Ecole Pluridisciplinaire
Internationale
Cours Intélligence
Artificielle
Enseignante :[Link] SBIAA (fatmasbiaazayen@[Link])
A.U 2021/2022 4ème année [Link]
4ème année [Link]
Objectifs
Ce cours est une préparation à la certification HCIA en Intelligence
Artificielle. Il vise à:
✓Aborder des problèmes liés aux données et aux systèmes d'apprentissage.
✓Identifier l'algorithme d'apprentissage approprié pour une tâche donnée dans un
domaine spécifique et fournir des solutions d'intégration pertinentes
✓Intégrer les connaissances acquises dans le contexte de la recherche scientifique
et des systèmes intelligents pour les produits Huawei.
Cours IA - Dr. Fatma SBIAA 2
4ème année [Link]
Plan
✓Chapitre 1: Introduction à l’IA
✓Chapitre 2 : Machine Learning
✓Chapitre 3 : Les Réseaux de Neurones Artificiels: ANN
✓Chapitre 4: Apprentissage Profond (Deep Learning)
✓Chapitre 5: Introduction aux produits Huawei
Cours IA - Dr. Fatma SBIAA 3
4ème année [Link]
Chapitre 1: Introduction à l’Intelligence
Artificielle
✓Définitions
✓Historiques, les enjeux et les perspectives futurs de l’IA
✓Les domaines d’application de l’intelligence artificielle
✓La stratégie de développement de l'IA de Huawei
Cours IA - Dr. Fatma SBIAA 4
4ème année [Link] Introduction
1. Définitions
Intelligence artificielle
Définie par Marvin Minsky comme étant une science dont l’objectif est
de faire réaliser par une machine des tâches que l’homme accomplit
en utilisant son intelligence.
Pour y arriver, on a besoin de faire recours à des algorithmes conçus à
partir de modèles statistiques pour faire apprendre à une machine
comment réaliser les tâches désirées.
Cours IA - Dr. Fatma SBIAA 5
4ème année [Link] Introduction
1. Définitions
Apprentissage Automatique
Contrairement à la programmation où une machine se contente d'exécuter à la
lettre des règles prédéterminées un programme écrit dans un but bien
déterminé, l’apprentissage automatique permet aux machines d'apprendre,
par elle-même, à comprendre (interpréter) des contextes et prendre des
décisions.
Cours IA - Dr. Fatma SBIAA 6
4ème année [Link] Introduction
[Link]
enjeux et les perspectives
➢ L’IA a connu ses premiers avancés en informatique avec les systèmes automates,
la récursivité et des langages comme Lisp et Prolog.
➢ Au commencement, on parlait surtout des règles logiques, de la récursivité,
de l'analyse syntaxique, des graphes, et des systèmes experts.
➢ Mais actuellement, ce sont l'apprentissage automatique et plus particulièrement
les réseaux de neurones et le Deep Learning qui tirent ce domaine vers le
haut.
Cours IA - Dr. Fatma SBIAA 7
4ème année [Link] Introduction
[Link]
enjeux et les perspectives
➢ En réalité, l’IA a connu des échecs à plusieurs reprises notamment dans les années
1970 et 1990.
➢ Elle a été longtemps limitée par les coûts et les performances des machines
(vitesse, capacité mémoire, capacité de stockage)
→reculs des investissements par les industriels.
➢ Cependant, de nos jours, les superordinateurs et surtout le cloud ont réduit
ces limites.
➢ À titre d’exemple, Amazon AWS et Google cloud sont désormais accessibles
avec des budgets très raisonnables.
Cours IA - Dr. Fatma SBIAA 8
4ème année [Link] Introduction
[Link]
enjeux et les perspectives
➢ Ainsi, nous pouvons actuellement lancer des calculs complexes et analyser
des grandes quantités de données pour des coût acceptables.
➢ Cela encourage les travaux de recherche et les investisseurs pour s’en
servir dans tous les secteurs ce qui donne son envol à l’évolution de l'intelligence
artificielle.
Cours IA - Dr. Fatma SBIAA 9
4ème année [Link] Introduction
3. Domaines d’application
✓ Robotique
✓ Conduite autonome: outils d’aides à la conduite assistée et
autonome.
✓ Diagnostiques médical (aide à la décision, analyse de radio,
détection des tumeurs..)
