Module IAS1122 : Méthodes de l’IA

Master 2 Informatique médicale et Sciences des données

Relwende Aristide YAMEOGO. MD - MPH - PhD

CHR de Koudougou
Laboratoire UMR IDEES Le Havre

23 novembre 2020
 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Système Expert

Système Expert
Les systèmes experts ou systèmes à base de règles (de production)
sont des systèmes à base de connaissances dans lesquels les
contenus de la base de connaissances se réfèrent au savoir et au
savoir-faire des hommes de métier

Mode de raisonnement basé sur la déduction

Règle de production constituée d’une prémisse et d’une
conclusion
Si condition(s) alors conclusion(s)

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Système Expert
Trois modules séparées et interdépendants

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Système Expert

Chainage
le chaînage avant : la règle est déclenchée par la partie
prémisse et la conclusion en résulte. On part des données
disponibles dans la base de faits, et on teste pour chaque règle
si elle peut s’appliquer ou non.
le chaînage arrière : la règle est déclenchée par la partie
conclusion ; pour valider la règle, il faut que la prémisse soit
un fait connu.
le chaînage mixte

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Système Expert

Puissance du système expert

I la quantité de connaissance traitée
I la manière de les représenter : la base de faits et la base de
règles
I la manière de les exploiter : le moteur d’inférence
Des moteurs de règles open source
I CLIPS : moteur de règles dans le domaine public
I Drools : distribué par RedHat
I DTRules : moteur de règles en Java
I Gandalf : moteur de règles tournant sur PHP

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Logique floue

Logique floue
Le terme d’ensemble flou apparaît pour la première fois en 1965
lorsque le professeur Lotfi A. Zadeh, de l’université de Berkeley aux
USA, publie un article intitulé « Ensembles flous » (Fuzzy sets)
(ZADEH, 1965). C’est une technique de l’IA déterministe
permettant de prendre des décisions. Elle permet ainsi d’avoir un
comportement cohérent et reproductible en fonction des règles
fournies.

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Logique floue

Les avantages de la logique floue

I formaliser et simuler l’expertise d’un opérateur ou d’un
concepteur dans la conduite et le réglage d’un procédé
I donner une réponse simple pour les procédés dont la
modélisation est difficile
I prendre en compte sans discontinuité des cas ou exceptions de
natures différentes, et les intégrer au fur et à mesure dans
l’expertise
I prendre en compte plusieurs variables et effectuer de la «
fusion pondérée » des grandeurs d’influence

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Logique floue

Pour que l’utilisation de règles floues puisse être envisagée, il faut

impérativement qu’il existe une expertise, un savoir-faire humain.
Les bases de règles floues n’apportent pas de solution quand
personne ne sait comment fonctionne le système ou ne peut le
piloter manuellement

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Logique floue

Logique booléenne et logique floue

Figure – Comparaison logique booléenne et logique floue

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Logique floue

Fonction d’appartenance

Pour que l’utilisation de règles floues puisse être envisagée, il faut

impérativement qu’il existe une expertise, un savoir-faire humain.
Les bases de règles floues n’apportent pas de solution quand
personne ne sait comment fonctionne le système ou ne peut le
piloter manuellement

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Logique floue
Fonction d’appartenance

Figure – Fonction d’appartenance d’un sous-ensemble flou et classique

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Logique floue

Caractéristiques d’un ensemble flou

Figure – Caractéristiques d’un ensemble flou

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Logique floue
Types de fonction d’appartenance

Figure – Triangle Figure – Trapézoide

Figure – Demi trapèze droite Figure – Demi trapèze gauche

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA
 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Logique floue

Types de fonction d’appartenance

Figure – Gaussienne Figure – Sigmoide

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Logique floue

Variables linguistiques

Définitions
Une variable linguistique est représentée par un triplet (V, X, Tv),
dans lequel V est une variable (âge, fréquence cardiaque, tension
artérielle) définie sur un ensemble de référence X (ensemble des
nombres entiers, des réels . . . ), sa valeur pouvant être m’importe
quel élément de X.

« Variable linguistique » EST « valeur linguistique ».

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Logique floue
Variables linguistiques

Figure – Tension artérielle

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA
 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Logique floue
Variables linguistiques

Figure – Fréquence cardiaque

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Logique floue
Variables linguistiques

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Logique floue

Fuzzification

L’étape de fuzzification a pour but de transformer une donnée

numérique en entrée en sous-ensemble flou. Pour cela, le
concepteur du système flou doit utiliser des fonctions
d’appartenances. Les différentes règles possèdent toutes une
implication (la clause alors). Il va donc falloir exprimer à quel point
la règle doit être appliquée en fonction des valeurs numériques
mesurées.

