Machine Learning & Deep Learning
Master MSSII
February 3, 2025
1 / 36
Objectifs pédagogiques
• Comprendre les concepts de base du Machine Learning.
• Apprendre à utiliser des algorithmes de Machine Learning pour résoudre des
problèmes.
• Développer une capacité à évaluer et améliorer les modèles de Machine Learning.
• Comprendre les concepts de base de Deep Learning
2 / 36
Plan du cours
• Chapitre 1: Introduction au Machine Learning
• Chapitre 2: Cycle de vie du ML
• Chapitre 3: Apprentissage Supervisé
• Chapitre 4: Apprentissage Non Supervisé
• Chapitre 5: Deep Learning
3 / 36
Plan du chapitre 1: Introduction au Machine Learning
1. Définitions
2. Applications de l’IA
3. Types d’Apprentissage Automatique
4 / 36
Chapitre 1: Introduction au Machine Learning:
AI vs ML vs DL
• Intelligence Artificielle (IA): Systèmes capables de réaliser des tâches nécessitant
une intelligence humaine.
• Machine Learning (ML): Sous-catégorie de l’IA qui développe des modèles
permettant aux machines d’apprendre à partir des données.
• Deep Learning (DL): Sous-catégorie du ML basée sur des réseaux neuronaux
profonds.
5 / 36
Chapitre 1: Introduction au Machine Learning:
ML: Définition
• Le Machine Learning (ML) désigne une discipline qui développe des algorithmes
(statistiques, algorithmiques et probabilistes) permettant aux machines d’apprendre à
partir des données pour résoudre des problèmes ou découvrir des informations.
6 / 36
Chapitre 1: Introduction au Machine Learning:
Programmation Traditionnelle vs ML
Un algorithme est une série d’instructions permettant d’effectuer une tâche automatique.
Le ML dépasse cette approche en apprenant des modèles à partir des données.
7 / 36
Chapitre 1: Introduction au Machine Learning:
L’histoire de l’IA
https://www.youtube.com/watch?v=qmwJx-r5vmw
8 / 36
Chapitre 1: Introduction au Machine Learning:
Applications de l’IA
• L’IA est devenue omniprésente dans notre vie quotidienne :
• Recommandations de contenu : Les algorithmes des plateformes (Netflix,
YouTube, Spotify, etc) analysent nos habitudes de consommation et de navigation
pour nous proposer des films, vidéos, ou musiques susceptibles de nous plaire
• Applications de navigation : Des outils comme Google Maps ou Waze utilisent l’IA
pour calculer les itinéraires optimaux en fonction du trafic en temps réel et d’autres
facteurs.
9 / 36
Chapitre 1: Introduction au Machine Learning:
IA dans notre vie quotidienne
• Reconnaissance faciale : Cette technologie est utilisée pour déverrouiller nos
téléphones ou identifier automatiquement des amis dans des publications sur les
réseaux sociaux.
• Publicité ciblée : Les publicités que nous voyons en ligne sont souvent sélectionnées
par des IA qui analysent notre comportement sur internet.
• Filtres anti-spam :Les systèmes de messagerie (Gmail) utilisent l’IA pour identifier
et filtrer les courriels indésirables.
10 / 36
Chapitre 1: Introduction au Machine Learning:
Applications de l’IA : Santé
La plateforme québécoise de télémédecine, Dialogue, intègre une IA avancée pour
simplifier et personnaliser le parcours de soins des patients.
• Références vers des Spécialistes:
• Accès direct aux professionnels Obtenez rapidement des références
de santé via smartphone ou vers des spécialistes selon votre
ordinateur: Des réponses et état de santé.
diagnostics rapides.
• Consultation en Vidéo : Discutez
directement avec des médecins
pour des conseils médicaux
personnalisés.
• Livraison de Médicaments :
Faites livrer vos médicaments à
domicile. 11 / 36
Chapitre 1: Introduction au Machine Learning:
Applications de l’IA : Santé
• Autres Exemples de l’IA en Télémédecine :
• Babylon Health (Royaume-Uni)
• Ada Health (Allemagne)
• K Health (États-Unis)
• Infermedica (Pologne)
• Ces applications rendent les soins plus accessibles, plus rapides et plus personnalisés,
tout en réduisant les charges de travail des professionnels de santé.
12 / 36
Chapitre 1: Introduction au Machine Learning:
Applications de l’IA : Santé
L’IA au Service d’un Développement Médical Rapide et Efficace
• INVIVO AI (2018)) : Start-up utilisant le ML pour développer des médicaments.
• Identification rapide de composés efficaces.
13 / 36
Chapitre 1: Introduction au Machine Learning:
Applications de l’IA : Santé
• L’IA au Service de l’Utilisation Croissante des Robots Chirurgicaux
• Applications Pratiques des Robots Médicaux:
• Livraison de Médicaments : Transport automatisé au sein des établissements de
santé.
• Désinfection des Espaces Médicaux : Nettoyage des blocs opératoires et des
hôpitaux.
• L’utilisation des robots permet d’améliorer le confort du chirurgien et du patient et
de réduire les risques.
