Types d'algorithmes en

intelligence artificielle:
En intelligence artificielle (IA), différents types d’algorithmes sont
utilisés, selon le problème à résoudre, les données disponibles et le
contexte dans lequel la solution sera appliquée. Certains des
principaux types d’algorithmes utilisés en IA sont les suivants :
Sections

01 Algorithmes d’apprentissage supervisé

02 Algorithmes d’apprentissage non supervisé

 L’apprentissage supervisé vs L’apprentissage non supervisé

Algorithmes d’apprentissage supervisé:

Bien que les deux types d’apprentissages relèvent de l’intelligence

artificielle, dans le premier cas un chercheur est là pour “guider”
l’algorithme sur la voie de l’apprentissage en lui fournissant des
exemples qu’il estime probants après les avoir préalablement étiquetés
des résultats attendus. L’intelligence artificielle apprend alors de chaque
exemple en ajustant ses paramètres (les poids des neurones) de façon à
diminuer l’écart entre le résultats obtenus et le résultats attendus. La
marge d’erreur se réduit ainsi au fil des entraînements, avec pour but, d’
être capable de généraliser son apprentissage à de nouveaux cas.
 L’apprentissage supervisé vs L’apprentissage non supervisé

Algorithmes d’apprentissage non supervisé:

Dans le cas de l’apprentissage non supervisé, l’apprentissage par la

machine se fait de façon totalement autonome. Des données sont alors
communiquées à la machine sans lui fournir les exemples de résultats
attendus en sortie.

Si cette solution semble idéale sur le papier car elle ne nécessite pas de
grands jeux de données étiquetés (dont les résultats attendus sont
connus et communiqués à l’algorithme), il est important de comprendre
que ces deux types d’apprentissages ne sont par nature pas adaptés
aux mêmes types de situations.
01
Algorithmes d’apprentissage
supervisé
Définition

▪ L'apprentissage supervisé consiste à développer des

algorithmes capables de concevoir un modèle de
perception a partir de données annotées.

▪ L'apprentissage supervisé utilise des jeux de

données étiquetés.
Définition
● L'apprentissage supervisé utilise un jeu d'entraînement pour
apprendre aux modèles à produire les résultats souhaités. Ce
jeu de données d'apprentissage comprend des entrées et des
sorties correctes, qui permettent au modèle d'apprendre au fil
du temps.

● L'apprentissage supervisé utilise des données étiquetées.

 Catégories d'apprentissage supervisé
1. Régression linéaire et logistique :
✔ La régression linéaire et logistique utilisé pour prédire une variable
continue ou catégorielle, respectivement.
✔ La régression est utilisée pour comprendre la relation entre les
données dépendantes et indépendantes. Elle est couramment utilisée
pour faire des projections.
 Catégories de l'apprentissage supervisé

2. Machines à vecteurs de support (SVM)

✔ Les machines à vecteurs de support ou séparateurs à vaste
marge (support-vector machine) utilise la classification et la régression sur
des données complexes.
✔ un ensemble de techniques d'apprentissage supervisé destinées à
résoudre des problèmes de discrimination (prudence) et de régression.
✔ SVM utilisé pour de nombreux problèmes, tels que les
applications médicales de traitement du signal, le traitement du langage
naturel, la reconnaissance vocale et la reconnaissance d'images.
 Catégories de l'apprentissage supervisé
3. Arbres de décision.
✔Un arbre de décision représente la suite de questions à poser pour
pouvoir classifier un nouvel exemple.
✔Le but consiste à obtenir une classification en posant le moins possible
de questions
✔Par exemple, on dira que l’attribut A apporte plus d’information,
respectivement à la classification des exemples que B.
⇒ Nous avons donc besoin de quantifier l’information apportée par
chaque attribut.
 02
Algorithmes d'apprentissage non
supervisé
 Définition:

L'apprentissage non supervisé utilise des données non étiquetées.

Tres cosas que he aprendido
À partir de ces données, il découvre des modèles qui aident à
résoudre les problèmes
Dos de regroupement
cosas ou d'association. Cette
que debo mejorar
méthode est particulièrement utile lorsque les experts de domaine ne
Una pregunta que quieras consultar
sont pas certains des propriétés communes d'un jeu de données.
● Dans le cas de l'apprentissage non supervisé, des algorithmes de ML
sont utilisés pour examiner et regrouper des jeux de données non
étiquetés. Ces algorithmes peuvent révéler des schémas inconnus
dans les données sans aucune supervision humaine.
Catégories d’apprentissage non supervisé
● On peut considérer l’apprentissage non
supervisé comme étant séparé en deux
catégories:

Le clustering : L’association :
 Le clustering : L’association :

● Le clustering c’est pour regrouper des ● La méthode d'association de

données non étiquetées dans grappes ou l'apprentissage non supervisé est
groupes. intéressante pour trouver des relations
● Le clustering est une technique entre les variables d'un jeu de données.
d’apprentissage non supervisé, qui groupe Par exemple c'est la technique utilisée
des données non-étiquetées en fonction pour créer le message de type « les autres
de leurs similarités et de leurs différences. clients ont également consulté ». Elle est
Ainsi, les points sont rassemblés dans des particulièrement adaptée aux moteurs de
groupes (ou des clusters) de telle manière recommandation. Si 15 clients ayant
à ce que les points au sein d’un même acheté un nouveau téléphone ont
groupe soient le plus similaire possible, également commandé un casque, les
pendant que les points dans des groupes algorithmes recommandent un casque à
différents soient les plus différents tous les clients qui mettent un téléphone
possible. dans leur panier.
Quel est le but de la supervision en IA?
Donner des exemples d’applications de
l'apprentissage non supervisé.