Université de Tunis Elmanar

Institut Supérieur d’Informatique

Cours : Apprentissage Artificiel

Niveau : L3 IRS

Chapitre 1: Introduction à l’apprentissage

Artificiel
présenté par:
Mohamed Sahbi Bahroun
Hatem Ben Sta

Année Universitaire 2022/2023 1

 Plan

1) Introduction : motivations,

2
1. Introduction

3
Apprentissage artificiel (Machine
Learning)

4
 Apprentissage artificiel
INTELLIGENCE
ARTIFICIELLE
STATISTIQUES, OPTIMISATION
analyse et
fouille de
données
Apprentissage
Artificiel
AUTOMATIQUE,
commande, VISION
robotique
5
 Apprentissage artificiel (Machine
Learning) : définition
Le Machine Learning est une technologie d’intelligence artificielle
permettant aux ordinateurs d’apprendre notre environnement et de réagir en
conséquence comme les humains. Pour apprendre et se développer, les
ordinateurs ont toutefois besoin de données à analyser et sur lesquelles
s’entraîner. Capacité d’un système à améliorer ses performances via des
interactions avec son environnement. Plus les données d’apprentissage sont
de grande taille plus le système est performant et reconnait mieux son
environnement.
Il existe deux champs industriels de l’apprentissage artificiel :
 symbolique utilise des données non structurées à l’état brut (image,
vidéo, son, ..etc). Exple : reconnaissance de formes, robotique, iot, ..etc.
numérique : Travaille avec des données structurées dans des tables.
issue des statistiques (fouille de données). Exple : profiling, estimations
statistiques, prédictions de variables ..etc

6
Apprentissage artificiel
 Base de données
1. diviser la base de données entre :

Base de test

Base d’apprentissage

Base d’apprentissage :Fournir un grand nombre de photos qui sont étiquetés

qui serviront pour la recherche.
Base de test : une collection d'images sans étiquette ,qu’on veut classer (de
petite taille)
 Malédiction de la dimension
Trouver, à l’aide de l’index, les images les plus proches de l’image requête en
utilisant une distance de mesure de similarité. Afficher les images de manière
ordonnées (des plus similaires au moins similaires)

Ces techniques ne sont pas efficaces lorsque la base de données estd e grande
taille: malédiction de la dimension
9
 Reconnaissance de formes
La reconnaissance de
formes (ou reconnaissance de motifs)
est un ensemble de techniques et
méthodes visant à identifier
des motifs informatiques à partir
de données brutes afin de prendre une
décision dépendant de la catégorie
attribuée à ce motif.
Exemple : Reconnaissance faciale,
reconnaissance d’empreintes digitales,
recherche par le contenu …etc.
On parle aussi d’apprendre à jouer (jeux
d’échec, robotique)

10
 Fouille de données
Prend en charge le processus complet
d’extraction de connaissances à partir d’un
ensemble de données. Cela comprend la
sélection des données à étudier,
nettoyage si nécessaire puis utilisation des
algorithmes d’apprentissages afin de
proposer à l’utilisateur un modèle
d’estimation et enfin sa validation.

11
 Quelques applications du ML
 Reconnaissance automatique de la parole : chatbots
Diagnostiquer automatiquement les images radio et IRM d’un
patient
 Reconnaissance de visages et suivi des individus dans une vidéo
 Reconnaissance automatique d’objets via des images ou des
vidéos
 Recherche sur le web et adaptation aux besoins du client
 Un programme de jeu d’échec
 Guidage des robots (train sans chauffeur)
 Assistance virtuelle (chatbot)
Estimation des résultats des élections
Enquête de satisfaction sur des produits commerciaux
Profiling et publicité ciblée

12
 BioMind bat des radiologues
lors d’une compétition de diagnostics en juillet 2018
225 cas
• 15 médecins radiologues • Une intelligence
experts
artificielle

Entrainée sur les archives de

l’hôpital de Beijing Tiantan

87% de diagnostics corrects

66% de diagn²ostics corrects
Prédiction correcte de complication :
Prédiction correcte de complication : 63% 83%
13
 Systèmes de recommandation
• Amazon augmente son CA grâce à la
recommandation : Emails
personnalisés et recommandations sur
site:
– Contenu “tendance”
– Articles achetés ensemble
– Recommandations grâce à l’historique
d’achat
– Recommandations grâce à l’historique des
produits vus
– Nouvelles versions d’un produit déjà
possédé 60% de conversion*, 35% du chiffre
d’affaire* * Taux de conversion des emails personnalisés tel que
communiqué aux actionnaires Estimation McKinsey en 2013
**
14
 Predpol lutte contre la criminalité

Prédit le lieu, l’heure et la nature du

crime à partir de données historiques.

