Introduction à l'intelligence artificielle / l'apprentissage automatique

Support de cours et exercices sous Matlab par Philippe HAUTCOEUR (PSI Lycée Clémenceau, Nantes)

Philippe Hautcoeur propose en partage son Cahier de cours dirigé interactif pour comprendre et pratiquer le "Machine Learning".

Les premières machines pensantes apparaissent dans les histoires de science-fiction dès les années 1920. En 1950, c’est au tour des scientifiques d’imaginer des machines pensantes. Le mathématicien britannique, Alan Turing, publie un article intitulé « l’ordinateur et l’intelligence », dans lequel il décrit comment savoir si une machine s'approche d'une intelligence humaine. Il appelle cette méthode « le jeu de l'imitation », plus connu aujourd'hui sous le nom de test de Turing. Voilà les prémices de l'intelligence artificielle !

Table des matières

◼ Chapitre 1 : Introduction à l’apprentissage automatique

1- Qu'est-ce que l'apprentissage automatique (ou le machine learning) ?
2- Apprentissage automatique : démarche mise en œuvre pour apporter une solution IA à un problème donné
3- Éléments du programme de PSI
4- Pour aller plus loin

◼ Chapitre 2 : Introduction à la régression

1- Qu'est-ce qu'une régression ?
2- La régression linéaire simple
3- La méthode des moindres carrés ordinaires
4- Qualité de la prédiction : coefficient de détermination et coefficient de corrélation
5- La régression linéaire multiple
6- Cas particulier de la régression polynômiale
7- La régression non linéaire
8- La fonction coût
9- La descente de gradient
10- Conclusion
11- Annexe : fonctions utiles au live script

◼ Chapitre 3 : Introduction à la classification

1- Qu'est-ce que la classification ?
2 - La régression logistique binaire : un classifieur linéaire
3 - Le perceptron : un autre classifieur linéaire !
4 - Analyse du comportement d'un perceptron
5 - L'apprentissage automatique d'un perceptron simple
6 - Les réseaux de neurones : le perceptron multicouches
7- Un autre algorithme de classification : les k plus proches voisins
8- Conclusion

Conclusion

Extrait "Nous venons de passer en revue plusieurs modèles qui permettent le traitement des problèmes de classification  :  la  régression  logistique,  le  perceptron  et  les  k  plus  proches  voisins.  Chaque algorithme possède ses avantages et inconvénients. La  régression  logistique  est  un  modèle  qui  peut  prédire  la  probabilité  d'une  réponse  binaire d'appartenir  à  une  classe  ou  à  l'autre.  Parce  que  sa  mise  en  œuvre  est  relativement  aisée,  la régression  logistique  est  couramment  utilisée  pour  une  première  approche  d'un  problème  de classification binaire. Un  réseau  de  neurones  est  constitué  de  neurones  interconnectés  reliant  la  sortie  attendue  aux entrées pour un apprentissage supervisé. Le modèle est entrainé de manière itérative en ajustant les paramètres (poids et biais) pour que la sortie du réseau s'ajuste au mieux à la sortie attendue. La minimisation  de  l'erreur  entre  sortie  attendue  et  sortie  estimée  par  le  modèle  s'obtient  par  un algorithme de descente de gradient ..."