MACHINE LEARNING
Enseignant : Mohamed ELLEUCH
1
3ÈME ANNÉE GLSI
A.U. 2024/2025 - SEMESTRE 1
PLAN
Machine Learning
Chapitre I : Concepts fondamentaux
Chapitre II : Apprentissage supervisé
Chapitre III : Apprentissage non supervisé
Chapitre IV : Manipulation des logiciels
2
MACHINE LEARNING
Transformation numérique
Processus au cours duquel la
transformation de l’entreprise est
rendue possible par l’utilisation des
nouvelles technologies numériques
telles que :
L’IA
L’apprentissage automatique (ML)
Le Big Data
L’informatique en nuage (cloud
computing)
La mobilité
L’Internet des objets (IoT)
La BlockChain
… 3
MACHINE LEARNING
Historique de l’IA
4
MACHINE LEARNING
o Données !!!
5
MACHINE LEARNING
Données volumineuses
6
CHAPITRE I: CONCEPTS FONDAMENTAUX
1- INTRODUCTION
Le problème de classification / de reconnaissance et
d'indexation fait actuellement l'objet de recherches
très abondantes dans le domaine du traitement de
données (textes, images, vidéo) et de la vision par
ordinateur.
Besoin d’automatisé ces différents missions
(complexité et lourdeur de ces tâches pour l’humain)
Recours à l’apprentissage automatique ou machine
(Machine Learning / ML)
Pour que ces données (structurées / non structurées)
soient exploitables, il faut qu'elles soient préparées
(prétraitées) pour qu'elles puissent être modélisées
rapidement et efficacement. 7
CHAPITRE I: CONCEPTS FONDAMENTAUX
1- INTRODUCTION
a- Objectifs
Développer des systèmes capables de s'adapter et
de se personnaliser automatiquement en fonction
des utilisateurs individuels (actualités
personnalisées ou filtre de courrier)
Découvrez de nouvelles connaissances à partir de
grandes bases de données (data mining)
Capacité à imiter l'humain et à remplacer
certaines tâches monotones qui nécessitent une
certaine intelligence.
8
CHAPITRE I: CONCEPTS FONDAMENTAUX
1- INTRODUCTION
b- Définition
IA = discipline visant à
donner à des machines la
capacité de simuler
l’intelligence humaine (
exemples raisonnement,
planification, créativité)
Objectif: faire réaliser par
des machines des activités
jusqu'alors réservées aux
humains, en égalant et
même surpassant l'être
humain dans leur
accomplissement. 9
CHAPITRE I: CONCEPTS FONDAMENTAUX
1- INTRODUCTION
b- Définition
10
CHAPITRE I: CONCEPTS FONDAMENTAUX
1- INTRODUCTION
b- Définition
L’Intelligence Artificiel ou IA (Artificial Intelligence ou AI) : est
une branche de l'informatique (ou sciences de l'informatique) qui
s'intéresse à la construction de machines intelligentes et
astucieuses; se sont les programmes qui permettent aux
machines d'imiter le comportement humain.
Qu'est-ce que l'apprentissage automatique ?
L'apprentissage automatique est un sous domaine de l'intelligence
artificielle qui permet aux ordinateurs d'apprendre sans être explicitement
programmés.
Au lieu de suivre des instructions prédéfinies, les machines apprennent à
partir des données.
L'apprentissage automatique est un sous-ensemble de l'intelligence
artificielle.
Le Machine Learning ou ML (apprentissage machine)
représente les techniques qui permettent aux ordinateurs
d’améliorer leurs tâches sans être explicitement programmés. 11
CHAPITRE I: CONCEPTS FONDAMENTAUX
1- INTRODUCTION
c- Principe de fonctionnement
Le ML est une discipline de l’IA qui offre aux ordinateurs
la possibilité d’apprendre (train) à partir d’un ensemble
d’observations que l’on appelle ensemble d’apprentissage.
Deep Learning ou DL (Apprentissage profond): est un
sous-domaine de l'apprentissage automatique; se sont des
algorithmes qui s’adaptent et apprennent (learn) à partir
de grandes quantités de données et qui utilise simplement12
des réseaux neuronaux artificiels.