✓ Reconnaissance de texte (manuscrit, immatriculation des
voiture…)
✓ Traduction en temps réel
✓ Reconnaissance d’objets sur une image
✓ Reconnaissance faciale ou vocale
✓ Marketing/ vente (segmentation , prédiction…)
Cours IA - Dr. Fatma SBIAA 10
4ème année [Link] Introduction
3. Domaines d’application
INTELLIGENCE
ARTIFICIELLE
STATISTIQUES, OPTIMISATION
analyse de données
Apprentissage
Artificiel
AUTOMATIQUE,
commande, VISION
robotique
Cours IA - Dr. Fatma SBIAA 11
4ème année [Link] Introduction
4. La stratégie de développement de l'IA de
Huawei
Nombreux secteurs d’activité: Divers produits et services:
Finance intelligent, santé, enseignement, énergie, Stockage de données, serveurs et cloud computing,
gouvernement, services internet, fabrication et digital power, analyse des vidéos et des données,
production des solutions IT … réseau d’entreprise, services digitaux …
La 6éme entreprise la plus Huawei compte parmi les
innovante au monde selon meilleurs employeurs de 2020
Boston Consulting Groupe selon Top Employer
(BCG) Institute
[Link]
Cours IA - Dr. Fatma SBIAA 12
4ème année [Link] Introduction
4. La stratégie de développement de l'IA de
Huawei
Cours IA - Dr. Fatma SBIAA 13
4ème année [Link] Introduction
4. La stratégie de développement de l'IA de
Huawei
➢ Fondée en 1987, Huawei est l'un des principaux fournisseurs mondiaux d'infrastructures de
technologies de l'information et des communications (TIC) et d'appareils intelligents.
➢ Elle est présente dans plus de 170 pays et régions, au service de plus de trois milliards de
personnes dans le monde.
➢ Sa vision et sa mission consistent à apporter le numérique à chaque personne, foyer et
organisation pour un monde intelligent et entièrement connecté.
Cours IA - Dr. Fatma SBIAA 14
4ème année [Link] Introduction
4. La stratégie de développement de l'IA de
Huawei
➢ À cette fin, elle vise à:
✓ favoriser une connectivité omniprésente et promouvoir l'égalité d'accès aux réseaux
✓ apporter le cloud et l'intelligence artificielle aux quatre coins du monde pour fournir une puissance
informatique supérieure
✓ construire des plateformes numériques pour aider toutes les industries et organisations à devenir plus agiles,
efficaces et dynamiques
✓ redéfinir l'expérience utilisateur avec l'IA, en la rendant plus personnalisée pour les gens dans tous les aspects de leur
vie, qu'ils soient à la maison, au bureau ou en déplacement.
Cours IA - Dr. Fatma SBIAA 15
4ème année [Link]
Chapitre 2: Machine Learning
✓Introduction
✓ Définition
✓Application
✓Types d’apprentissage
✓Algorithmes de classification
Cours IA - Dr. Fatma SBIAA 16
4ème année [Link] Chapitre 2: Machine Learning
[Link]
C’est quoi les machines learning?
Apprentissage Automatique, aussi connu sous le nom de Machine Learning.
•C’est un sous domaine de l’ IA qui se fonde sur des approches mathématiques et statistiques pour
donner aux ordinateurs la capacité d' «apprendre» à partir d’un ensemble de données.
Cours IA - Dr. Fatma SBIAA 17
4ème année [Link] Chapitre 2: Machine Learning
[Link]
Pourquoi “apprendre” ?
➢ Les machines d’apprentissage sont des programmes d’ordinateurs qui performent
une tâche suite à un apprentissage à partir de données et d’expériences du
passé.
➢ L’apprentissage est utile dans les cas où:
✓ L’expertise humaine n’existe pas
✓ L’humain n’arrive pas à expliquer comment il arrive à accomplir une tâche (reconnaissance
automatique de la parole)
✓ Une large quantité de données est à traiter
✓ La solution change en court de route (routage sur un réseau Internet)
✓ La solution doit s’adapter à son utilisateur (biométrie, filtrage: e-mail).
