garantir la qualité et la fiabilité des données dans un pipeline ?

4. Décrivez l’architecture d’un entrepôt de données typique.

Explorez la liste complète des questions d’entretien d’

ingénierie des données avec réponses .

Questions d'entretien sur la science des données

Les questions d'entretien en science des données évaluent la maîtrise des

outils statistiques, mathématiques et informatiques pour extraire des

informations à partir des données. Elles portent sur des sujets tels que les

algorithmes d'apprentissage automatique, le prétraitement des données et

l'évaluation des modèles.

Questions d'entretien courantes sur la science des données :

 Quelle est la distribution normale ?

 Comment gérez-vous le surajustement dans les modèles d’apprentissage

automatique ?

 Expliquez la malédiction de la dimensionnalité et comment la surmonter.

 Quelle est la différence entre l’apprentissage automatique supervisé et non

supervisé ?
 Explorez la liste complète des questions d’entretien
sur la science des données avec réponses .

Questions d'entretien sur l'apprentissage automatique

Les questions d'entretien sur l'apprentissage automatique visent à évaluer la

compréhension des algorithmes et techniques d'apprentissage automatique

par les candidats. Elles évaluent vos connaissances en apprentissage supervisé,

non supervisé et par renforcement, ainsi qu'en sélection, ingénierie et

évaluation de modèles.

Questions d'entretien courantes sur l'apprentissage automatique :

 Quel est le compromis biais-variance ?

 Pourquoi la régression linéaire ne peut-elle pas être utilisée pour les tâches

de classification ?

 Quelle est la différence entre précision et rappel ?

 Expliquez la régularisation L1 et L2 et leur signification.

Explorez la liste complète des questions d’entretien

sur l’apprentissage automatique avec réponses .

Questions d'entretien sur l'apprentissage profond

Les questions d'entretien sur l'apprentissage profond évaluent l'expertise des

candidats en architectures avancées de réseaux neuronaux. Les candidats sont

évalués sur leurs connaissances de modèles tels que les réseaux neuronaux

conjoncturels (CNN), les réseaux neuronaux rénaux (RNN) et l'apprentissage

par renforcement profond (DRC).

Questions d'entretien courantes sur l'apprentissage profond :

 En quoi l’apprentissage profond diffère-t-il de l’apprentissage automatique

traditionnel ?

 En quoi les neurones biologiques sont-ils similaires aux réseaux de neurones

artificiels ?

 Que sont les fonctions d’activation et où sont-elles utilisées ?

 Expliquez la propagation vers l’avant et vers l’arrière dans les réseaux

neuronaux.

Explorez la liste complète des questions d’entretien

sur l’apprentissage en profondeur avec réponses .

Questions d'entretien sur la vision par ordinateur

Les questions d'entretien sur la vision par ordinateur évaluent la

compréhension des candidats des algorithmes qui permettent aux ordinateurs

d'interpréter les informations visuelles à partir d'images ou de vidéos.

Questions d'entretien courantes sur la vision par ordinateur :

 Qu’est-ce que la vision par ordinateur et quelles sont ses applications ?

 Comment fonctionnent les réseaux de neurones convolutifs (CNN) ?

 Quelle est la différence entre la détection d’objets et la segmentation

d’images ?

 Expliquez l’apprentissage par transfert en vision par ordinateur.

 Explorez la liste complète des questions d'entretien sur
la vision par ordinateur avec réponses .

Questions d'entretien sur le traitement du langage naturel

Les questions d'entretien PNL évaluent l'expertise dans le traitement et

l'analyse du langage humain à l'aide de techniques informatiques.

Questions d'entretien courantes sur la PNL :

 Quelles sont les tâches clés de la PNL ?

 Quelles sont les techniques de prétraitement couramment utilisées en PNL ?

 Que sont les plongements de mots en PNL ?

 Quel est le modèle Transformer ?

Explorez la liste complète des questions d’entretien

PNL avec réponses .

Questions d'entretien sur l'intelligence artificielle

Les questions d'entretien en intelligence artificielle évaluent la maîtrise des

concepts, techniques et cadres d'IA par les candidats. Les sujets abordés

incluent l'apprentissage automatique, le traitement du langage naturel, la

robotique, etc.

Questions d'entretien courantes sur l'IA :

 Quelle est la différence entre les systèmes basés sur des règles et les

systèmes d’apprentissage automatique ?

 Qu’est-ce que l’apprentissage auto-supervisé et comment est-il appliqué à

l’IA ?

 Comment concevoir des systèmes d’IA qui apprennent à partir de données

limitées ?

 Qu’est-ce que le test de Turing et quel est son rapport avec l’IA ?

Explorez la liste complète des questions d’entretien

sur l’IA avec réponses .