SI Fréquence cardiaque ET Variation de la tension artérielle

systolique ALORS Risque d’embolie pulmonaire

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Logique floue

Fuzzification

Figure – Règles d’inférence possibles

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Logique floue

Fuzzification
Exemple
par exemple un patient qui a une fréquence cardiaque à 90
battements par minute et une variation de la tension artérielle
systolique à – 37 mmHg. Pour la variable linguistique « Fréquence
cardiaque », la valeur appartient à normocardie dans 50% et
tachycardie dans 50%. Pour la variable linguistique « Variation de
la tension artérielle systolique », la valeur appartient à chute dans
70% et stable dans 30%. Ce qui nous permet de déduire quatre
règles d’inférence (1, 2, 4 et 5).

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Logique floue

Fuzzification

Figure – Exemple d’inférence

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Logique floue

Fuzzification
Opérateur d’implication de Mamdani
l’agrégation qui est l’évaluation des conditions associées aux
règles d’inférence, l’union étant caractérisée par l’opérateur de
maximisation et l’intersection par la minimisation
l’activation qui est l’évaluation de chaque inférence, et
l’application de la relation d’inférence de Mamdani
l’agrégation des conclusions qui est l’obtention de la fonction
d’appartenance finale à partir du maximum des fonctions
d’appartenance

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Logique floue

Fuzzification

Figure – Inférence de Mamdani

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Logique floue

Défuzzification
Deux étapes :
d’abord, il faut fusionner les variables linguistiques communes
à l’aide d’un opérateur de la logique floue choisi par le
concepteur du système. Si on a plusieurs règles d’inférences
qui génèrent plusieurs valeurs de la même variable
linguistique, on peut choisir un opérateur pour combiner les
valeurs de la variable.

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Logique floue

Défuzzification
Deux étapes :
ensuite, on a des variables linguistiques qui caractérisent une
seule et même donnée. Ces variables linguistiques possèdent
chacune une fonction d’appartenance. Défuzzifier la donnée
revient donc à trouver la meilleure valeur quantitative en
fonction des fonctions d’appartenances des variables
linguistiques.

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Logique floue

Défuzzification

Figure – Agrégation des conclusions

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Logique floue

Défuzzification
Méthode de la moyenne des maximas
La méthode de la moyenne des maximas revient à prendre
l’abscisse correspondant à la moyenne des abscisses ayant pour
ordonnée la valeur maximale des fonctions d’appartenances.

Méthode du barycentre
La défuzzification par le barycentre, plus complexe, consiste à
chercher le barycentre de la forme obtenue. Cette méthode consiste
à calculer l’abscisse du centre de gravité de la surface formée par
l’intersection de la courbe caractéristique de la fonction obtenue et
l’axe des abscisses. Cette valeur retournée est la solution.

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Logique floue
Défuzzification

Figure – Méthodes de la moyenne des maximas

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA
 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Logique floue
Défuzzification

Figure – Méthode Module

Relwende Aristide YAMEOGO. MD - MPH - PhDdu barycentre
IAS1122 : Méthodes de l’IA
 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Système multi-agents (SMA)

Système multi-agents
Les concepts d’agents et de SMA sont apparus dans les années
quatre-vingt. La motivation du domaine des SMA relativement
récent est d’essayer de réaliser des entités artificielles (programmes,
robots) qui simulent le comportement humain et la façon dont les
hommes interagissent entre eux et avec leur environnement.

Les disciplines en jeu dans les SMA

I l’intelligence artificielle distribuée
I les systèmes distribués
I le génie logiciel

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Système multi-agents (SMA)

Intelligence artificielle distribuée

L’intelligence artificielle distribuée (IAD) se définit comme la
branche de l’IA qui s’intéresse à la modélisation de comportement
intelligent d’un ensemble d’agents opérant collectivement et de
façon décentralisée pour parvenir à un objectif global. Elle propose
une distribution de l’expertise sur un groupe d’agents, non soumis
à un contrôle centralisé, devant être capable de travailler et d’agir
dans un environnement commun et de résoudre des problèmes

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Système multi-agents (SMA)

Système distribué
Un système distribué est un ensemble d’entités autonomes de
calcul (ordinateurs, PDA, processeurs, processus, processus léger
etc.) interconnectées et qui peuvent communiquer. La technologie
distribuée permet au SMA de se focaliser sur les couches
supérieures du logiciel et de mettre en évidence leur
plus-value-réelle : la prise de décision distribuée et coopérative,
l’autonomie, l’adaptabilité,