Cours IA - Dr. Fatma SBIAA 18
4ème année [Link] Chapitre 2: Machine Learning
2. Applications
Cours IA - Dr. Fatma SBIAA 19
4ème année [Link] Chapitre 2: Machine Learning
2. Applications
Cours IA - Dr. Fatma SBIAA 20
4ème année [Link] Chapitre 2: Machine Learning
3. Types d’apprentissage
➢ Supervisé: Models/Méthodes prédictives: Labeled training
Example: classification des emails…
➢ Non supervisé: Analyser des données sans avoir une décision au départ.
Exemple: regrouper des documents similaires en fonction du texte (clustering)
➢ Semi-supervisé: Utilisation de données non étiquetées, en combinaison avec des
données étiquetées afin d'améliorer significativement la qualité de l'apprentissage.
➢ Par renforcement : apprendre à agir en fonction des commentaires / récompenses
(feedback/reward)
Example: jeux vidéos(reward: win or lose ) 21
Cours IA - Dr. Fatma SBIAA
4ème année [Link] Chapitre 2: Machine Learning
3. Types d’apprentissage
Cours IA - Dr. Fatma SBIAA 22
4ème année [Link] Chapitre 2: Machine Learning
3. Types d’apprentissage
3.1. Apprentissage supervisé
✓ L’apprentissage supervisé permet, sur base d’un échantillon déjà étiqueté, de
réaliser une classification sur un jeu de données (non-étiqueté).
✓ Les données catégorisées vont permettre à l’algorithme de bien raffiner la phase
d’apprentissage et aboutir à un système performant.
✓ Ce type d’apprentissage consiste à utiliser un algorithme pour apprendre la fonction
de « mapping » de l’entrée (X) à la sortie (Y).
Y = f (X)
➢ Le but est d’appréhender si bien la fonction de « mapping » de telle sorte que, le
modèle conçu pourra prédire les variables de sortie (Y) pour des nouvelles données
d’entrée
Cours (x).
IA - Dr. Fatma SBIAA 23
4ème année [Link] Chapitre 2: Machine Learning
3. Types d’apprentissage
3.1. Apprentissage supervisé
L’un des prochains enjeux de l’apprentissage supervisé est de réduire le nombre
d’images à analyser pour que la machine apprenne plus rapidement.
Cours IA - Dr. Fatma SBIAA 24
4ème année [Link] Chapitre 2: Machine Learning
Types d’apprentissage
3.1. Apprentissage supervisé
❑ La classification supervisée
La base de données d'apprentissage est un ensemble de couples entrée-sortie (Xn, Yn).
Cours IA - Dr. Fatma SBIAA 25
4ème année [Link] Chapitre 2: Machine Learning
3. Types d’apprentissage
3.1. Apprentissage supervisé
❑ La classification supervisée (exemple)
Cours IA - Dr. Fatma SBIAA 26
4ème année [Link] Chapitre 2: Machine Learning
3. Types d’apprentissage
3.1. Apprentissage supervisé
Voici quelques exemples populaires d’algorithmes d’apprentissage automatique
supervisé:
✓DecisionTree Classifier (Arbres de décision)
✓K Nearest Neighbours (K NN)
✓SVC linéaire (classificateur de vecteur de support)
✓Régression logistique
✓Naive Bayes
✓Les réseaux de neurones
✓Régression linéaire
✓Régression vectorielle de support (SVR)
✓Arbres de régression
Cours IA - Dr. Fatma SBIAA 27
4ème année [Link] Chapitre 2: Machine Learning
3. Types d’apprentissage
3.2. Apprentissage non supervisé
✓Ce type d’apprentissage consiste à ne disposer que de données d’entrée
(X) et pas de variables de sortie correspondantes.
✓L’objectif de l’apprentissage non supervisé est de modéliser la
structure ou la distribution sous-jacente dans les données afin d’en
apprendre davantage sur les données.
✓ Les algorithmes sont laissés à leurs propres mécanismes pour découvrir et
présenter la structure intéressante des données.