Utilisée par de nombreuses villes

d'Amérique du Nord (Atlanta, Los
Angeles …)

15
 Etape 1 : classification

? poids
En baisse En hausse

Système
nausées?
Absence
ou
?de fatigue
non expert
oui
non
oui

Ensemble de règles de
décision
Dossier
patient
Résultat
=
arbre de décision
« On a fait rentrer l’expertise humaine dans la machine »
16
 Etape 1 : classification
?
Apprentiss
age des ? ?
Phase d’apprentissage
règles
Dossiers patients
et résultats Ensemble de
règles de décision

? ?
Phase d’exploitation
Nouveaux Résul
dossiers patients, Ensemble de règles de décision
dont les résultats calculé précédemment tats
sont inconnus
17
 Etape 2 : prédiction
Proba d’être

Système :
malade
Probabi
lité
modèle de
75%
d’être
prédiction
0 Nombre de
malade
symptômes
1 4

dossiers Résultats
patients prédicteur

18
 Extraction de connaissance à
partir de textes
Text mining Liens entre
maladies
maladies
surpoids cardio-
vasculaires
cancer

arrêt cardio-
Détection alimentation
respiratoire
Bases de données des sujets
d’articles issus de
journaux médicaux abordés Liste d’articles en relation
avec les symptômes

Symptômes

19
 Restrictions
Ces systèmes rudimentaires présentent des
lourdes limitations :
• Ils n’exploitent que les grandeurs
numériques ou catégorielles du dossier
patient
• Les dossiers patients doivent avoir
exactement la même structure:
– Pas de données manquantes
– Les grandeurs doivent être converties
09/10/2018 CentraleSupelec Cote d'azur 20
 Précision Vs Généralisation
La précision est définie par l’écart entre la valeur
mesurée (réelle) et la valeur prédite (issue du modèle
d’apprentissage)
Apprendre avec trop de précision conduit à un sur-
apprentissage. Même les détails non importants (bruits)
sont appris
 Apprendre avec trop peu de précision conduit à une
sur-généralisation. Le modèle s’applique même quand
l’utilisateur ne le souhaite pas.
C’est à l’utilisateur de définir le seuil de généralisation
qu’il juge nécessaire

21
 Apprentissage Artificiel
• Agent « prédicateur »

historique

Moteur de prédiction
prédiction
données
externes

• Performance visée : minimiser erreur de prédiction

• Moyen mis en œuvre :
utiliser des données expérimentales pour trouver un
modèle prédiction=f(historique, données externes) le
plus correct possible

22
 Apprentissage
Nous voulons estimer une variable T en fonction d’un certain
nombre de variable connues x (historique) et une erreur w
Y = f(x,w)
Si T est continue c’est une regression
Si T est discret c’est une classification Classification
(yi = « étiquettes »)
Régression entrée =
(yi = « réelle ») position point
sortie désirée =
classe (yi=-1,
=+1)

Fonction
étiquette=f(x)
(et frontière de
séparation)

23
 types d’apprentissage
Apprentissage supervisé les classes sont prédéfinis et les exemples connus. le
système apprend à classer un nouvel élément selon un modèle de classification ou
de régression. Le processus se passe en deux phases.
Phase d’apprentissage : Lors de la première phase (hors ligne, dite
d'apprentissage), il s'agit de déterminer un modèle à partir des données
étiquetées.
Phase de test : La seconde phase (en ligne, dite de test) consiste à prédire
l'étiquette d'une nouvelle donnée, connaissant le modèle préalablement appris.

Apprentissage non supervisé Quand le système ne dispose que d'exemples et que

le nombre de classes et leur nature n'ont pas été prédéfinis, on parle
de clustering en anglais.

24
 Apprentissage supervisé
Récupérer des données d’apprentissage dites annotées pour entraîner le
modèle, c'est-à-dire qui ont déjà associé un label ou une classe cible et
vous voulez que l'algorithme devienne capable, une fois entraîné, de
prédire une cible sur de nouvelles données non annotées.