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Système multi-agents (SMA)

Pour une mise en oeuvre de l’intelligence sociale

I un environnement, correspondant aux problèmes que l’on
cherche à résoudre
I des objets fixes ou non, étant des obstacles ou des points
d’intérêt, dont la présence est facultative
I des agents, aux comportements simples
Le but de l’algorithme n’est jamais réellement codé, la solution
va émerger de l’interaction de tous ces éléments entre eux

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Système multi-agents (SMA)

Agent
I Agent vient de « agri » : un agent est donc une entité
susceptible d’action
I Un agent sera dit rationnel si le choix de ses actions est asservi
à la satisfaction de ses besoins, ce qui sous-entend
implicitement, qu’un agent rationnel possède des désirs, des
souhaits, des buts
I Agent rationnel = un système intentionnel

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Système multi-agents (SMA)

Système intentionnel
La notion de système intentionnel sert à décrire des entités
naturelles ou artificielles trop complexes pour que l’on ne maitrise
toutes les déterminations, et à qui l’on prête des « intentions », au
sens précédent, c’est-à-dire des affects, des préférences, des buts,
. . . relatifs aux objets du monde, afin d’en prévoir le comportement

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Système multi-agents (SMA)

Définition d’un agent selon Ferber

un agent est « une entité autonome, réelle ou abstraite, qui est
capable d’agir sur elle-même et sur son environnement, qui, dans
un univers multiagent, peut communiquer avec d’autres agents, et
dont le comportement est la conséquence de ses observations, de
ses connaissances et des interactions avec les autres agents »

Définition d’un agent selon Jennings, Sycara et Wooldridge

un agent est un système informatique, situé dans un
environnement, et qui agit d’une façon autonome et flexible pour
atteindre les objectifs pour lesquels il a été conçu

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Système multi-agents (SMA)

Principales caractéristiques d’un agent
I l’autonomie : un agent contrôle son état interne et ses actions.
Il est capable d’agir sans l’intervention d’un tiers
I la réactivité : un agent perçoit son environnement et réagit à
ses changements
I la pro activité ; un agent tend par lui-même à atteindre des
buts (explicites ou non, plus ou moins élaborés)
I la sociabilité : un agent interagit avec d’autres agents du
système quand la situation l’exige afin de compléter ses tâches
ou aider ces agents à compléter les leurs
I la capacité de répondre à temps : l’agent doit être capable
d’élaborer une réponse dans les temps requis
les caractéristiques des agents permettent de définir une
typologie des agents en fonction de leur capacité de
raisonnement
Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA
 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Système multi-agents (SMA)

Agent réactif
les agents réactifs, souvent qualifiés de peu intelligents, possèdent
une représentation très simplifiée de leur environnement. Leurs
capacités consistent à réagir uniquement en mode stimulus/action
vu comme une forme de communication (ou perception).

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Système multi-agents (SMA)

Agent cognitif
les agents cognitifs possèdent une représentation partielle mais
sophistiquée de leur environnement, ont des buts explicites et sont
capables de planifier leur comportement, de mémoriser leurs
actions passées, de communiquer par envoi de messages ou via des
langages d’interactions élaborés, de négocier
Les agents cognitifs peuvent être
intentionnels (dotés d’attitudes intentionnelles telles que les
croyances, les désirs et les intentions),
rationnels (agissant selon une rationalité donnée telle que la
rationalité économique), normés (agents évoluant dans un
système doté de normes sociales)

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Système multi-agents (SMA)

Eléments de mesure de la rationalité

I la mesure de performance qui définit le degré de succès d’un
agent
I l’historique de la perception d’un agent
I la connaissance de l’agent à propos de son environnement
I les actions qu’un agent peut effectuer
Un agent rationnel idéal est défini comme : « pour tout
historique possible de sa perception, cet agent effectuera
l’action dont les connaissances dont il dispose permettent de
penser qu’elle maximise sa performance »

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Système multi-agents (SMA)

Espace d’un SMA : trois axes obligatoires

I l’axe cognitif fait référence aux aptitudes cognitives d’un
agent telles que l’apprentissage, la prise de décision, la
planification autonome qui permettent aux agents de s’adapter
aux changements potentiels de leur environnement
I l’axe d’interaction fait référence aux mécanismes de
communication entre agents qui leur permettent d’échanger de
l’information, de partager des objectifs et de coopérer dans le
cadre de la résolution des conflits et des négociations
I l’axe de concurrence signifie que les agents peuvent
s’exécuter en parallèle et mener des activités concurrentes.
Ceci permet aux agents de distribuer la résolution des tâches
et de l’optimiser, ou enfin de concourir à
l’affectation/résolution de tâches.