Cours IA - Dr. Fatma SBIAA 28
4ème année [Link] Chapitre 2: Machine Learning
3. Types d’apprentissage
3.2. Apprentissage non supervisé
Voici une liste de certains algorithmes d’apprentissage automatique non supervisés:
✓K-means clustering
✓Dimensionality Reduction (Réduction de la dimensionnalité)
✓Principal Component Analysis (Analyse des composants principaux)
✓SingularValue Decomposition (Décomposition en valeur singulière)
✓Independent Component Analysis (Analyse en composantes indépendantes)
✓Distribution models (Modèles de distribution)
✓Hierarchical clustering (Classification hiérarchique)
✓Neural networks / Deep Learning
Cours IA - Dr. Fatma SBIAA 29
4ème année [Link] Chapitre 2: Machine Learning
4. Algorithmes de classification
Apprendre à classifier des données revient à apprendre une fonction de décision : la
frontière entre les classes.
Cours IA - Dr. Fatma SBIAA 30
4ème année [Link] Chapitre 2: Machine Learning
4. Algorithmes de classification
Schéma global d’un modèle de classification
Cours IA - Dr. Fatma SBIAA 31
4ème année [Link] Chapitre 2: Machine Learning
4. Algorithmes de classification
Modélisation de la classification supervisée
✓Attributs (variables ou colonnes) : c’est l’un ensemble des X = X1 x X2
...x Xd où chaque Xi est le domaine d'un attribut Ai symbolique ou
numérique.
○ Exemple: A1= âge, X1= [0; 122], A2= fumeur, X2= {oui, non}
✓Classes (cible, target, label, etiquettes) : Un ensemble fini de classesY.
○ Exemple:Y = {patient_à_risque, patient_sans_risque}
✓ Une variable aléatoire Z=(X,Y) à valeurs dans X xY.
○ Exemple: le risque cardiaque est lié à l'âge et au fait de fumer
Cours IA - Dr. Fatma SBIAA 32
4ème année [Link] Chapitre 2: Machine Learning
4. Algorithmes de classification
Modélisation de la classification supervisée
✓ Les exemples/données sont des couples (x,y) de X xY tirés selon la distribution jointe :
P(Z=(x,y)) = P(X=x)P(Y=y|X=x)
Cours IA - Dr. Fatma SBIAA 33
4ème année [Link] Chapitre 2: Machine Learning
4. Algorithmes de classification
4.1. K Neighbors Classifier : k plus proches voisins
✓ Objectif : pouvoir prédire la classe d'un nouvel exemple en utilisant les exemples
déjà connus.
✓ Principe :
1. regarder la classe des k exemples les plus proches
2. Affecter la classe majoritaire dans le voisinage au nouvel exemple
Cours IA - Dr. Fatma SBIAA 34
4ème année [Link] Chapitre 2: Machine Learning
4. Algorithmes de classification
4.1. K Neighbors Classifier : k plus proches voisins
✓Algorithme:
Entrée : S ={(x, y) | x ∈ X ⊆ Rd , y ∈ Y} l’échantillon d’apprentissage,
xtest l'exemple à classer
Début
Initialiser à 0 le nombre d'occurrences de chacune des classes
pour chaque exemple (x, y) dans S :
Calculer la distance D(x, xtest)
pour chaque x’ dans k-voisinage(xtest) :
Ajouter 1 au nombre d'occurrences de y’
Retourner la classe la plus fréquente à partir du nombre
d’occurrences de chaque classe
Cours IA - Dr. Fatma SBIAA 35
4ème année [Link] Chapitre 2: Machine Learning
4. Algorithmes de classification
4.1. K Neighbors Classifier : k plus proches voisins
Cours IA - Dr. Fatma SBIAA 36
4ème année [Link] Chapitre 2: Machine Learning
4. Algorithmes de classification
4.1. K Neighbors Classifier : k plus proches voisins
Cours IA - Dr. Fatma SBIAA 37
4ème année [Link] Chapitre 2: Machine Learning
4. Algorithmes de classification
4.1. K Neighbors Classifier : k plus proches voisins
Cours IA - Dr. Fatma SBIAA 38
4ème année [Link] Chapitre 2: Machine Learning
4. Algorithmes de classification
4.1. K Neighbors Classifier : k plus proches voisins
Cours IA - Dr. Fatma SBIAA 39
4ème année [Link] Chapitre 2: Machine Learning
4. Algorithmes de classification
4.1. K Neighbors Classifier : k plus proches voisins
✓En cas d’égalité:
Si 2 classes ou plus sont aussi fréquentes dans le k-voisinage, on peut :
● Augmenter k de 1 (le nombre des voisins à prendre en compte)
● Tirer une classe au hasard parmi les plus fréquentes
● Attribuer la classe majoritaire dans les données
● Pondérer les exemples par leur distance à la donnée à classer
Cours IA - Dr. Fatma SBIAA 40
4ème année [Link] Chapitre 2: Machine Learning
4. Algorithmes de classification
4.2. SVM « Support Vector Machines »
✓Les SVM sont une généralisation des classifieurs linéaires.
