Module : Intelligence Artificielle

• Définition de l’IA : l'objectif de l'IA est de donner aux machines la capacité de penser,
d'apprendre et d'agir de manière autonome, comme le ferait un être humain telles que
raisonner, comprendre le langage et prendre des décisions…
• L’IA faible : (IA actuelle) est une intelligence spécialisée. Elle est conçue spécifiquement pour
exécuter une tâche précise avec efficacité. Caractérisé par : Tâche spécifique, Performance
spécialisée, Absence de compréhension. Ex : Siri / Alexa / Google Assistant / Reconnaissance
faciale… => Elle agit comme un outil intelligent
• L’IA forte : (IA théorique) également appelée IA générale, est une forme d'intelligence qui serait
comparable à celle de l’humain. Elle ne se contenterait pas d’exécuter des instructions, mais
penserait, comprendrait et apprendrait comme un être humain. Caractérisé par : polyvalente,
compréhension globale. Il n’existe pas encore. => Elle agirait comme un esprit artificiel

• Principaux domaines de l’IA :

-Machine Learning / Deep Learning : apprentissage à partir des données

-NLP : compréhension et génération du langage

-Vision par ordinateur : interprétation d’images et vidéos

-Robotique : interaction avec le monde réel

-Systèmes experts : reproduction du raisonnement humain

• RELATION entre IA, ML, DL :

✓ IA : domaine global
✓ Machine Learning : sous-domaine basé sur l’apprentissage à partir des données, les
algorithmes de ML améliorent leurs performances au fil du temps grâce à l’expérience.
✓ Deep Learning : sous-domaine du ML utilisant des réseaux de neurones profonds capables
d’apprendre automatiquement des représentations complexes à partir de grandes quantités
de données.

• Les types d’apprentissage en ML :

a) Apprentissage supervisé : consiste à apprend à partir de données étiquetées, càd apprendre

une relation entre les variables d’entrée et la sortie( à partir d’un dataset) , afin de prédire la
sortie pour de nouvelles données. Ex : spam, prix immobilier. Algorithmes : régression, SVM,
réseaux de neurones
 b) Apprentissage non supervisé : les données ne contiennent aucune étiquette. Le modèle doit
découvrir des structures cachées ou des regroupements naturels dans les données. Ex :
segmentation clients. Algorithmes : K-means, PCA, DBSCAN
c) Apprentissage par renforcement : un agent apprend à prendre des décisions en interagissant
avec un environnement => apprendre par essai-erreur pour atteindre un but. Ex : jeux,
robotique, véhicules autonomes… Algorithmes : Q-Learning, Deep Q-Network

• L’IA dans les systèmes électriques :

✓ Smart Grids : équilibrage offre/demande

✓ Maintenance prédictive : détection précoce des pannes
✓ Prévision de consommation
✓ Intégration des énergies renouvelables

Bénéfices : Réduction des coûts, Diminution des pannes, Meilleure stabilité du réseau, Transition
énergétique durable

• WORKFLOW D'UN PROJET MACHINE LEARNING:

1. Collecte des données

2. Préparation (nettoyage, normalisation, split)
3. Entraînement du modèle
4. Évaluation (précision, erreur)
5. Déploiement et monitoring

Considérations éthiques : Biais algorithmiques, Vie privée et sécurité des données, Transparence et
explicabilité, Impact sur l’emploi (automatisation + nouveaux métiers)

L’apprentissage supervisé se divise en deux grandes familles de problèmes :

• Régression : c’est une technique statistique utilisée pour prédire une valeur numérique continue
à partir de variables d’entrée. Elle permet de modéliser la relation entre une variable
dépendante (Y) et une ou plusieurs variables indépendantes (X). Ex : prix, température…
• Classification : consiste à attribuer une catégorie à une observation, sur la base de ses
caractéristiques. Elle est utilisée lorsque la sortie attendue (y) est discrète (non continue), c’est-à-
dire qu’elle appartient à un ensemble fini de classes. On a deux types : Binaire (+/-…) et Multi-
classes (types de charges…). Ex : email spam ou non, diagnostic maladie…

Métriques :

✓ Accuracy (Proportion de prédictions correctes sur le total),

✓ Précision (Part des prédictions positives correctes)
✓ Rappel (Part des vrais cas positifs détectés).
✓ F1-score (Moyenne harmonique précision/rappel).