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Système multi-agents (SMA)

Algorithmes couramment utilisés

Algorithme de meutes
L’algorithme de meutes : à partir de quelques règles simples, il est
possible de simuler des comportements de meutes ou de groupes.
Craig Reynolds crée ainsi en 1986 les boids, des créatures
artificielles évoluant en groupe

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Système multi-agents (SMA)

Algorithmes couramment utilisés

Optimisation par colonie de fourmie

L’optimisation par colonie de fourmis est directement inspirée du
fonctionnement des fourmis éclaireuses. Le but est donc de trouver
une solution optimale grâce à la stigmergie . Cette technique a été
créée par Marco Dorigo en 1992.

Stigmergie
En biologie, la stigmergie est un mécanisme de coordination
indirecte entre les agents. Le principe est que la trace laissée dans
l’environnement par l’action initiale stimule une action suivante,
par le même agent ou un agent différent.

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Système multi-agents (SMA)

Algorithmes couramment utilisés

Système immunitaire artificiel

Les systèmes immunitaires artificiels s’inspirent des systèmes
naturels des vertébrés (comme le nôtre). En effet, plusieurs cellules
collaborent pour déterminer le soi et le non soi, et attaquer ce qui
a été déterminé comme étranger (virus, bactéries, champignons,
voire poisons). Les systèmes immunitaires artificiels font donc
évoluer, dans un environnement donné, différents agents de
défense. Chacun connaît un ensemble de menaces, qu’il sait
détecter (et combattre si nécessaire). Ces agents peuvent être
créés aléatoirement au départ

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Système multi-agents (SMA)

Algorithmes couramment utilisés

Automate cellulaire
L’automate cellulaire : son environnement est une grille régulière.
Chaque agent est situé sur une des cases de la grille et ne peut en
bouger. Il possède différents états possibles (par exemple des
couleurs). À chaque itération, il va pouvoir changer d’état en
suivant quelques règles simples toujours basées sur les états de ses
voisins proches. La grille va donc évoluer au cours du temps

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Système multi-agents (SMA)

Utilisations
I Contrôle du trafic aérien
I Surveillance continue des patients en USIC
I SADM
Difficultés
I le codage
I le choix de l’environnement
I le choix des agents et surtout de leurs caractéristiques

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Définitions

Machine Learning
Le machine learning est une méthode d’analyse de données
permettant d’automatiser le développement de modèle analytique.
Par le biais d’algorithmes capables d’apprendre de manière
itérative, le machine learning permet aux ordinateurs de découvrir
des insights cachés sans être programmés pour savoir où les
chercher..

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Définitions

Deep Learning
Le deep learning, ou apprentissage profond, fait référence à un type
d’intelligence artificielle, qui lors d’analyses complexes, les
caractéristiques essentielles du traitement des données ne seront
plus identifiées par un traitement humain dans algorithme
préalable, mais directement par l’algorithme de deep learning.

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Définitions

Système d’information autonome

Le système d’information autonome est un modèle de système de
décision dont les opérations consistent à coordonner de
nombreuses décisions d’actions que le système doit prendre à
chaque instant t, en tenant compte des informations endogènes (sa
propre activité et régulation) et exogènes : les informations
provenant de l’environnement (entrées) et ses actions décidées
pour tenter d’agir sur l’environnement (sorties)

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Définitions

Algorithme
Le Petit Robert 2014 définit le mot « algorithme » comme « suite
finie, séquentielle de règles que l’on applique à un nombre fini de
données, permettant de résoudre des classes de problèmes
semblables » ; « ensemble des règles opératoires propres à un calcul
ou à un traitement informatique », « Calcul, enchaînement des
actions nécessaires à l’accomplissement d’une tâche »

Prédiction
La prédiction consiste à faire l’hypothèse d’un événement futur en
se fiant aux données observables du passé ou du présent

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Mode d’apprentissage

Apprentissage supervisé

Apprentissage supervisé
L’apprentissage supervisé qui est un type de machine learning dont
le but est d’apprendre à faire des prédictions, à partir d’une liste
d’exemples étiquetés, c’est-à-dire accompagnés de la valeur à
prédire. Les étiquettes servent de modèles d’enseignement et
supervisent l’apprentissage. le système exploite les exemples et
acquiert la capacité à les généraliser ensuite sur de nouvelles
données de production.

