Ecole Nationale d’ingénieurs de Bizerte
Apprentissage Automatique
Niveau:
2ème année génie civil
Enseignante:
Dr. Saoussen Mathlouthi
[Link]@[Link]
2025-2026
Plan du cours
Chapitre I: L’analyse et la fouille de données (Data Mining)
(3 heures CI)
Chapitre II: Introduction à l’apprentissage automatique
(3 heures CI)
Chapitre III: L’apprentissage supervisé
(6 heures CI+TP)
Chapitre IV: L’apprentissage non supervisé
(6 heures CI+TP)
Chapitre V: L’apprentissage par renforcement
(6 heures CI+TP)
Projet: Application de l’apprentissage automatique dans le génie civil
(6 heures projet)
2
Chapitre II
Introduction à
l’apprentissage automatique
(Machine Learning)
3
Qu’est ce que l’apprentissage
Plan automatique?
Données & connaissances extraites
Les algorithmes de l’apprentissage
automatique
Construction de modèle & évaluation
TP1: Manipulation des données à
l’aide des modules pandas et
matplotlib 4
Qu'est-ce que l'apprentissage automatique ?
Qu'est-ce que l'apprentissage automatique ?
L'apprentissage automatique est la science qui permet aux ordinateurs
d'apprendre et d'agir comme les humains, et d'améliorer leur
apprentissage au fil du temps de manière autonome, en leur fournissant des
données et des informations sous forme d'observations et d'interactions
dans le monde réel.
Les algorithmes d'apprentissage automatique cherchent à fournir des
connaissances aux ordinateurs grâce à des données, des observations et
des interactions avec le monde. Il est ensuite utilisé pour faire des
prédictions précises en fonction de nouvelles observations.
L'apprentissage automatique est une statistique appliquée.
Qu'est-ce que l'apprentissage automatique ?
Qu'est-ce que l'apprentissage automatique ?
Quelles données ?
Exemples d’attributs
Informations sur le client d’une banque Informations sur le climat lié au
temps et à la température
Qu'est-ce que l'apprentissage automatique ?
Quelles données ?
Texte : par exemple, critiques de films
Qu'est-ce que l'apprentissage automatique ?
Quelles données ?
Images : par exemple, chiffres manuscrits (ensemble de données MNIST)
Qu'est-ce que l'apprentissage automatique ?
Ensemble de données vs échantillon de données
Échantillon de données (ou exemple, ou point) : Une
observation individuelle.
Par exemple, une image, une liste d'attributs pour un patient
Ensemble de données : une collection de plusieurs échantillons
de données.
Par exemple, une collection d'images, les listes d'attributs pour
plusieurs patients
Qu'est-ce que l'apprentissage automatique ?
Données non supervisées
Chaque échantillon consiste uniquement en une observation,
par exemple une image (sans information sur son contenu)
Exemple 1 Exemple 2
Qu'est-ce que l'apprentissage automatique ?
Données supervisées
Chaque échantillon est accompagné d'annotations supplémentaires,
par exemple: étiquette de catégorie (label)
Exemple 1 Exemple 2
Qu'est-ce que l'apprentissage automatique ?
Qu'est-ce que l'apprentissage automatique ?
Quelles connaissances?
Prédiction précise et concrète.
Par exemple, la catégorie représentée par une image
Qu'est-ce que l'apprentissage automatique ?
Quelles connaissances?
Meilleure compréhension des données.
