FASCICULE DE COURS : INITIATION À L’INTELLIGENCE ARTIFICIELLE

I. Introduction à l'Intelligence Artificielle

1. Qu’est-ce que l’IA ?

L’Intelligence Artificielle (IA) est un domaine de l’informatique dont l’objectif est de faire exécuter par des machines des tâches qui nécessitent traditionnellement l’intelligence humaine. Ces tâches incluent la compréhension du langage, la reconnaissance visuelle, la résolution de problèmes et la prise de décision.

• Exemple : Les systèmes de recommandation sur les sites de e-commerce (Amazon, par exemple) utilisent des algorithmes d’IA pour proposer des produits qui pourraient intéresser l’utilisateur.

2. Histoire et évolutions de l'IA

• 1956 : Lors de la conférence de Dartmouth, John McCarthy, Marvin Minsky et d’autres chercheurs utilisent pour la première fois le terme “Intelligence Artificielle”.
  Illustration : Imaginez un petit groupe de scientifiques réunis pour explorer la possibilité de faire “penser” des ordinateurs.

• Années 1980 : Émergence des systèmes experts, capables de reproduire le savoir-faire d’un spécialiste (ex. médecine, diagnostic de pannes…).

• Années 2000 : L’IA connaît un regain d’intérêt grâce aux avancées en machine learning et à l’augmentation de la puissance de calcul. Les réseaux neuronaux profonds (Deep Learning) apparaissent comme une révolution, soutenus par de gigantesques bases de données (Big Data).

• Aujourd'hui : L’IA est présente dans de nombreux secteurs : santé, transport, finance, marketing, etc. On trouve des systèmes de conduite autonome, de traitement automatique du langage et de vision par ordinateur de plus en plus performants.

3. Applications et cas d’usage de l’IA

• Reconnaissance faciale et vocale : Sécurité, déverrouillage de smartphones, recherche de photos.
• Analyse de données médicales : Diagnostic assisté par ordinateur, détection de tumeurs sur les IRM.
• Traduction automatique : Google Translate, DeepL, etc.
• Conduite autonome : Véhicules capables de détecter les obstacles, de prendre des décisions de trajectoire.
• Chatbots et assistants virtuels : Siri, Alexa, Google Assistant, ChatGPT (pour automatiser les échanges clients/entreprises).

4. Différences entre IA, Machine Learning et Deep Learning

• IA (Intelligence Artificielle) : Domaine général. Il englobe toutes les techniques pour rendre les machines “intelligentes”.
• Machine Learning (Apprentissage automatique) : Méthode phare de l’IA qui apprend à partir de données. L’algorithme s’ajuste pour réaliser une tâche spécifique (ex. prédiction, classification).
• Deep Learning (Apprentissage profond) : Sous-catégorie du Machine Learning utilisant des réseaux neuronaux profonds, capable de traiter des volumes de données massifs et d’apprendre des caractéristiques complexes.

5. Éthique et enjeux de l’IA

• Biais algorithmiques : Les modèles peuvent discriminer involontairement si les données d’entraînement sont biaisées.
• Protection des données : Les applications d’IA traitent souvent des données sensibles (problèmes de respect de la vie privée).
• Impact sur l’emploi : Certains métiers sont automatisés, de nouveaux métiers apparaissent (Data Scientist, Data Engineer...).
• Transparence des modèles (IA explicable) : Certains modèles, notamment de Deep Learning, sont de véritables “boîtes noires”. Les utilisateurs et les régulateurs demandent de plus en plus à comprendre les décisions prises par l’IA.

II. Mathématiques pour l'IA

Les bases mathématiques sont essentielles pour comprendre et concevoir des modèles d’IA.

1. Algèbre linéaire

1. Notions de vecteurs et matrices

   • Vecteur : liste ordonnée de nombres (ex. $\begin{bmatrix} x_1 \\ x_2 \\ \vdots \\ x_n \end{bmatrix}$).
   • Matrice : tableau de nombres (ex. $\begin{bmatrix}1 & 2 \\ 3 & 4\end{bmatrix}$).

2. Multiplication et décompositions matricielles

   • Multiplication matricielle : pour combiner des données et des poids dans un réseau de neurones.
   • Décomposition en valeurs singulières (SVD) : utile en réduction de dimensions.

