1.
Machine Learning (ML)
Le Machine Learning consiste à entraîner des modèles à partir de données pour qu'ils
effectuent des tâches spécifiques. Ces modèles apprennent à repérer des motifs dans les
données et à généraliser pour prendre des décisions ou faire des prédictions sur de nouvelles
données.
Principaux types de Machine Learning :
a) Apprentissage supervisé
L'algorithme est formé à partir de données étiquetées, c'est-à-dire que chaque entrée a une
réponse correcte associée (output).
Objectif : Apprendre une relation entre les entrées (features) et les sorties (labels).
Exemples d'algorithmes : Régression linéaire, régression logistique, forêts aléatoires,
SVM.
b) Apprentissage non supervisé
Aucune étiquette n'est fournie, l'algorithme explore les données pour identifier des modèles
ou structures cachées.
Objectif : Identifier des regroupements (clustering) ou réduire les dimensions des
données.
Exemples d'algorithmes : K-means, algorithme des mélanges gaussiens, PCA
(analyse en composantes principales).
c) Apprentissage par renforcement
L'algorithme apprend par essais et erreurs, en interagissant avec un environnement. Il reçoit
des récompenses ou des pénalités pour ses actions.
Objectif : Maximiser les récompenses à long terme.
2. Deep Learning (DL)
Le Deep Learning est une sous-catégorie du ML qui repose sur des réseaux de neurones
artificiels (ANN) avec plusieurs couches (d'où le terme "deep" ou profond). Grâce à cette
profondeur, ces réseaux peuvent apprendre des représentations complexes des données.
Fonctionnement des réseaux de neurones :
Chaque neurone effectue un calcul simple, mais combiné avec des milliers (ou millions)
d'autres neurones, il permet de modéliser des relations complexes.
a) Réseaux de neurones convolutifs (CNN)
Spécialisés dans le traitement d'images. Ils utilisent des couches convolutives pour extraire
automatiquement des caractéristiques pertinentes (bords, textures, objets).
Applications :
o Reconnaissance d'images.
o Détection d'objets (voitures autonomes, surveillance).
b) Réseaux récurrents (RNN)
Adaptés pour traiter des données séquentielles, comme du texte, des séries temporelles ou
des sons. Ils conservent des informations sur les étapes précédentes grâce à des connexions
récurrentes.
Applications :
o Analyse de sentiment.
o Prédiction de séries temporelles.
c) Transformers
Une architecture récente qui a révolutionné le traitement des séquences (texte, audio). Elle
utilise des mécanismes d'attention pour capturer les relations entre les éléments d'une
séquence.
Applications :
o Traduction automatique (Google Translate).
o Modèles comme GPT (pour le texte) ou Whisper (pour l'audio).
Avantages du Deep Learning :
Capable d'exploiter de grandes quantités de données.
Élimine la nécessité de créer manuellement des "features" (caractéristiques).
Inconvénients :
Exige beaucoup de puissance de calcul (GPU/TPU).
Peut être difficile à interpréter ("boîte noire").
3. Transfer Learning
Le Transfer Learning est une méthode qui utilise un modèle pré-entraîné sur un problème
similaire pour résoudre un nouveau problème. C'est une technique très efficace,
particulièrement quand les données spécifiques sont limitées.
Pourquoi le Transfer Learning est utile ?
Entraîner un réseau de neurones de zéro nécessite beaucoup de données et de
ressources.
Les modèles pré-entraînés ont déjà appris des représentations générales (par ex., des
formes ou des motifs communs dans les images).
Étapes du Transfer Learning :
1. Choisir un modèle pré-entraîné :
o Exemples pour les images : VGG, ResNet, Inception (entraînés sur ImageNet).
o Exemples pour le texte : BERT, GPT (entraînés sur des corpus massifs).
2. Adapter au nouveau problème :
o Ajouter une ou plusieurs couches finales spécifiques à la nouvelle tâche.
o Geler certaines couches pour conserver les représentations déjà apprises.
3. Réentraîner le modèle (fine-tuning) :
o Utiliser vos données spécifiques pour ajuster légèrement les poids du modèle.
Applications :
Reconnaissance d'images médicales (radiographies, IRM).
Traduction dans des langues peu courantes (en partant de modèles comme GPT ou
BERT).
Détection d'objets spécifiques dans des vidéos.
1. Qu'est-ce que l'IA (Intelligence Artificielle) ?
L’IA désigne un ensemble de techniques permettant à des machines d’imiter des capacités
humaines comme :
Prendre des décisions.
Résoudre des problèmes.
Reconnaître des motifs (images, sons, etc.).
Apprendre à partir de données.
Fonctionnement général :
L'IA repose souvent sur des modèles complexes comme les réseaux neuronaux profonds
(deep learning).
Ces modèles peuvent être performants, mais ils fonctionnent comme des "boîtes noires" : ils
fournissent une réponse ou une décision sans expliquer clairement comment ou pourquoi ils
sont arrivés à ce résultat.
Problème principal de l'IA classique :
Bien que très efficace, elle est souvent difficile à comprendre pour les humains, ce qui peut
poser des problèmes dans :
La confiance des utilisateurs.
La validation dans des contextes critiques (médical, juridique, etc.).
L'identification des biais et erreurs.
2. Qu'est-ce que l'IA Explicable (XAI) ?
L’IA Explicable (ou Explainable AI, XAI) est une branche de l’IA qui vise à rendre les
systèmes d’intelligence artificielle transparents et compréhensibles pour les humains.
Objectifs principaux de la XAI :
1. Expliquer : Fournir une justification claire des prédictions ou des décisions prises par le
modèle.
2. Interpréter : Montrer quelles données ou caractéristiques ont influencé les résultats.
3. Accroître la confiance : Permettre aux utilisateurs de comprendre et de faire confiance aux
modèles IA.
4. Identifier les biais : Révéler les sources potentielles de discrimination ou d'erreurs dans le
modèle.
statistique
En Algérie, les maladies cardiovasculaires représentent la première cause de mortalité,
responsables d’un décès sur quatre(presque 36%). Parmi les facteurs de risque majeurs
figurent l'hypertension artérielle (36 % des adultes), le tabagisme (17 %), le diabète (6,8 %),
et l’obésité qui touche 51 % des adultes, avec une prévalence plus élevée chez les femmes
(66 % contre 40 % chez les hommes). L'hypercholestérolémie affecte environ 16 % des
adultes, augmentant le risque de maladies comme l'athérosclérose et les crises cardiaques.
