1.

*Notions en Intelligence Artificielle (IA)* :

- Intelligence Artificielle (IA) : Champ de l'informatique qui vise à
créer des systèmes capables de simuler des processus cognitifs
humains.
- Apprentissage automatique (Machine Learning) : Sous-domaine
de l'IA dans lequel les systèmes apprennent à partir de données.
- Réseaux de neurones artificiels : Modèles informatiques inspirés
du fonctionnement du cerveau humain, utilisés dans de nombreux
problèmes d'apprentissage.
- Algorithmes d'optimisation : Méthodes pour trouver la meilleure
solution à un problème donné, souvent utilisées dans l'apprentissage
automatique.
- Apprentissage supervisé, non supervisé et par renforcement : Les
trois grandes catégories d'apprentissage machine.

2. *Formes d'apprentissage* :

- *Apprentissage Supervisé* : Les algorithmes apprennent à partir

de paires de données d'entrée-sortie étiquetées.
- Exemples d'algorithmes :
- Régression linéaire
- Arbres de décision
- Réseaux de neurones
- Machines à vecteurs de support (SVM)

- *Apprentissage Non Supervisé* : Les algorithmes découvrent des

schémas ou des structures dans les données sans étiquettes de sortie.
- Exemples d'algorithmes :
- K-Means
- Analyse en composantes principales (PCA)
 - Réseaux de neurones auto-encodeurs
- Algorithme des k plus proches voisins (KNN)

- *Apprentissage par Renforcement* : Les algorithmes apprennent

à partir de l'interaction avec un environnement, en recevant des
récompenses ou des pénalités pour leurs actions.
- Exemples d'algorithmes :
- Q-Learning
- Deep Q-Networks (DQN)
- Policy Gradient Methods
- Actor-Critic Methods

3. *Exemples d'algorithmes* :

- *Régression Linéaire* : Utilisé pour modéliser la relation entre une

variable dépendante et une ou plusieurs variables indépendantes.
- *K-Means* : Algorithme de clustering utilisé pour partitionner un
ensemble de données en groupes homogènes.
- *Réseaux de Neurones Convolutifs (CNN)* : Utilisés
principalement pour la vision par ordinateur, notamment dans la
classification d'images.
- *Algorithme des Arbres de Décision* : Utilisé pour prendre des
décisions en formulant une série de questions et en prenant des
décisions basées sur les réponses.
- *Q-Learning* : Utilisé dans l'apprentissage par renforcement pour
apprendre une politique optimale dans des environnements où les
actions ont des conséquences à long terme.
- *Réseaux de Neurones Récursifs (RNN)* : Utiles pour les données
séquentielles où l'état actuel dépend des états précédents.
1. *Apprentissage Supervisé* :
- *Régression* : Dans la régression, l'algorithme cherche à prédire
une valeur continue en fonction des données d'entrée.
- Exemples d'algorithmes :
- Régression linéaire
- Régression polynomiale
- Régression logistique (pour la classification binaire)

- *Classification* : Dans la classification, l'algorithme cherche à

prédire une classe ou une catégorie à laquelle appartient une
observation.
- Exemples d'algorithmes :
- Arbres de décision
- Machines à vecteurs de support (SVM)
- Réseaux de neurones

2. *Apprentissage Non Supervisé* :

- *Clustering* : Dans le clustering, l'algorithme cherche à regrouper
les observations similaires en clusters ou en groupes.
- Exemples d'algorithmes :
- K-Means
- DBSCAN
- Clustering hiérarchique

- *Réduction de Dimensionnalité* : Dans la réduction de

dimensionnalité, l'algorithme cherche à réduire le nombre de variables
en conservant autant d'informations que possible.
- Exemples d'algorithmes :
- Analyse en composantes principales (PCA)
- T-SNE (t-distributed stochastic neighbor embedding)
 - Factorisation de matrices

3. *Apprentissage par Renforcement* :

- *Policy-Based Methods* : Ces méthodes apprennent directement
la meilleure politique, c'est-à-dire une stratégie pour choisir les
actions en fonction de l'état actuel.
- Exemples d'algorithmes :
- Policy Gradient Methods
- Deterministic Policy Gradient Methods
- Proximal Policy Optimization (PPO)

- *Value-Based Methods* : Ces méthodes cherchent à estimer la

valeur d'une action dans un état donné et à choisir l'action qui
maximise cette valeur.
- Exemples d'algorithmes :
- Q-Learning
- Deep Q-Networks (DQN)
- Double Q-Learning

Cette séparation permet de mieux comprendre les différentes façons

dont les algorithmes d'apprentissage automatique peuvent être
catégorisés en fonction de la nature de leurs tâches et des types de
données sur lesquelles ils opèrent.