3. Application : Réseaux neuronaux et PCA

   • Les poids d’un réseau de neurones sont organisés sous forme de matrices.
   • La PCA (Analyse en Composantes Principales) utilise l’algèbre linéaire pour réduire la dimension d’un jeu de données tout en conservant un maximum d’information.

2. Statistiques et probabilités

1. Mesures de tendance centrale : moyenne, médiane

   • Moyenne : somme des valeurs divisée par leur nombre.
   • Médiane : valeur qui sépare la moitié inférieure et supérieure d’un ensemble de données.

2. Distributions : Normale, binomiale

   • Normale (ou gaussienne) : souvent rencontrée en statistiques, forme en cloche.
   • Binomiale : décrit le nombre de succès dans une séquence d’essais indépendants (ex. pile ou face).

3. Tests d’hypothèse et p-value

   • p-value : probabilité de rejeter à tort l’hypothèse nulle (fausse alarme).
   • Exemples : Test t de Student, ANOVA, etc.

3. Calcul différentiel et intégral

1. Optimisation : Dérivation partielle et gradients

   • Les algorithmes de machine learning (notamment le deep learning) utilisent le gradient de la fonction de coût pour ajuster les poids.
   • Le gradient indique la direction de l’augmentation/la diminution la plus rapide d’une fonction.

2. Descente de gradient appliquée aux modèles IA

   • Descente de gradient stochastique (SGD) : technique d’optimisation couramment utilisée pour trouver un minimum local de la fonction de coût en modifiant les poids à chaque itération.

4. Théorie des graphes (optionnel)

1. Représentations : Sommets, arêtes

   • Un graphe est un ensemble de sommets (nœuds) reliés par des arêtes.

2. Applications : Propagation dans les réseaux neuronaux

   • Un réseau de neurones peut être vu comme un graphe orienté.
   • L’apprentissage peut être interprété comme de la propagation de signaux (avant) et de propagation des erreurs (arrière).

III. Programmation avec Python

1. Introduction à Python

1. Syntaxe de base et variables

   python
   # Exemple simple en Python
   x = 5
   y = 3
   print(x + y)  # Affiche 8

2. Structures de contrôle (boucles, conditions)
   • if/else, for, while
   • Exemple :

   python
   for i in range(5):
       if i % 2 == 0:
           print(i, "est pair")
       else:
           print(i, "est impair")

2. Programmation orientée objet (POO)

1. Création de classes et objets

   python
   class Voiture:
       def __init__(self, marque, modele):
           self.marque = marque
           self.modele = modele
       
       def demarrer(self):
           print(f"La voiture {self.marque} {self.modele} démarre.")
   
   ma_voiture = Voiture("Tesla", "Model 3")
   ma_voiture.demarrer()

2. Héritage et polymorphisme
   • Héritage : Permet de créer une classe “enfant” qui hérite des attributs et méthodes d’une classe “parent”.
   • Polymorphisme : Permet d’utiliser la même méthode de manière adaptée à chaque classe.

3. Modules et bibliothèques Python

1. NumPy : Manipulation de matrices et opérations scientifiques.

   python
   import numpy as np
   
   A = np.array([[1, 2], [3, 4]])
   B = np.array([[2, 0], [1, 2]])
   print(A @ B)  # Multiplication matricielle

2. Pandas : Traitement de jeux de données (DataFrames).

   python
   import pandas as pd
   
   data = {'Nom': ['Alice', 'Bob'], 'Age': [25, 30]}
   df = pd.DataFrame(data)
   print(df.head())

3. Matplotlib & Seaborn : Visualisation de données (graphiques, courbes, histogrammes...).

   python
   import matplotlib.pyplot as plt
   import seaborn as sns
   
   sns.histplot(df['Age'])
   plt.show()

4. Environnements de développement

1. Jupyter Notebook : Interface interactive pour exécuter du code Python cellule par cellule.
2. Google Colab : Permet d’exécuter des notebooks Python dans le cloud (accès à des GPUs pour l’apprentissage profond).

IV. Manipulation et Analyse des Données

1. Collecte et nettoyage des données

1. Supprimer les doublons et valeurs manquantes

   python
   df.drop_duplicates(inplace=True)
   df.dropna(inplace=True)

2. Gérer les outliers (valeurs aberrantes)
   • Méthodes basées sur l’écart-type ou l’InterQuartile Range (IQR) pour filtrer les valeurs extrêmes.