Exemple 1
Par exemple, analyser les influences entre
différents genres musicaux
Exemple 2
L'analyse de corrélation du marché boursier
L’impact de chaque sous-secteur sur les autres
Les algorithmes d’apprentissage automatique
Les algorithmes d’apprentissage automatique
Algorithmes d’apprentissage automatique
Algorithme Algorithme
Algorithmes d’apprentissage
d’apprentissage
d’apprentissage supervisé par renforcement
non-supervisé
Classification Régression Regroupement Association Décision optimale
(clustering)
Les algorithmes d’apprentissage automatique
Classification et Prédiction
• Classification et prédiction
– Diviser / grouper les instances dans des classes spécifiques
pour des prédictions futures
– Prédire des valeurs (classes) inconnues ou manquantes
• Exemples:
– Les clients loyaux / les clients non-loyaux
– Les transactions frauduleuses / les transactions générales
– Prédire les taux de réponses à une offre
• Algorithmes:
– Arbres de décision, règles de classification, classification
Bayésienne, algorithmes génétiques, algorithme des k plus
proches voisins, l’approche Rough Sets, régression linéaire et
non linéaire 19
Les algorithmes d’apprentissage automatique
Regroupement (Cluster)
• Regroupement d’éléments de proche en proche fondé sur leur
ressemblance
• Les classes sont inconnues, et sont donc créées
• Exemple:
– Segmentation du marché
• Algorithmes:
– K-moyennes
– Réseaux neuronaux
20
Les algorithmes d’apprentissage automatique
Associations
• Mise en relation des données
• Exemples:
– Le panier de la ménagère:
• Les personnes qui achètent du lait achètent aussi du
café
– Age(X, “20…29”) et Salaire(X, “20000…29000”)
Achete(X,”PC”) [ support = 2%, confidence = 60%]
• L’algorithme A Priori pour obtenir des règles d’association
21
Les algorithmes d’apprentissage automatique
Caractérisation et Discrimination
• Caractérisation: Généralise les données d’une classe
• Exemple:
– Général profil des régions pluvieuses
• Discrimination: Compare les données d’une classe avec une ou
plusieurs classes (de comparaison)
– Gestion des anomalies
• Exemple:
– Les ventes de logiciels qui ont augmenté de 10% par rapport
à celles qui ont augmente de 30%
22
Les algorithmes d’apprentissage automatique
Décision optimale
Fonction principale: Apprendre automatiquement la meilleure stratégie de
décision dans un environnement dynamique, en maximisant une récompense
cumulée, sans disposer de réponses pré-étiquetées.
Fonctions essentielles de l’apprentissage par renforcement
Fonction de décision
Choisir la meilleure action à chaque instant
En fonction de l’état courant du système
Exemple : Décider quand et comment entretenir un pont.
Fonction d’optimisation
Optimiser un objectif à long terme
Pas seulement un gain immédiat
Exemple : Minimiser le coût total de maintenance sur 30 ans.
Fonction d’apprentissage par interaction
Apprendre par essais–erreurs
Adapter la stratégie au comportement réel de l’environnement
Exemple : Un système qui ajuste sa politique après chaque inspection. 23
Les algorithmes d’apprentissage automatique
Algorithmes d’apprentissage automatique
Algorithme Algorithme
Algorithmes d’apprentissage
d’apprentissage
d’apprentissage supervisé par renforcement
non-supervisé
Classification Régression Regroupement Association Décision optimale
(clustering)
k plus proches Régression K-moyennes L’algorithme L’algorithme
voisins linéaire A Priori Q-Learning
Arbres de Régression
décision non linéaire
Construction et évaluation d’un modèle
25
Construction et évaluation d’un modèle
• Les données sont séparées en 3 ensembles:
– Ensemble d’entraiment (d’apprentissage)
– Ensemble de validation
– Ensemble test
26
Construction et évaluation d’un modèle
Apprentissage supervisée
Zi connue (signification connue)
Objectif : à partir de l’observation de (X1; Z1),…,(Xn; Zn)
construire
une règle de classement r :
r : X r(X) = Z
utiliser cette règle de classement pour classer de nouveaux
individus
de classes inconnues
Apprentissage non supervisée
Zi inconnue (aucune signification)
Objectif : à partir de l’observation de X1,….., Xp, prédire Z1,….., Zn
les classes sont ensuite interprétées dans le but de leur donner
une signification concrète 27
Construction et évaluation d’un modèle
Apprentissage par renforcement
Un agent apprend en interagissant avec un environnement.
Il n’a pas de réponses toutes faites
Il reçoit seulement : une récompense (positive ou négative)
Il apprend par essais–erreurs.
Données:
Pas de dataset étiqueté
Apprentissage en temps réel
Objectif: Maximiser la récompense cumulée à long terme.
28
Construction et évaluation d’un modèle
29