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Mode d’apprentissage

Figure – Apprentissage supervisé

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Mode d’apprentissage

Apprentissage non supervisé

Apprentissage non supervisé

L’apprentissage non supervisé où les données ne sont pas
étiquetées. Il faut alors modéliser les observations pour mieux les
comprendre. Le système ne dispose pas de retour explicite sur ses
actions

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Machine Learning et Deep Learning

Mode d’apprentissage

Figure – Apprentissage non supervisé

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Mode d’apprentissage

Apprentissage par renforcement

L’apprentissage par renforcement est un mode d’apprentissage où
le système peut interagir avec son environnement et accomplir des
actions. Le système apprend par des mécanismes de récompenses
et de punitions. L’apprentissage consiste dans ce cas à définir une
stratégie permettant d’obtenir le meilleur résultat possible. C’est
une forme d’apprentissage supervisé incrémental qui utilise des
données arrivant au fil de l’eau pour modifier le comportement du
système

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Différents types de méthodes

Régression linéaire

Une régression permet de prédire une valeur numérique y en

fonction d’une valeur x à partir d’un jeu d’entraînement
constitué de paires de données (x, y). x peut être une seule
valeur numérique ou une combinaison de valeurs (vecteur ou
matrice de données)
Cet algorithme cherche à établir, sous forme d’une droite, une
relation entre une variable expliquée et une variable
explicative. Par exemple, prédire la taille d’une personne
(variable expliquée) en fonction de son âge (variable
explicative).

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Différents types de méthodes

Régression linéaire

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Différents types de méthodes

Régression linéaire

La normalisation ou la mise à l’échelle (scaling) est une étape

importante et va donc consister à faire en sorte que la
moyenne de chaque série d’observations soit égale à 0, que la
variance et l’écart-type soient égaux à 1.
Cette méthode est également appelée centrage de réduction.
Cette méthode permet de faire la prédiction grâce à la
méthode de descente de gradient ou à la méthode des
moindres carrés).

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Différents types de méthodes

Régression linéaire

Méthode de descente de gradient

La méthode de descente de gradient : Lorsqu’un système est en
phase d’apprentissage, il commet des erreurs. Le taux d’erreur
diminue au fur et à mesure de l’apprentissage, mais il se peut qu’à
un moment donné l’erreur augmente pour à nouveau diminuer et
atteindre un niveau d’erreur plus bas que le précédent qui est le
niveau optimal d’apprentissage.

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Différents types de méthodes

Régression linéaire

Méthode des moindres carrés

La méthode des moindres carrés consiste à trouver la droite qui
minimise l’écart entre les points théoriques et les points pratiques
(mesures réelles). Le point théorique qui correspond au point
pratique est celui situé sur la droite de régression à la même
abscisse. La méthode consiste à prendre la somme des écarts au
carré, et à les minimiser

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Différents types de méthodes

Régression polynomiale

Il est parfois difficile de trouver une droite pouvant passer parmi les
points de la série d’observations de façon optimale. Cependant, il
est parfois possible de trouver un lien entre les variables à l’aide
d’une courbe. C’est ce que permet la régression polynomiale en
ajoutant des plis à la courbe à l’aide d’éléments appelés polynômes

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Différents types de méthodes

Régression polynomiale

Figure – Régression polynomiale

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Différents types de méthodes

Régression logistique

Elle utilise, quant à elle, une fonction logistique encore appelée

sigmoïde ou courbe en S. Ce type d’algorithme est à appliquer
dans des problèmes de classification. La régression logistique a
pour but d’isoler les effets de chaque variable, c’est-à-dire
d’identifier les effets résiduels d’une variable explicative sur une
variable d’intérêt, une fois pris en compte les autres variables
explicatives introduites dans le modèle

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Différents types de méthodes

Régression logistique

Figure – Régression logidtique

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Différents types de méthodes

Régression logistique

Deux types de compromis

le biais du modèle est la capacité du modèle à représenter la
réalité
la variance de l’apprentissage est l’erreur induite par la
sensibilité du modèle aux fluctuations de l’échantillon
d’apprentissage).