14 / 36
Chapitre 1: Introduction au Machine Learning:
Applications de l’IA: Astronomie
• Plus de 800 images panoramiques sont capturées chaque nuit par une caméra à 3,2
milliards de pixels.
• Ces données sont essentielles pour les astronomes, leur permettant notamment de
comprendre la formation et l’évolution des galaxies au fil du temps.
• L’automatisation de certaines tâches est désormais indispensable. Il est impraticable
pour les astronomes humains de classifier des milliards d’objets.
• Morpheus est un programme
développé par les chercheurs de
l’UC Santa Cruz, capable
d’analyser les données d’images
astronomiques.
15 / 36
Chapitre 1: Introduction au Machine Learning:
Applications de l’IA: Éducation
• L’application Kaligo permet aux élèves de s’initier à l’écriture.
• L’élève écrit sur l’écran à l’aide d’un stylet.
• Un programme d’IA analyse les données suivantes ( sens, forme, ordre et vitesse
d’écriture)
• Toutes ces données permettent à l’application de faire des retours en temps réel à
l’élève.
• Le programme propose des exercices adaptés à son niveau.
16 / 36
Chapitre 1: Introduction au Machine Learning:
Applications de l’IA: Voiture autonome
• L’IA permet aux voitures autonomes de naviguer de manière sûre et efficace dans des
environnements complexes et dynamiques.
• L’IA analyse les données des capteurs (caméras, LIDAR, radars) pour détecter objets,
piétons et autres véhicules.
• En temps réel, l’IA évalue la meilleure action à entreprendre (freinage, changement
de voie, etc.).
• Grâce à l’apprentissage automatique, les véhicules optimisent leurs performances en
apprenant de nouvelles situations.
17 / 36
Chapitre 1: Introduction au Machine Learning:
Applications de l’IA: Surveillance à domicile
• Le monitoring à domicile permet de décrire les actions quotidiennes d’une personne.
• L’IA est capable d’identifier et de classifier les activités en normales (cuisine, repas,
travail, etc.) ou anormales (chutes, situations dangereuses).
• Application spécifique : suivi des personnes âgées ou des patients atteints de la
maladie d’Alzheimer.
18 / 36
Chapitre 1: Introduction au Machine Learning:
Applications de l’IA: Industrie
• L’IA détecte les défauts de construction sur des bandes métalliques en mouvement
rapide sur une chaı̂ne de production. Cette détection repose sur des capteurs
spécialisés et des caméras ultra haute définition.
• La machine effectue l’inspection plus rapidement et avec une précision supérieure à
celle d’un opérateur humain, détectant même des défauts invisibles à l’œil nu.
19 / 36
Chapitre 1: Introduction au Machine Learning:
Applications de l’IA: Vidéosurveillance
• L’IA est désormais intégrée dans des systèmes de vidéosurveillance facilitant la
gestion de vastes réseaux de caméras, difficile à superviser par des opérateurs
humains.
• L’IA permet de traiter d’énormes volumes d’informations, assurant ainsi une
surveillance efficace
• La Chine, plus de 2 milliards de caméras de surveillance sont déployées.
20 / 36
Chapitre 1: Introduction au Machine Learning:
Applications de l’IA: Vidéosurveillance
• Détection, classification et suivi des objets en mouvement
• Lecture des plaques d’immatriculation pour détecter les intrusions.
21 / 36
Chapitre 1: Introduction au Machine Learning:
Applications de l’IA: Vidéosurveillance
• Analyse des interactions entre individus ou objets pour reconnaı̂tre des situations
spécifiques.
• Suivi des trajectoires des personnes
22 / 36
Chapitre 1: Introduction au Machine Learning:
Applications de l’IA: Shopping
Amazon Go révolutionne l’expérience de shopping en intégrant IA :
• Technologie Just Walk Out : Une combinaison de vision par ordinateur, fusion de
capteurs et deep learning permet aux clients de prendre des articles et de sortir sans
passer par une caisse traditionnelle.
• Suivi en Temps Réel : Les caméras et capteurs du magasin suivent les
mouvements des clients, identifiant les produits pris ou remis en rayon..
• Paiement Automatique : L’IA calcule automatiquement le total des achats,.
23 / 36
Chapitre 1: Introduction au Machine Learning:
Types d’apprentissage automatique
24 / 36
Chapitre 1: Introduction au Machine Learning:
Types d’apprentissage automatique (ML)
1. Apprentissage supervisé :
Données étiquetées pour entraı̂ner
un modèle.
2. Apprentissage non supervisé :
Identifier des structures dans des
données non étiquetées.
3. Apprentissage par renforcement:
Apprentissage par récompenses.
25 / 36
Chapitre 1: Introduction au Machine Learning:
Apprentissage supervisé
• Dans l’apprentissage supervisé, la machine reçoit des données caractérisées par des
variables x et annotées par une variable y.
• L’objectif est d’apprendre à prédire la valeur y en fonction des caractéristiques x
(features)fournies.
