Solution de l’examen du module Intelligence Artificielle (IA)

Q1 : Quelle est la différence entre l'apprentissage machine (machine learning) et l'apprentissage profond (deep
learning) ?
L'apprentissage machine est une approche de l'IA dans laquelle les algorithmes apprennent à partir des données, tandis que
l'apprentissage profond est une sous-catégorie de l'apprentissage machine qui utilise des réseaux de neurones artificiels
profonds pour effectuer des tâches complexes.
Q2 : Quelle est la différence entre l'IA forte et l'IA faible ?
L'IA forte se réfère à une intelligence artificielle dotée d'une conscience et de capacités intellectuelles équivalentes à celles des
êtres humains, tandis que l'IA faible est conçue pour effectuer des tâches spécifiques sans conscience ni compréhension
générale.
Q3 : Quelles sont les deux principales phases de l'apprentissage supervisé ?
Les deux phases principales de l'apprentissage supervisé sont la phase d'entraînement (formation) où le modèle apprend à partir
des données étiquetées, et la phase de test où le modèle est évalué sur des données non étiquetées pour évaluer sa
performance.
Q4 : Qu'est-ce qu'une fonction de coût dans le contexte de l'apprentissage supervisé ?
La fonction de coût mesure l'écart entre les prédictions du modèle et les valeurs réelles. L'objectif est de minimiser cette fonction
de coût lors de l'entraînement
Q5 : Qu'est-ce que le surajustement (overfitting) dans le contexte de l'apprentissage supervisé ?
Le sur-ajustement se produit lorsque le modèle s'adapte trop bien à l'ensemble d'entraînement au détriment de sa capacité à
généraliser correctement sur de nouvelles données. Cela peut se manifester par une performance médiocre sur l'ensemble de
test.
Q6 : Donner quelques exemples d'algorithmes d'apprentissage supervisé ?
Des exemples d'algorithmes d'apprentissage supervisé incluent les machines à vecteurs de support (SVM), les arbres de décision,
les réseaux de neurones, la régression linéaire, et les k-Plus Proches Voisins (k-NN).
Q7 : Quels sont les types principaux de tâches réalisées par l'apprentissage non supervisé ?
Les tâches principales de l'apprentissage non supervisé comprennent le regroupement (clustering), la réduction de dimension
(dimensionality reduction), et la génération de données.
Q8 : Expliquer le principe de l’apprentissage par renforcement (RL) ?
L'apprentissage par renforcement (RL) est un paradigme d'apprentissage machine dans lequel un agent interagit avec un
environnement dynamique pour atteindre un objectif spécifique. Le principe fondamental de l'apprentissage par renforcement
repose sur le concept d'apprentissage basé sur des récompenses et des sanctions. Voici le principe de base de l'apprentissage
par renforcement :
1. Agent : L'entité qui prend des actions dans un environnement.
2. Environnement : Le contexte dans lequel l'agent opère et interagit.
3. État (State) : La situation ou la configuration spécifique dans laquelle l'agent se trouve à un moment donné.
4. Action : La décision ou le choix effectué par l'agent à un moment donné.
5. Récompense (Reward) : Un retour immédiat fourni par l'environnement pour évaluer la qualité de l'action prise par l'agent. La
récompense est utilisée par l'agent pour ajuster son comportement.
Le processus de l'apprentissage par renforcement peut être décrit en plusieurs étapes :
Initialisation : L'agent commence dans un état initial de l'environnement.
Action : L'agent prend une action en fonction de son état actuel. Ces actions peuvent avoir des conséquences, et l'agent passe à
un nouvel état.
Environnement : L'environnement réagit à l'action de l'agent, et l'agent passe à un nouvel état en fonction de cette réaction.
Récompense : L'environnement fournit une récompense (positive, négative ou neutre) à l'agent en fonction de la qualité de son
action.
Apprentissage : L'agent utilise la récompense pour ajuster sa politique (stratégie d'action) afin de maximiser les récompenses
futures. Il cherche à apprendre la meilleure séquence d'actions pour atteindre ses objectifs.
Exploration et Exploitation : L'agent doit équilibrer l'exploration (essayer de nouvelles actions pour découvrir celles qui
fournissent les meilleures récompenses) et l'exploitation (utiliser les actions connues qui ont fourni des récompenses élevées
dans le passé).
L'objectif ultime de l'agent est de découvrir une politique d'action optimale qui maximise la somme cumulée des récompenses
au fil du temps. Cela peut être formulé mathématiquement à l'aide de la notion de retour (cumulative reward) ou de valeur
(value) associée à chaque état.
Q9 : Comment fonctionne l'algorithme k-PPV pour la classification ?
Pour classer un point, l'algorithme identifie les k voisins les plus proches en fonction d'une mesure de distance (comme la
distance euclidienne). La classe la plus fréquente parmi ces k voisins est attribuée au point en question.
Q10 : Quelles sont les limites de l'algorithme k-PPV ?
Les limites incluent la sensibilité au bruit, la nécessité de stocker l'ensemble des données en mémoire, et une performance
potentiellement faible dans des espaces de grande dimension.
Q11 : Qu'est-ce qu'un réseau de neurones artificiels (RNA) ?
Un réseau de neurones artificiels est un modèle computationnel inspiré du fonctionnement du cerveau humain. Il est composé
de couches de neurones interconnectés, chacun traitant l'information et transmettant des signaux à travers des poids ajustables.
Solution de l’examen du module Intelligence Artificielle (IA)