2. Visualisation des données

1. Histogrammes, scatter plots
   • Permettent d’observer la répartition et la corrélation entre des variables.
2. Heatmaps pour les corrélations

   python
   corr = df.corr()
   sns.heatmap(corr, annot=True)
   plt.show()

3. Bibliothèques utilisées

• Pandas pour le prétraitement et la manipulation des données structurées.
• OpenCV pour le traitement d’images (détection de contours, transformations, etc.).

V. Machine Learning

1. Concepts de base

1. Différence entre apprentissage supervisé et non supervisé

   • Supervisé : Les données d’entraînement sont étiquetées (ex. classification d’images “chat” ou “chien”).
   • Non supervisé : Les données ne possèdent pas de labels (ex. groupement par similarités, clustering).

2. Métriques : Précision, rappel, F1-score

   • Précision : Parmi les prédictions positives, quelle proportion est réellement positive ?
   • Rappel : Parmi les éléments réellement positifs, quelle proportion est prédite comme positive ?
   • F1-score : Moyenne harmonique entre précision et rappel.

2. Algorithmes supervisés

1. Régression linéaire
   • Prédit une valeur continue (ex. prix d’une maison).
   • Modèle : $y = w_0 + w_1 x_1 + \dots + w_n x_n$.
2. Régression logistique
   • Pour la classification binaire (0 ou 1).
   • Fonction sigmoïde : $\sigma(z) = \frac{1}{1+e^{-z}}$.
3. Arbres de décision
   • Méthode arborescente : chaque nœud représente une condition, on “descend” dans l’arbre pour la classification ou la régression.

3. Algorithmes non supervisés

1. K-Means
   • Regroupe les données en $k$ clusters selon leur proximité (distance euclidienne).
2. Analyse en composantes principales (PCA)
   • Réduit la dimension des données tout en conservant le maximum de variance.

VI. Deep Learning

1. Introduction aux réseaux neuronaux

1. Architecture des réseaux
   • Composés de couches (layers) successives.
   • Chaque couche applique une transformation linéaire (multiplication matricielle) suivie d’une fonction d’activation.
2. Fonction d’activation : ReLU, sigmoid
   • ReLU (Rectified Linear Unit) : $\max(0, x)$
   • Sigmoid : $\sigma(x) = \frac{1}{1 + e^{-x}}$

2. Réseaux convolutifs (CNN)

1. Applications : Vision par ordinateur, détection d’objets, classification d’images, reconnaissance d’écritures (MNIST).
2. Illustration rapide d’une couche de convolution :
   • On applique un filtre (kernel) sur l’image pour en extraire des caractéristiques (bords, contours, etc.).

3. Réseaux récurrents (RNN)

1. Prédiction de séries temporelles : données séquentielles (textes, signaux, séries boursières...).
2. Variantes : LSTM, GRU
   • LSTM (Long Short-Term Memory) et GRU (Gated Recurrent Unit) : gèrent mieux la dépendance à long terme que les RNN classiques.

VII. Traitement Automatique des Langues (NLP)

1. Concepts fondamentaux

1. Tokenization, stemming, lemmatization
   • Tokenization : Découpe le texte en mots (tokens).
   • Stemming : Réduit un mot à sa forme “racine” (peut être approximatif).
   • Lemmatization : Trouve la forme canonique d’un mot (plus précis que le stemming).
2. Modèles de langage (BERT, GPT)
   • BERT, GPT sont des modèles de Deep Learning pré-entraînés sur de vastes corpus textuels.

2. Applications

1. Création de chatbots : Automatisation de réponses clients.
2. Analyse des sentiments : Déterminer si un avis est positif, neutre ou négatif.

VIII. Vision par Ordinateur (Computer Vision)

1. Traitement d’images

• Reconnaissance faciale : Détection de visages, traits, reconnaissance d’identité.
• Conduite autonome : Détection de lignes, de panneaux de signalisation, de piétons...

2. Techniques avancées

• Détection d’objets (Object Detection) : Algorithmes comme YOLO, Faster R-CNN.
• Segmentation d’images : Division d’une image en régions cohérentes (ex. segmentation sémantique).

IX. Systèmes d’Apprentissage par Renforcement

1. Concepts fondamentaux

1. Agent, environnement, état, récompense
   • L’agent interagit avec un environnement en passant d’un état à un autre et reçoit une récompense en fonction de ses actions.