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Différents types de méthodes

Arbre de décision

Les arbres de décision exploitent des critères discriminants, comme

dans un moteur de règles. Ils permettent de classifier en effectuant
une série de tests. Chaque nœud interne correspond à un test sur
la valeur de l’un des attributs d’entrée, et les branches partant de
ce nœud sont étiquetées avec les valeurs possibles de cet attribut

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Différents types de méthodes

Arbre de décision

Figure – Arbre de décision

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA
 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Différents types de méthodes

Random forest ou forêt aléatoire

Pour chaque test, on partage l’ensemble des données en

sous-ensembles et on effectue la moyenne des valeurs de ces
sous-ensembles en guise de prédiction
Son fonctionnement consiste à apprendre en parallèle sur
plusieurs arbres de décisions construits aléatoirement et
entraînés sur des sous-ensembles contenant des données
différentes
Chaque arbre propose alors une prédiction et la prédiction
finale consiste à réaliser la moyenne de toutes les prédictions
La complexité dans l’utilisation de cet algorithme est de
trouver le bon nombre d’arbres à utiliser

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Différents types de méthodes

Machine à vecteurs de support (Support Vector Machine (SVM))

Le SVM est un algorithme puissant utilisé aussi bien dans les

cas de classification que de régression
Son objectif est de déterminer une frontière afin de séparer les
observations en groupes distincts tout en maximisant la marge
de séparation
Les observations les plus proches de la frontière sont appelées
des vecteurs de supports
Les SVM mémorisent tous les exemples d’apprentissages et
peuvent avoir besoin de tous les stocker

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Différents types de méthodes

Machine à vecteurs de support (Support Vector Machine (SVM))

Figure – Machine à vecteurs de support

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Différents types de méthodes

K-Nearest Neighbours (k-NN)

L’algorithme K-Nearest Neighbours est un algorithme de

classification visant à déterminer pour une observation donnée
son groupe d’appartenance à partir du groupe d’appartenance
de ses K plus proches voisins. K étant le nombre de voisins à
considérer
La fonction de décision s’exprime en fonction des données
observées et non pas comme une formule analytique fonction
des variables. La procédure d’apprentissage consiste à stocker
les données du jeu d’entraînement et ne comporte aucun
calcul ; mais peut devenir un facteur limitant dans le cadre des
grandes bases de données

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Différents types de méthodes

Naive Bayes

Naive Bayes est un algorithme de classification fondé sur les

probabilités.
Naive Bayes se base sur le Théorème de Bayes fondé sur les
probabilités conditionnelles, c’est-à-dire la détermination de la
probabilité qu’un évènement se produise en fonction d’un
évènement qui s’est déjà produit
À chaque hypothèse de départ, on associe une probabilité.
L’observation d’une ou de plusieurs instances peut modifier
cette probabilité. On peut parler de l’hypothèse la plus
probable au vu des instances observées.
Les probabilités bayésiennes présupposent l’indépendance des
attributs utilisés
Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA
 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Différents types de méthodes

K-Moyennes (K-Means)

L’algorithme des K-Moyennes (K-Means) est un des

algorithmes de clustering
Le clustering, le partitionnement ou la segmentation
automatique est une méthode d’apprentissage non supervisé
qui permet à partir d’un jeu de données non labellisé
d’identifier des groupes de données proches les unes des
autres, les clusters de données
Les méthodes de clustering permettent d’identifier les
paramètres discriminants de ces différents segments

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Différents types de méthodes

K-Moyennes (K-Means)

Après avoir indiqué à l’algorithme le nombre de clusters à

trouver, celui-ci tente par itérations successives de déterminer
des centroïdes (un par cluster) autour desquels il est possible
de regrouper les données
Ces regroupements s’effectuant en calculant la distance de
chaque observation par rapport à un point central de
regroupement appelé centroïde et permettant ainsi de classer
les observations en plusieurs groupes de façon automatique
La méthode des K-Means cherche à minimiser la variance
intracluster afin de créer des clusters homogènes.

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Différents types de méthodes

Réseaux de neurones

Perceptron
Le perceptron, réalisé en 1957 par Frank Rosenbalt, est un
algorithme d’apprentissage supervisé. Le perceptron sous sa forme
la plus simple est également nommé neurone formel et a pour but
de séparer des observations en deux classes (ou groupes) distinctes
à condition que ces données soient linéairement séparables. Son
rôle est donc de classifier

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Différents types de méthodes

Réseaux de neurones

Figure – Activation neuronale

Figure – Neurone

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Différents types de méthodes

Réseaux de neurones

Un neurone reçoit des entrées et fournit une sortie, grâce à

différentes caractéristiques :
des poids accordés à chacune des entrées, permettant de
modifier l’importance de certaines entrées par rapport aux
autres
une fonction d’agrégation, qui permet de calculer une unique
valeur à partir des entrées et des poids correspondants
un seuil (ou biais), permettant d’indiquer quand le neurone
doit agir
une fonction d’activation, qui associe à chaque valeur agrégée
une unique valeur de sortie dépendant du seuil