Q12 : Qu'est-ce qu'une fonction d'activation dans un réseau de neurones ?

Une fonction d'activation introduit une non-linéarité dans le modèle, permettant au réseau de résoudre des problèmes plus
complexes. Des exemples de fonctions d'activation incluent ReLU (Rectified Linear Unit) et la tangente hyperbolique.
Q13 : Comment choisir la taille des couches dans un réseau de neurones profonds ?
Le choix de la taille des couches dépend de la complexité de la tâche et de la quantité de données disponibles. Des architectures
plus profondes peuvent être nécessaires pour des tâches plus complexes.
Q14 : Expliquer l'optimisation de la couverture et de la capacité cellulaire par apprentissage profond ?
L'optimisation de la couverture et de la capacité cellulaire par apprentissage profond fait référence à l'utilisation de techniques
d'apprentissage profond (deep learning) pour améliorer les performances et l'efficacité des réseaux de communication
cellulaires. Ces réseaux cellulaires sont essentiels pour les communications sans fil, notamment dans les réseaux de téléphonie
mobile.
Q15 : Expliquer l’optimisation de la Capacité Cellulaire par réseaux profonds ?
L'apprentissage profond peut également être appliqué pour maximiser la capacité d'une cellule, c'est-à-dire la quantité
d'informations pouvant être transmise de manière fiable dans une cellule donnée. Cela peut impliquer l'optimisation des
ressources spectrales, la gestion du trafic, et l'allocation dynamique des canaux.
Q16 : Expliquer la gestion des Interférences par réseaux profonds ?
Les techniques d'apprentissage profond peuvent être utilisées pour modéliser et atténuer les interférences entre les cellules
adjacentes. Cela contribue à améliorer la qualité du service (QoS) pour les utilisateurs et à optimiser l'utilisation du spectre
radioélectrique.
Q17 : C’est quoi l’allocation dynamique des ressources par réseaux profonds ?
L'apprentissage profond peut être utilisé pour développer des algorithmes d'allocation dynamique des ressources, permettant
aux cellules de s'ajuster en temps réel en fonction des conditions du réseau, du trafic et des besoins des utilisateurs.
Q18 : Comment choisir la meilleure valeur de k dans l’algorithme k-PPV ?
La sélection de la meilleure valeur de k dépend du jeu de données spécifique. Elle peut être déterminée par validation croisée ou
par l'utilisation de méthodes telles que la recherche par grille pour trouver la valeur de k qui optimise les performances du
modèle.
Q19 : Quelle est la différence entre une couche d'entrée, une couche cachée et une couche de sortie dans un réseau de
neurones ?
La couche d'entrée reçoit les données d'entrée, la couche cachée effectue des calculs intermédiaires, et la couche de sortie
produit les résultats finaux. Les informations se propagent de la couche d'entrée à travers les couches cachées jusqu'à la couche
de sortie.
Q20 : Qu'est-ce que l'apprentissage supervisé dans un réseau de neurones ?
L'apprentissage supervisé consiste à entraîner un réseau de neurones sur un ensemble de données étiquetées, où le modèle
ajuste ses poids Wi pour minimiser la différence entre les prédictions et les étiquettes réelles.