2. Algorithmes

1. Q-Learning
   • Méthode pour apprendre la valeur de chaque action dans chaque état.
2. Deep Q-Learning pour les jeux
   • Utilisé par DeepMind pour jouer à des jeux Atari.
   • Combine Q-Learning et réseaux neuronaux.

X. Ingénierie des Données

1. Pipelines de données

• Collecte depuis diverses sources (base de données, APIs, fichiers...).
• Stockage : bases de données relationnelles (SQL) ou non relationnelles (NoSQL).
• Transformation : nettoyage, formatage, agrégation.

2. Gestion des bases de données

• SQL (Structured Query Language) : MySQL, PostgreSQL, etc.
• NoSQL : MongoDB, Cassandra pour des données non structurées ou semi-structurées.

XI. Développement et Déploiement de Modèles

1. Sauvegarde des modèles

• Formats :
  • Pickle : Format natif Python.
  • ONNX (Open Neural Network Exchange) : Format standard ouvert et interopérable.

2. Intégration

• API avec Flask ou FastAPI :
  • Permet de déployer un modèle sous forme de service web.

  python
  from fastapi import FastAPI
  import pickle
  import numpy as np
  
  app = FastAPI()
  model = pickle.load(open("modele.pkl", "rb"))
  
  @app.post("/predict")
  def predict(features: list):
      features_array = np.array(features).reshape(1, -1)
      prediction = model.predict(features_array)
      return {"prediction": prediction.tolist()}

• Conteneurisation avec Docker :
  • Simplifie la mise en production (même environnement partout).

XII. Domaines Avancés

1. IA explicable (Explainable AI)

• Interprétation des résultats : Méthodes comme LIME, SHAP pour comprendre la contribution de chaque variable.

2. IA et IoT

• Applications aux appareils connectés : Objets intelligents (caméras de surveillance, montres connectées…).
• Edge computing : L’IA est exécutée localement sur l’appareil (sans passer par le cloud).

XIII. Projets Pratiques

1. Créer un chatbot

   • Entraîner un modèle NLP pour répondre à des questions fréquentes.
   • Utiliser une interface type Flask ou Streamlit pour l’interaction utilisateur.

2. Prédire les prix immobiliers

   • DataFrame Pandas avec des informations (surface, localisation…).
   • Régression linéaire ou Random Forest pour prédire le prix.

3. Réaliser une analyse des sentiments

   • Collecter des avis (Twitter, commentaires de clients).
   • Classifier comme positif, neutre ou négatif (Régression logistique, SVM…).

XIV. Certifications et Compétitions

1. Certifications

• TensorFlow Developer : Proposé par Google, couvre les bases du deep learning.
• AWS Machine Learning : Connaissances sur les services ML d’AWS (SageMaker…).

2. Compétitions

• Kaggle : Plateforme pour s’entraîner, tester ses compétences.
  • Exemples : Titanic: Machine Learning from Disaster, House Prices: Advanced Regression Techniques.
  • Permet de construire un portfolio et de se faire remarquer par des recruteurs.

XV. Plan de Carrière

1. Opportunités professionnelles

• Data Scientist : Combine analyse statistique, modélisation et programmation.
• Ingénieur IA : Conçoit, implémente et déploie des modèles d’IA.
• Architecte de données : Conçoit l’infrastructure pour la collecte, le stockage et la diffusion des données.

2. Réseautage

• Participer à des événements IA : Conférences (NeurIPS, ICML, Data Science conferences), Meetups locaux.
• Contribuer à des projets open source : Sur GitHub, pour élargir ses compétences et sa visibilité.

Conclusion

Ce fascicule constitue un aperçu global de l’Intelligence Artificielle, de ses fondements mathématiques à ses applications concrètes. Il pose les bases nécessaires pour se lancer dans des projets IA :

• Comprendre les fondamentaux de la programmation Python,
• Maîtriser les techniques de préparation et d’analyse de données,
• Explorer les modèles de Machine Learning et de Deep Learning,
• Découvrir les domaines spécialisés (NLP, Computer Vision, Reinforcement Learning),
• Apprendre à déployer ses modèles et à gérer les aspects éthiques.

Avec ces connaissances, vous pouvez vous initier à des projets pratiques et poursuivre votre formation via des certifications ou des compétitions pour vous spécialiser davantage. L’IA est un domaine en constante évolution offrant de formidables opportunités de carrière et d’innovation.