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Différents types de méthodes

Réseaux de neurones

Figure – Reseau de neurone à une

Figure – Principe de fonctionnement
couche

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Différents types de méthodes

Réseaux de neurones

Fonction d’agrégation
Le but de cette fonction est de transformer l’ensemble des
entrées et des poids en une seule valeur, qui sera utilisée pour
la fonction d’activation. Les deux plus courantes sont :
I la somme pondérée : on va simplement faire la somme de
toutes les entrées (E) multipliées par leur poids (w)
I Le calcul des distances : on va comparer les entrées aux poids
(qui sont les entrées attendues par le neurone), et calculer la
distance entre les deux. La distance est la racine carrée de la
somme des différences au carré

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Différents types de méthodes

Réseaux de neurones

Fonction d’activation
L’activation du neurone artificiel est déclenchée en fonction
d’un seuil comme le neurone biologique
I La première étape dans la détermination de l’activation ou non
d’un neurone artificiel est de réaliser la somme des poids
synaptiques avec les valeurs d’entrées
I Une fois cette somme réalisée, on utilise une fonction
d’activation qui va permettre de déterminer si le neurone doit
s’activer ou non. Cette activation sera en fait la prédiction du
neurone.

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Différents types de méthodes

Réseaux de neurones

Fonction d’activation
Pour calculer cette prédiction, il existe plusieurs fonctions
utilisables :
I la fonction de seuil binaire : cette fonction retourne une valeur
égale à 0 quand le seuil d’activation défini n’est pas atteint ou
1 quand le seuil est atteint.
I la fonction sigmoïde dont les changements de valeurs entre 0
et 1 sont plus progressifs. La formule mathématique de cette
fonction donne naissance à la courbe en S.
I la fonction tangente hyperbolique est une fonction sigmoïde.
Elle présente cependant l’avantage que pour toute valeur
négative celle-ci reste ou devient fortement négative

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Différents types de méthodes

Réseaux de neurones

Fonction d’activation
Pour calculer cette prédiction, il existe plusieurs fonctions
utilisables :
I la fonction ReLU (Rectified Linear Unit, unité de rectification
linéaire) : La fonction ReLU pallie ce problème de saturation
des fonctions sigmoïdes et hyperboliques via un
fonctionnement assez simple. Si la valeur issue de la somme
pondérée est inférieure à 0, celle-ci prend la valeur 0, sinon elle
prend la valeur de la somme calculée
I la fonction softMax attribue des probabilités décimales à
chaque classe d’un problème à plusieurs classes. La somme de
ces probabilités décimales doit être égale à 1. Ce type de
fonction d’activation est généralement utilisé dans un réseau
de neurones multicouche et dans le cas de classifications multi
classes
Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA
 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Différents types de méthodes

Réseaux feed-forward

Les réseaux de type feed-forward ou à couches permettent de

dépasser les limites des perceptrons
Dans les réseaux feed-forward l’information ne peut aller que
des entrées aux sorties, sans revenir en arrière
Le nombre de couches cachées et le nombre de neurones de
chaque couche sont à choisir par l’utilisateur (généralement en
faisant des tests sur plusieurs valeurs)
On parle de deep learning quand le nombre de couches est
important (à partir de trois ou quatre couches cachées).
Dans le cas des réseaux feed-forward, il existe un
apprentissage possible par rétro propagation du gradient

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Différents types de méthodes

Réseaux feed-forward

Figure – Réseau de neurones multicouches

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Différents types de méthodes

Réseaux feed-forward

Retro propagation
Le principe de l’apprentissage par rétro propagation est de corriger
tout d’abord les poids entre les neurones de sortie et les neurones
cachés, puis propager l’erreur en arrière et corriger les poids entre
les neurones cachés et les entrées.

