Intelligence Artificielle 2022
TD & TP en Intelligence Artificielle
Universite Professeur Joseph Ki-Zerbo
ZONGO Sylvain
Ingénieur en Intelligence Artificielle
CEO de EGATE
Responsable charge de données a Open Burkina
[email protected] I. Algorithme d’apprentissage Q3- Bala dispose de 10000 articles de jour-
naux qu’il souhaite classer par leur thématique.
.1 Identification du type d’apprentissage Doit-il utiliser un algorithme supervisé ou non
supervisé ?
Q0- Nous voulons prédire la couleur des fleurs Q4- Ahmed gère un outil qui permet
en se basant sur la longueur et la largeur de d’organiser les liens HTML qui ont été sauve-
celles-ci. Considerer le dataset ci-dessous et gardés. Il souhaite suggérer des catégories
dites nous type d’apprentissage à proprié. auxquelles affecter un nouveau lien, en fonc-
tion des catégories déjà définies par l’ensemble
des utilisateurs du service. Quel type
d’algorithme d’apprentissage doit-il utiliser ?
Q1- Ismael veut écrire un programme qui Q5- Aline veut examiner ses spams pour déter-
utilise la fréquence des mots «science», « public miner s’il existe des sous-types de spams. Quel
», « accès », « université », « gouvernement », « type d’algorithme d’apprentissage doit-elle
financer », « éducation », «budget», «justice»et utiliser?
«loi» pour déterminer si un article traite ou non
de politique scientifique. Il a commencé par I. Exercice sur les algorithmes
annoter un millier d’articles selon leur sujet.
- Quel genre de problème d’apprentissage au-
tomatique doit-il résoudre ?
Q2- Parmi les problèmes suivants, lesquels se
prêtent bien à être traités par le machine learn-
ing? Justifier vos reponses :
• Déterminer le chemin le plus court entre
deux nœuds dans un graphe.
• Prédire le nombre de vélos à mettre en
location à chaque station d’un système
de location de vélos citadins.
• Déterminer l’horaire optimal pour poster
un contenu sur une page web.
Indication : la distance euclidienne sera util-
• Évaluer le prix qu’un tableau de maître isée.
pourra atteindre lors d’une vente aux 2) Écrire un programme en Python) prend les
enchères. paramètres en entrée
2
Intelligence Artificielle 2022
• nom fichier de la base d’apprentissage
• nom fichier de la base de test
• k (le nombre de plus proches voisins)
Le programme classifie les individus dans
la base de
test à l’aide de l’algorithme k plus proches
voisins. Exercice sur les réseaux de neurones
En sortie, le programme fournit le résultat sous Soit les fonctions logiques suivantes : f(x)=y
forme de matrice de et g(x)=y , x vecteur de deux paramètres
confusion et le taux de bon classement.
• Utiliser le programme pour classifier les
ensembles de données:
• Iris (.trn pour l’apprentissage, .tst pour le
test)
• Optics (.trn pour l’apprentissage, .tst De quelle fonction s’agit-il ? Que represente
pour le test) les variables X1,X2, W1, W2 et Y.
• Letter (.trn pour l’apprentissage, .tst pour
le test) II. Les Opérateurs du monde de blocs
• Fp (hold-out)
En utilisant les opérateurs du monde des blocs
• Essayer de changer le paramètre k pour et des actions pouvant être effectuées par
obtenir les meilleurs résultats le bras du robot, représenter les buts 1) & 2):
• Faire les commentaires sur les résultats
• Proposer l’amélioration du programme
1)- Donner la précondition pour aller de
l’etat initial à l’etat final
2)- Ecrire la formule pour obtenir l’etat final
II. TP
• Expliquer comment l’arbre de décision TP N ° 1 : Régression linéaire
a été obtenu. Jutifier la construction de On va implémenter ici, la régression linéaire
l’arbre en calculant l’entropie et le gain univariée (à une variable) en python. Le but
d’information. est de comprendre cet algorithme. A partir
d’une base de données lue, le travail consis-
• Cet arbre est-il correct ? tera d’abord à faire le c hargement des don-
3
Intelligence Artificielle 2022
nées, visualisation des données, Appliquer chiffres manuscrits avec K-NN Pour ce TP, on
l’algorithme puis faire la Prédiction. utilisera le célèbre jeu de données MNIST. Ce
TP N ° 2 : Régression Logistique dernier est une base de donnée de chiffres
On va implémenter ici, la régression logistique manuscrits très utilisée en Machine Learning,
en python. Le but est de comprendre cet al- notamment pour l’entrainement et le test de
gorithme. A partir d’une base de données de modèles prédictifs
fleurs IRIS, il s’agit de faire la classification TP N ° 5 : KMEANS
de fleurs IRIS avec la régression logistique en Implémentation du clustering des fleurs d’Iris
Python. avec l’algorithme K-Means, Python et Scikit
TP N ° 3 : Naives Bayes Learn. En rappel on peut accéder directement
On va implémenter ici, l’algorithme de Naives aux
Bayes en python. Le but est de comprendre
TP N°6: Reseaux de neurones
cet algorithme. Durant ce TP, on mettra en
Création de réseaux de neurones pour le traite-
place un “SPAM Filter” en utilisant le Naive
ment du problème ci-dessous avec pytoch.
Bayes Classifier. Notre classifieur se basera sur
Python et sa librairie de Machine Learning :
“Sickit Learn”. L’algorithme prendra en entrée
un e-mail et nous indiquera s’il s’agit d’un mail
ou non. Nous voulons prédire la couleur des fleurs
TP N ° 4 : KNN en se basant sur la longueur et la largeur de
On va implémenter ici, l’algorithme KNN en celles-ci. Expliquer les étapes et comment
python. Le but est de comprendre cet algo- prodecer pour améliorer les résultats de votre
rithme. Implémentez une reconnaissance de modèle développé.