1. *K plus proches voisins (KNN)* :

- Classe : Apprentissage supervisé, Classification
- Fonctionnement : Classe les points de données en fonction des
classes majoritaires de leurs k plus proches voisins dans l'espace des
caractéristiques.
- Domaine d'utilisation : Classification, recommandation,
reconnaissance de formes.
 - Exemple : Classification de documents textuels basée sur leurs
vecteurs de mots.

2. *Arbre de décision* :
- Classe : Apprentissage supervisé, Classification ou Régression
- Fonctionnement : Divise récursivement l'espace des
caractéristiques en fonction des caractéristiques qui maximisent la
pureté des sous-ensembles résultants.
- Domaine d'utilisation : Classification, prédiction, diagnostic.
- Exemple : Prédiction de la probabilité de défaut de remboursement
d'un prêt.

3. *Régression multiple* :
- Classe : Apprentissage supervisé, Régression
- Fonctionnement : Modélise la relation entre une variable
dépendante et plusieurs variables indépendantes en ajustant une
ligne ou un hyperplan aux données.
- Domaine d'utilisation : Prévision, analyse économique,
modélisation financière.
- Exemple : Prédiction du prix d'une maison en fonction de ses
caractéristiques telles que la taille, l'emplacement, etc.

4. *Support Vector Regression (SVR)* :

- Classe : Apprentissage supervisé, Régression
- Fonctionnement : Trouve une fonction qui approxime au mieux la
relation entre les variables d'entrée et de sortie, tout en minimisant
la marge d'erreur.
- Domaine d'utilisation : Prédiction, modélisation, estimation.
- Exemple : Prédiction de la demande d'énergie électrique.

5. *K-Means* :
 - Classe : Apprentissage non supervisé, Clustering
- Fonctionnement : Partitionne les données en k clusters en
minimisant la variance intra-cluster et en maximisant la distance
entre les clusters.
- Domaine d'utilisation : Segmentation de marché, analyse de
données, reconnaissance de motifs.
- Exemple : Segmentation des clients en groupes homogènes pour
le marketing ciblé.

6. *Apriori* :
- Classe : Extraction de règles d'association
- Fonctionnement : Trouve des règles d'association entre les articles
dans une base de données transactionnelle en utilisant le principe du
support minimum et de la confiance minimale.
- Domaine d'utilisation : Analyse de panier d'achat,
recommandation de produits, marketing.
- Exemple : Identification de règles d'association telles que "si
{pain} alors {beurre}" dans les transactions d'épicerie.

7. *UCB (Upper Confidence Bound)* :

- Classe : Apprentissage par renforcement
- Fonctionnement : Attribue des valeurs d'exploration et
d'exploitation à chaque action possible, choisissant celle avec la
meilleure valeur UCB.
- Domaine d'utilisation : Systèmes multi-armed bandit, publicité en
ligne, optimisation des ressources.
- Exemple : Sélection de publicités à afficher sur un site web pour
maximiser le taux de clics.

8. *Q-Learning* :
- Classe : Apprentissage par renforcement
 - Fonctionnement : Apprend une politique optimale en explorant
l'espace des états-actions et en mettant à jour les valeurs Q en
fonction des récompenses reçues.
- Domaine d'utilisation : Robotique, jeux, optimisation de systèmes.
- Exemple : Enseignement à un agent d'apprendre à naviguer dans
un environnement complexe.

9. *Minimax* :
- Classe : Recherche d'arbre de jeu
- Fonctionnement : Recherche récursivement l'arbre de jeu en
maximisant les gains potentiels tout en minimisant les pertes
potentielles à chaque niveau.
- Domaine d'utilisation : Jeux à deux joueurs à somme nulle comme
les échecs, le jeu de go.
- Exemple : Détermination du meilleur coup à jouer dans un jeu à
deux joueurs en considérant les réponses possibles de l'adversaire.

Chaque algorithme a ses propres caractéristiques, avantages et

inconvénients, ainsi que des applications spécifiques dans divers
domaines.