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Différents types de méthodes

réseaux de neurones convolutifs ou Convolution Network Neurone (CNN)

Ils sont très adaptés pour travailler sur des images et des vidéos, le
traitement de langage naturel et les systèmes de
[Link] réseaux sont composés de multiples couches
avec des rôles différents
les couches de convolution, qui traitent des parties de l’image
(extracteurs de caractéristiques)
les couches de pooling (qui combinent les sorties des couches
de convolution pour en détecter des fonctionnalités de plus
haut niveau)
les couches plus classiques de classification (souvent avec la
fonction ReLU comme fonction d’activation)

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Différents types de méthodes

réseaux de neurones convolutifs ou Convolution Network Neurone (CNN)

Un traitement correctif non linéaire est appliqué entre chaque

couche pour améliorer la pertinence du résultat. L’ensemble
des sorties d’une couche permet de reconstituer une image
intermédiaire dite de « carte de caractéristique » (feature
map), qui sert de base à la couche suivante
Ces réseaux sont cependant très durs à entraîner en partant
de 0. Généralement, on utilise un réseau connu pré entraîné,
et on ne fera que de l’entraînement sur notre jeu de données
sur quelques générations. Cette utilisation d’un réseau existant
s’appelle transfert learning ou apprentissage par transfert.

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Différents types de méthodes

réseaux de neurones convolutifs ou Convolution Network Neurone (CNN)

Figure – Architecture d’un reseau de neurones convolutifs

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Différents types de méthodes

Algorithmes génétiques

Les algorithmes génétiques appartiennent à la famille des

algorithmes évolutionnistes. Ils sont utilisés pour effectuer des
optimisations sur des problèmes complexes afin d’obtenir une
solution proche de l’optimal. Les algorithmes génétiques utilisent la
notion de sélection naturelle et l’appliquent à une population de
solutions potentielles au problème donné. Les algorithmes
génétiques ont déjà une histoire relativement ancienne puisque les
premiers travaux de John Holland sur les systèmes adaptatifs
remontent à 1962

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Différents types de méthodes

Algorithmes génétiques

En entrée, un algorithme génétique dispose :

d’une population initiale à n solutions ; chaque solution est
représentée par un chromosome qui est une version codée de
toutes ses caractéristiques sous la forme d’une chaîne de
symbole
d’une fonction f d’évaluation des solutions ; f n’est pas
forcément une fonction mathématique de chromosomes. Elle
peut aussi consister à une simulation de la performance des
solutions dans le problème dans lequel elle doit s’appliquer ;
cela permet de modéliser le principe de sélection naturelle.

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Différents types de méthodes

Algorithmes génétiques

A chaque itération, l’algorithme génère une nouvelle

génération de solutions en appliquant des opérateurs de
mutations et de croisements sur des membres de la population
courante.
Une nouvelle population est ainsi constituée à partir de la
population courante en éliminant certaines solutions peu
performantes et en créant des nouvelles par des mutations et
des croisements
L’application itérative de la procédure conduit à l’optimisation
de la population selon les critères d’évaluation choisis au
départ

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Différents types de méthodes

Algorithmes génétiques

Figure – Algorithme
Relwende Aristide YAMEOGO. MD - MPH - PhD génétique
Module IAS1122 : Méthodes de l’IA
 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Trois types de données

Le point commun du machine learning et du deep learning est

d’exploiter des données pour l’entraînement de modèles
probabilistes. Avec les algorithmes et/ou logiciels et le matériel, les
données sont la troisième composante clé de la plupart des IA de
nos jours.
Trois types de données
Données d’entrainement
Données de test
Données de production

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Données d’entrainement

Les jeux de données qui vont servir à entraîner un modèle de

machine learning ou de deep learning pour en ajuster les
paramètres.
Les données sont étiquetées à l’avance pour faciliter
l’apprentissage.
Plus la base est grande, meilleure sera l’entraînement du
système
Il est évidemment nécessaire de disposer de données
d’entraînement de qualité

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Données de test

Les données qui serviront à vérifier la qualité de

l’entraînement d’un système
Les données doivent avoir une distribution statistique voisine
des données d’entraînement, au sens où elles doivent être bien
représentatives de la diversité des données que l’on trouve
dans la base d’entraînement et que l’on aura dans les données
de production
Les données de tests sont un sous-ensemble d’un jeu de
départ dont une partie sert à l’entraînement et une autre
partie, plus limitée, sert aux tests.
Elle permettra d’identifier le taux d’erreur du système ;le
niveau de taux d’erreur acceptable dépend de l’application

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA

 Système expert
Logique floue
Système multi-agents
Machine Learning et Deep Learning

Données de production

Il s’agit des données non étiquetées qui alimenteront le

système lors de son utilisation en production pour faire une
prévision des étiquettes manquantes
Les données d’entraînement sont normalement anonymisées
pour l’entraînement du système
Par contre, les données de production peuvent être
nominatives ainsi que les prévisions associées générées par la
solution

Relwende Aristide YAMEOGO. MD - MPH - PhD Module IAS1122 : Méthodes de l’IA