• y est la classe
• x sont les caractéristiques
26 / 36
Chapitre 1: Introduction au Machine Learning:
Apprentissage supervisé
• pour réussir à faire ceci :
1. Un jeu de données étiquetées (dataset) est fourni à la machine.
2. Le type de modèle à apprendre par la machine est sélectionné (SVM, arbre de décision,
MLP, etc.).
• La machine utilise un algorithme d’optimisation pour trouver quels sont les
paramètres du modèle qui nous donnent les meilleures performances pour les données
de notre dataset
27 / 36
Chapitre 1: Introduction au Machine Learning:
Apprentissage supervisé
• Une fois cette phase terminée, notre modèle de machine learning est prêt à être
utilisé.
• Lorsque la machine reçoit de nouvelles données (sans étiquette), elle va utiliser le
modèle pour prédire quelle est la valeur de y.
28 / 36
Chapitre 1: Introduction au Machine Learning:
Apprentissage supervisé -Exemples d’applications
• Classification d’emails (Filtrage de spam) : Identifier si un email est un spam ou non.
• Reconnaissance d’images : Classifier des images (reconnaı̂tre des chiffres manuscrits
ou des objets).
• Prédiction de la fraude bancaire : Détecter des transactions frauduleuses basées sur
des comportements passés.
• Analyse des sentiments : Classifier des avis ou des tweets comme positifs, négatifs ou
neutres.
• Prédiction des prix immobiliers : Prédire le prix d’une maison en fonction de
caractéristiques comme la surface, l’emplacement, etc.
• Diagnostic médical : Prédire la présence ou l’absence d’une maladie à partir des
symptômes et résultats d’analyses.
• Prédiction de la demande : Estimer la demande future de produits pour une
entreprise.
29 / 36
Chapitre 1: Introduction au Machine Learning:
Apprentissage non supervisé
• L’apprentissage non supervisé est une méthode d’apprentissage dans laquelle on lui
fournit uniquement les données X .
• On lui demande d’analyser la structure de ces données pour apprendre elle-même à
réaliser certaines tâches.
• La machine peut apprendre à classer des données (documents, photos, clients) en les
regroupant selon leur ressemblance (ex:la classification.)
30 / 36
Chapitre 1: Introduction au Machine Learning:
Apprentissage non supervisé - Exemple d’applications
• Clustering de clients (Segmentation de marché) : Regrouper les clients en segments
en fonction de leurs comportements d’achat, de leurs préférences, etc.
• Apprentissage des associations (Market Basket Analysis) : Découvrir des relations
d’articles fréquemment achetés ensemble dans un supermarché.
• Segmentation d’images : Identifier et regrouper des régions ou objets similaires dans
une image, sans avoir de labels prédéfinis.
• Regroupement de documents (Clustering de texte) : Grouper des documents
similaires sans étiquettes préalables.
• Segmentation d’utilisateurs : Découvrir des segments d’utilisateurs dans des
applications ou des sites web en fonction de leur comportement de navigation,
d’engagement, etc.
31 / 36
Chapitre 1: Introduction au Machine Learning:
Apprentissage par renforcement
• Apprentissage par essais et erreurs. On ne donne carrément plus d’exemples à la
machine. C’est la machine elle-même qui va générer sa propre expérience.
• La machine est représentée sous forme d’un agent et elle a la liberté d’entreprendre
des actions au sein d’un environnement.
• Suivant l’action entreprise, l’environnement modifie l’état de l’agent et donne une
récompense positive ou négative.
• Le but est de maximiser les récompenses positives → améliorer la performance.
32 / 36
Chapitre 1: Introduction au Machine Learning:
Apprentissage par renforcement
Conduite autonome : Apprendre à une voiture à naviguer dans un environnement routier
complexe en prenant des décisions en temps réel (freiner, tourner, accélérer).
33 / 36
Chapitre 1: Introduction au Machine Learning:
Apprentissage par renforcement
Conduite autonome : Apprendre à une voiture à naviguer dans un environnement routier
complexe en prenant des décisions en temps réel (freiner, tourner, accélérer).
34 / 36
Chapitre 1: Introduction au Machine Learning:
Apprentissage par renforcement - Exemple d’applications
• Jeux vidéo : Former un agent à maı̂triser des jeux complexes (Chess, Go).
• Robotique : Apprendre à des robots à accomplir des tâches spécifiques comme
marcher, naviguer, ou interagir avec leur environnement
• Trading algorithmique : Apprendre à un agent à acheter ou vendre des actions,
devises, ou autres actifs en maximisant les profits tout en minimisant les risques.
• Gestion de l’énergie : Apprendre à optimiser la consommation d’énergie dans des
systèmes complexes comme des bâtiments intelligents.
• Contrôle de processus industriels : Optimiser le fonctionnement de systèmes
industriels complexes comme des chaı̂nes de production, en ajustant dynamiquement
les paramètres en fonction des conditions.
• Gestion de l’inventaire : Optimiser la gestion des stocks pour maximiser les profits
tout en minimisant les coûts de stockage et les ruptures de stock.
35 / 36
Chapitre 1: Introduction au Machine Learning:
QUIZ
36 / 36