M2 SIIVA 25
 Apprentissage non supervisé
En apprentissage non supervisé, les données d'entrées ne sont pas annotées.
Comment cela peut-il fonctionner ? Eh bien, l'algorithme d'entraînement s'applique
dans ce cas à trouver seul les similarités et distinctions au sein de ces données, et
à regrouper ensemble celles qui partagent des caractéristiques communes

M2SIIVA 26
 Données d’apprentissage
le jeu de données d'apprentissage consiste souvent en des
paires d'un vecteur d’entrée (x,w) et du vecteur de sortie
correspondant (T), ce qui est communément désigné comme variable
cible (scalaire ou étiquette ).
• Le modèle actuel est exécuté avec le jeu de données d'apprentissage et
produit un résultat, qui est ensuite comparé à la cible , pour chaque
vecteur d'entrée du jeu de données d'apprentissage. En fonction du
résultat de la comparaison et de l'algorithme d'apprentissage
spécifique utilisé, les paramètres du modèle sont ajustés.
• L'ajustement du modèle peut inclure une sélection de variables et une
estimation de paramètres.

27
 base de test
 L' ensemble de données de test est un ensemble de données utilisé pour
fournir une évaluation non biaisée d'un ajustement final du modèle sur
l'ensemble de données d'apprentissage.

 Ce qu’on attend d’une bonne méthode d’apprentissage est sa capacité à

produire les résultats corrects sur des données de test càd non
observées : c’est le principe de généralisation.

28
 Facteurs de pertinence pour
l’apprentissage
La qualité de l’apprentissage dépendra de facteurs contraignants, liées à la base
de données :
1) Nombre d'exemples (moins il y en a, plus l'analyse est difficile, mais plus il y en
a, plus le besoin de mémoire informatique est élevé et plus longue est l'analyse) ;
2) Nombre et qualité des attributs décrivant ces exemples. La distance entre
deux « exemples » numériques (prix, taille, poids, intensité lumineuse, intensité de
bruit, etc) est facile à établir, celle entre deux attributs catégoriels (couleur, beauté,
utilité…) est plus délicate ;
3) Pourcentage de données renseignées et manquantes ;
4) « Bruit » : le nombre et la « localisation » des valeurs douteuses (erreurs
potentielles, valeurs aberrantes…) ou naturellement non-conformes au pattern de
distribution générale des « exemples » sur leur espace de distribution impacteront
sur la qualité de l'analyse.

29
 Etapes d’un projet d’apprentissage
automatique
L'acquisition de données : l'algorithme a besoin des données en entrée. Il
en va de la réussite du projet, de récolter des données pertinentes et en
quantité suffisante.
La préparation et le nettoyage de données : En effet, certains attributs
sont inutiles, d’autre doivent être modifiés afin d’être compris par
l’algorithme, et certains éléments sont inutilisables car leurs données sont
incomplètes. Plusieurs techniques telles que la visualisation de données,
la transformation de données (en) ou encore la normalisation sont alors
employées.
La création du modèle (algorithme d’apprentissage)
L'évaluation : une fois l'algorithme entraîné sur un premier jeu de donnée,
on l'évalue sur un deuxième ensemble de données pour vérifier que le
modèle ne fasse pas de surapprentissage.
Le déploiement : le modèle est déployé pour faire des prédictions, et
potentiellement utiliser les nouvelles données en entrée pour se ré-entraîner
et être amélioré.
30
Schéma d’apprentissage

31
 Méthodes d'apprentissage supervisé

 Boosting
 Machine à vecteurs de support
 Réseau de neurones artificiels
 Méthode des k plus proches voisins
 Arbre de décision
 Classification naïve bayésienne

32
 Supervisé ou non supervisé
• Eh bien, dans le cas où vous avez un problème où vous
pouvez annoter précisément pour chaque observation la
cible que vous voulez en sortie, vous pouvez utiliser
l'apprentissage supervisé.
• Dans le cas où vous essayez de mieux comprendre votre
dataset ou d'identifier des comportements intéressants, vous
pouvez utiliser l'apprentissage non supervisé.

33
 Variantes

 semi-supervised learning, qui prend en entrée

certaines données annotées et d'autres non. Ce sont des
méthodes très intéressantes qui tirent parti des deux
mondes (supervised et unsupervised), mais bien sûr
apportent leur lot de difficultés.
 reinforcement learning, qui se base sur un cycle
d'expérience / récompense et améliore les performances à
chaque itération. Une analogie souvent citée est celle du
cycle de dopamine : une "bonne" expérience augmente la
dopamine et donc augmente la probabilité que l'agent
répète l'expérience.

34
Algorithmes d’apprentissage

35
Algorithmes d’apprentissage

36
Algorithmes d’apprentissage

37
Algorithmes d’apprentissage

38