CHAPITRE I: CONCEPTS FONDAMENTAUX
1- INTRODUCTION
c- Principe de fonctionnement
13
CHAPITRE I: CONCEPTS FONDAMENTAUX
1- INTRODUCTION
d- Type d’apprentissage
14
CHAPITRE I: CONCEPTS FONDAMENTAUX
1- INTRODUCTION
e- Modèles utilisés en IA
15
CHAPITRE I: CONCEPTS FONDAMENTAUX
2- DOMAINE D’APPLICATION DE ML
Extraction de texte à partir des images pour l’analyser ou
l’identifier et le traduire (+eurs API Cloud basés sur ML);
détection ou localisation Reconnaissance traduction
Sécurité (biométrie, rapprochement criminel, reconnaissance
faciale)
Diagnostic Médical (Détection des maladies; pulmonaire,
COVID19, tumeur, …)
Industrie: Détection de pannes dans une chaine de production
Catégorisation des images (reconnaissance d’objets)
Classification ( texte, image, vidéo, etc)
Filtrage des courriels indésirables
Assistants personnels virtuels comme Cortana et Alexa
Reconnaissance d'images sur Facebook
Moteurs de recommandation sur Google Search et Youtube 16
(Copilot)
CHAPITRE I: CONCEPTS FONDAMENTAUX
2- DOMAINE D’APPLICATION DE ML
17
CHAPITRE I: CONCEPTS FONDAMENTAUX
3- FACTEURS D’ÉMERGENCE DU MACHINE
LEARNING
Les éléments clés qui ont contribué à son développement
rapide au cours des dernières décennies.
1. Accroissement des données (Big Data) :
Avec l'essor d'internet, des réseaux sociaux et des appareils
connectés, le volume de données disponibles a explosé. Ces
données fournissent des exemples nécessaires pour entraîner
des modèles d'apprentissage automatique (ML).
2. Puissance de calcul :
L'amélioration significative des capacités matérielles (GPU,
TPU, etc.) permet d'entraîner des modèles plus grands et plus
complexes. Cela a ouvert la porte aux algorithmes
d'apprentissage profond (Deep Learning) qui nécessitent
beaucoup de puissance de calcul.
18
CHAPITRE I: CONCEPTS FONDAMENTAUX
3- FACTEURS D’ÉMERGENCE DU MACHINE
LEARNING
3. Avancées algorithmiques :
•Les nouvelles architectures de modèles comme les réseaux
neuronaux convolutifs (CNN) pour le traitement des images et
les réseaux neuronaux récurrents (RNN) pour le traitement du
langage ont permis des percées dans des domaines comme la
vision par ordinateur et le traitement du langage naturel.
4. Amélioration des frameworks et bibliothèques :
•Des outils comme TensorFlow, PyTorch, Scikit-learn, etc., ont
facilité la mise en œuvre des algorithmes de ML. Ces
bibliothèques rendent les concepts de machine learning plus
accessibles aux chercheurs et aux développeurs.
19
CHAPITRE I: CONCEPTS FONDAMENTAUX
3- FACTEURS D’ÉMERGENCE DU MACHINE
LEARNING
5. Investissements dans la recherche :
Les grandes entreprises technologiques (Google,
Microsoft, Facebook, etc.) et les universités ont investi
massivement dans la recherche et le développement en IA
et machine learning, stimulant ainsi les innovations.
6. Adoption industrielle :
L'intégration du ML dans les industries pour résoudre
des problèmes réels (recommandation de produits,
détection de fraudes, véhicules autonomes, etc.) a
également poussé le domaine à évoluer rapidement. Les
cas d'utilisation dans la finance, la santé, et le marketing,
par exemple, ont accéléré le développement.
20
CHAPITRE I: CONCEPTS FONDAMENTAUX
4- EXEMPLES DE TYPES DE PROBLÈME EN
MACHINE LEARNING
Exemple 1:
Supposons que nous voulions prédire le prix d'une nouvelle
maison en fonction de sa surface et de son emplacement.
Au cours de la phase d'apprentissage, le travail de nos
algorithmes d'apprentissage automatique (modèles) consiste à
trouver la relation entre les caractéristiques de la maison et le
prix.
Cette formation (training) est basée sur des centaines (ou
milliers ou millions!!!) de données contenant les prix des
maisons en fonction de leur surface et de leur emplacement.
21
CHAPITRE I: CONCEPTS FONDAMENTAUX
4- EXEMPLES DE TYPES DE PROBLÈME EN
MACHINE LEARNING
Exemple 1:
22
CHAPITRE I: CONCEPTS FONDAMENTAUX
4- EXEMPLES DE TYPES DE PROBLÈME EN
MACHINE LEARNING
Exemple 2
o Déterminer automatiquement la catégorie
visuelle de l’image
Catégorie: Tigre
23
CHAPITRE I: CONCEPTS FONDAMENTAUX
4- EXEMPLES DE TYPES DE PROBLÈME EN
MACHINE LEARNING
Exemple 3
Bases d’images médicales
Exemple: quelles images
indiquent une pathologie (but de
diagnostic)
Reconnaissance des visages
Exemple: Reconnaissance d’un
criminel à partir de son visage,
recherche des visages des acteurs
dans un film, vidéosurveillance,
biométrie.
24
CHAPITRE I: CONCEPTS FONDAMENTAUX
ON RÉSUME
Machine Learning vs IA vs Big Data
25
