1.
Rappeler le principe :
a. De l'algorithme des k plus proches voisins (k-ppv) :
L'algorithme des k plus proches voisins (k-PPV) est un algorithme d'apprentissage
supervisé utilisé pour la classification et la régression. Voici ses principes fondamentaux :
Instance-Based Learning : Il est basé sur des instances et ne nécessite pas de modèle
d'apprentissage explicite.
Distance : Il classe les nouvelles données en fonction de la distance entre les points de
données dans un espace multidimensionnel, généralement en utilisant la distance
euclidienne.
k Voisins : La classe d'un nouvel exemple est déterminée par les k exemples les plus
proches (voisins) de l'ensemble de données d'entraînement.
Vote Majoritaire : Pour la classification, l'étiquette de classe est déterminée par un
vote majoritaire parmi les k voisins les plus proches.
b. De l'algorithme bayésien naïf :
L'algorithme bayésien naïf est un algorithme de classification probabiliste basé sur le
théorème de Bayes. Ses principes sont :
Indépendance : Il suppose que les caractéristiques sont indépendantes les unes des
autres, ce qui est rarement vrai en pratique mais simplifie les calculs.
Probabilité : Il utilise les probabilités a priori et les probabilités conditionnelles pour
prédire la classe d'un nouvel exemple.
Théorème de Bayes : Il applique le théorème de Bayes pour calculer la probabilité a
posteriori de chaque classe donnée les caractéristiques de l'exemple.
2. Quelles sont les étapes de mise en œuvre de la logique floue dans la formalisation
d’une intelligence artificielle ?
1. Fuzzification : Convertir les valeurs d'entrée précises en valeurs floues en utilisant des
fonctions d'appartenance.
2. Base de Règles : Définir une série de règles floues basées sur des expertises humaines
ou des données historiques.
3. Moteur d'Inference : Appliquer les règles floues aux valeurs floues d'entrée pour
générer des valeurs floues de sortie.
4. Défuzzification : Convertir les valeurs floues de sortie en valeurs précises pour une
prise de décision concrète.
3. Quelles sont les étapes de mise en œuvre du Machine Learning dans la formalisation
d’une intelligence artificielle ?
1. Collecte de Données : Rassembler et organiser les données pertinentes pour
l'apprentissage.
2. Préparation des Données : Nettoyer les données, gérer les valeurs manquantes et
effectuer la normalisation.
3. Sélection du Modèle : Choisir l'algorithme de machine learning approprié en fonction
du problème et des données.
4. Entraînement du Modèle : Utiliser les données d'entraînement pour enseigner au
modèle comment faire des prédictions.
5. Évaluation du Modèle : Tester le modèle avec des données de test pour évaluer ses
performances.
6. Optimisation : Ajuster les paramètres du modèle pour améliorer sa précision et ses
performances.
7. Déploiement : Implémenter le modèle dans un environnement de production pour
qu'il soit utilisé.
4. Quels sont les indicateurs d’évaluation des performances d’un modèle
d’apprentissage automatique (Machine Learning) ?
1. Précision (Accuracy) : Le pourcentage de prédictions correctes parmi le total des
prédictions.
2. Recall (Sensibilité) : La proportion de vrais positifs correctement identifiés par le
modèle.
3. F1-Score : La moyenne harmonique de la précision et du rappel, utile pour les
ensembles de données déséquilibrés.
4. ROC-AUC : La courbe ROC (Receiver Operating Characteristic) et la zone sous la
courbe (AUC) mesurent la performance de classification binaire.
5. Matrice de Confusion : Un tableau qui récapitule les performances du modèle de
classification en montrant les vrais positifs, les vrais négatifs, les faux positifs et les
faux négatifs.
6. Erreur Quadratique Moyenne (MSE) : Utilisée pour les modèles de régression pour
mesurer la différence moyenne carrée entre les valeurs prédites et les valeurs réelles.
5. Comment peut-on appliquer l’intelligence artificielle dans les télécommunications ?
1. Optimisation des Réseaux : Utiliser des algorithmes d'IA pour optimiser la gestion du
réseau et améliorer la qualité du service.
2. Détection des Fraudes : Appliquer des modèles de machine learning pour détecter et
prévenir les activités frauduleuses.
3. Analyse Prédictive : Prédire la demande de bande passante et la gestion des
ressources en temps réel.
4. Chatbots et Assistance Client : Utiliser des assistants virtuels pour améliorer
l'expérience client et offrir un support automatisé.
5. Maintenance Prédictive : Prévoir les pannes de matériel et planifier la maintenance
proactive.
6. Optimisation du Spectre : Utiliser des techniques d'IA pour une allocation efficace
du spectre et la gestion des interférences.
J'espère que cela vous sera utile pour votre examen ! Bonne chance et n'hésitez pas si
vous avez d'autres questions.