Outil clé : matrice de confusion

• Algorithmes :

✓ Variable d’entrée ou explicative X : Variable indépendante, prédicteur, sert à

expliquer ou prédire la variable cible
 ✓ Variable de sortie ou expliquée Y : Variable dépendante ou réponse, c’est ce que le
modèle cherche à estimer ou classifier

• Pour la régression :

a) Régression linéaire simple : modélise la relation entre une seule variable

indépendante (X) et une variable dépendante (Y) à l’aide d’une droite de meilleure
approximation. 𝑌 = 𝑎 + 𝑏𝑋 + 𝜀
b) Régression linéaire multiple : Quand plusieurs facteurs influencent la variable cible.

𝑌 = 𝑎 + 𝑏𝑋1 + 𝑐𝑋2 + ⋯ + 𝜀

• Pour la classification :

a) K Plus Proches Voisins (KNN) : classe un nouvel individu selon la majorité des classes
parmi ses K plus proches voisins dans l’espace des données.

Choisir la val de K > Calculer la distance > Sélectionner les K voisins > Effectuer un vote majoritaire

Exemple : classification d’un client “Loyal / Non Loyal”

Agent intelligent :
a) Compréhension de l’intelligence : modéliser le fonctionnement du cerveau humain et à
comprendre comment les êtres humains raisonnent et apprennent.
b) Création d’agents intelligents : construction de machines capables d’agir intelligemment dans un
environnement réel.

• Agent intelligent : perçoit via des capteurs, agit via des actionneurs et choisit des actions selon
une fonction agent, on a trois types : humains, robots, logiciel. Ex : Aspirateur robotisé
• Agent rationnel : un agent rationnel devrait choisir une action qui maximise la mesure de
performance. Ex : pour le robot aspirateur => la quantité de déchets aspirés
• Agent autonome : apprend de l’expérience et s’adapte. Ex : véhicule autonome
• Model PEAS : définir une mission d’agent
 Exemple :

Taxi autonome: Système de diagnostic médicale:

• Caractéristiques des environnements :

Les senseurs d'un agent peuvent accéder à l'état complet (vs. Partiel)
de l'environnement à chaque moment.
Complètement / Exemple :
Partiellement observable -Jeux d'échecs : Complètement observable car l'agent dans ce cas
perçoit la position de toutes les pièces
-Voiture autonome : Partiellement observable car l'observabilité est
limitée par la portée des capteurs de cet environnement
L'état suivant de l'environnement est entièrement déterminé par
l'état courant et l'action effectuée par le ou les agents.
Déterministe / Exemple :
Stochastique -Voiture autonome : Stochastique car on ne peut jamais prédire
l'état de la circulation
-Jeux d'échecs : Déterministe car déplacer une pièce donne toujours
le même résultat
Episodique c’est lorsque l’action que je fais maintenant n’influence
pas ce qui se passera après, or séquentiel, les actions sont liées dans
le temps.
Épisodique / Séquentiel Exemple :
-La voiture autonome : Séquentiel car chaque action prise influe
toutes les décisions futures
-La reconnaissance de caractères : Épisodique car la prédiction du
système n'influence pas le prochain caractère à reconnaître
Statique / Dynamique L'environnement ne change pas lorsque le ou les agents n'agissent
pas.
Exemple :
-Le jeu des échecs : Statique car l'état du jeu ne change pas si
personne ne joue
-Le jeu Ping-Pong : Dynamique car la balle bouge même si l'agent ne
fait rien
Les valeurs possibles sont comptables (séparées) ou infinies
Exemple :
Discret / Continu -La conduite automatique d'une voiture : Continu car l'angle du
volant est un nombre réel (représentant une action)
-Le jeu des échecs : Discret car toutes les actions et états du jeu
peuvent être énumérés
Un agent opérant seul dans un environnement.
Exemple :
Mono-agent / Multi- -Résoudre un Sudoku (ou les mots croisés) : Mono-agent car aucun
agent adversaire
-Le jeu des échecs : Multi-agent car il y a toujours un adversaire
Les bibliothèques Python les plus utilisées en Machine Learning sont :

✓ NumPy — Calcul numérique :

-Représentation des données sous forme de matrices

-Calculs mathématiques rapides (beaucoup plus rapide que les listes Python)

-Opérations vectorisées (sans boucles)

✓ Pandas — Manipulation et préparation des données :

-charger les données (CSV, Excel, SQL), les nettoyer, les transformer, et les préparer avant le Machine
Learning.

✓ SciPy — Calcul scientifique :

-le calcul scientifique avancé, l’optimisation mathématique, les statistiques, et le traitement du

signal.

✓ Scikit-learn — Machine Learning Classique:

-Régression (linéaire, Ridge, Lasso…)

-Classification (KNN, SVM, arbres)

-Clustering (K-means)

-Réduction de dimension (PCA)

-Évaluation des modèles