✓C’est un ensemble de techniques d'apprentissage supervisé destinées à
résoudre des problèmes de discrimination (décider à quelle classe
appartient un échantillon) et de régression (prédire la valeur numérique
d'une variable).
✓La résolution de ces deux problèmes passe par la construction d'une
fonction h qui à un vecteur d'entrée x fait correspondre une sortie y:
Y= h(X)
Cours IA - Dr. Fatma SBIAA 41
4ème année [Link] Chapitre 2: Machine Learning
4. Algorithmes de classification
4.2. SVM « Support Vector Machines »
L’hypothèse de départ est que les données sont linéairement séparables (cette
hypothèse sera partiellement relâchée)
➢ Pour un ensemble de points linéairement séparables, il existe une infinité
d'hyperplans séparateurs.
Cours IA - Dr. Fatma SBIAA 42
4ème année [Link] Chapitre 2: Machine Learning
4. Algorithmes de classification
4.2. SVM « Support Vector Machines »
➢ On cherche obtenir l’hyperplan ayant la marge maximale (distance entre les
échantillons de classes différentes).
➢ Objectif : réduire l’erreur sur les données non vues.
➢ Les échantillons entourés sont appelés des vecteurs supports.
Cours IA - Dr. Fatma SBIAA 43
4ème année [Link] Chapitre 2: Machine Learning
4. Algorithmes de classification
4.2. SVM « Support Vector Machines »
✓ Les SVM sont utilisés pour les problèmes de classification de texte telles que la
détection du spam ou l’analyse des sentiments.
✓ Ils sont couramment utilisés pour les problèmes de reconnaissance d’image,
particulièrement en reconnaissance de forme et en classification de couleur.
✓ Les SVM jouent, également, un rôle essentiel dans de nombreux domaines de la
reconnaissance manuscrite des symboles, tels que les services d’automatisation
postale.
Cours IA - Dr. Fatma SBIAA 44
4ème année [Link] Chapitre 2: Machine Learning
4. Algorithmes de classification
4.2. SVM « Support Vector Machines »
[Link]
Cours IA - Dr. Fatma SBIAA 45
4ème année [Link] Chapitre 2: Machine Learning
4. Algorithmes de classification
4.3. Les arbres de décision (Decision Tree Classifier)
Un arbre de décision est un arbre orienté dont :
✓ Les nœuds internes sont étiquetés par un test applicable à tout individu,
généralement sur un attribut de description.
✓ Les arcs contiennent les résultats du test.
✓ Les feuilles sont étiquetés par une classe par défaut.
Cours IA - Dr. Fatma SBIAA 46
4ème année [Link] Chapitre 2: Machine Learning
4. Algorithmes de classification
4.3. Les arbres de décision (Decision Tree Classifier)
Un arbre de décision est donc un classifieur organisé de manière arborescente.
● Il a une traduction immédiate en terme de règles de décision, mutuellement exclusives
et ordonnées (si ... alors ... sinon ...).
● Il présente 2 qualités principales :
✓ Facilement interprétables
✓ Classification rapide
Cours IA - Dr. Fatma SBIAA 47
4ème année [Link] Chapitre 2: Machine Learning
4. Algorithmes de classification
4.3. Les arbres de décision (Decision Tree Classifier)
➢ Algorithme générique :
arbre ← arbre vide ; nœud courant ← racine
Répéter
Décider si le nœud courant est terminal
Si le nœud est terminal alors lui affecter une classe
Sinon sélectionner un test et créer autant de noeuds fils qu'il y a de réponses possibles
au test
Passer au nœud suivant (si il existe)
Jusqu'à obtenir un arbre de décision compatible
[Link]
Cours IA - Dr. Fatma SBIAA 48
4ème année [Link] Chapitre 2: Machine Learning
4. Algorithmes de classification
4.3. Les arbres de décision (Decision Tree Classifier)
Cours IA - Dr. Fatma SBIAA 49
