Ficha de revisão: Introduction à l'Intelligence Artificielle et Machine Learning

1. 📌 L'essentiel

• L’IA vise à créer des machines simulant l’intelligence humaine.
• Le ML est une branche mathématique de l’IA permettant l’apprentissage sans programmation explicite.
• Apprentissage supervisé : données étiquetées, tâches de classification et régression.
• Apprentissage non supervisé : données non étiquetées, clustering, réduction de dimension.
• Algorithmes clés : régression linéaire, logistique, K-NN, arbres de décision, réseaux neuronaux.
• Exemples d’applications : diagnostic médical, détection de spam, voitures autonomes, reconnaissance d’images.
• Notation mathématique : scalaires (x), vecteurs (~x), matrices (X), ensembles (X, Ω).
• Types d’apprentissage : supervisé, non supervisé, semi-supervisé, par renforcement.
• Importance : secteurs médical, financier, industriel, sécurité, vision par ordinateur.
• La hiér : IA → ML → Algorithmes → Applications concrètes.

2. 🧩 Structures & Composants clés

• Système d’Intelligence Artificielle — ensemble de techniques simulant l’intelligence humaine.
• Machine Learning — système qui apprend expérience pour améliorer la performance.
• Données étiquetées — nécessaires pour l’apprentissage supervisé.
• Algorithmes supervisés — régression, classification, réseaux neuronaux.
• Algorithmes non supervisés — clustering, PCA, t-SNE.
• Fonction de performance — mesure la qualité de l’apprentissage (ex : précision).
• Modèle — représentation mathématique ou statistique de la tâche.
• Entraînement — phase d’ajustement du modèle sur les données.
• Validation — évaluation de la généralisation.
• Applications — reconnaissance faciale, diagnostic, robotique, détection d’anomalies.

3. 🔬 Fonctions, Mécanismes & Relations

• Flux d’information : Données → Prétraitement → Apprentissage → Modèle → Prédictions.
• Organisation hiérarchique :
  • Données brutes → Nettoyage → Extraction → Modèle → Résultats.
• Relations fonctionnelles :
  • La performance (P) dépend de la qualité des données et du modèle.
  • La fonction de coût (ex : erreur) guide l’optimisation.
• Relations cause-effet :
  • Plus de données étiquetées → meilleure précision en supervision.
  • Réduction de dimension → simplification sans perte d’information.
• Structure des algorithmes :

  Données → Apprentissage → Modèle → Validation → Amélioration
  

4. Tableau comparatif : Apprentissage supervisé vs non supervisé

Élément	Supervisé	Non supervisé
Données	Étiquetées	Non étiquetées
Tâches principales	Classification, régression	Clustering, réduction de dimension, détection d’anomalies
Exemple	Filtre anti-spam, prédiction de prix	Segmentation client, PCA, t-SNE
Complexité	Plus contrôlé, plus précis	Plus exploratoire, moins précis

5. 🗂️ Diagramme Hiérarchique (ASCII)

Intelligence Artificielle
 ├─ Machine Learning
 │   ├─ Apprentissage supervisé
 │   │    ├─ Classification
 │   │    └─ Régression
 │   ├─ Apprentissage non supervisé
 │   │    ├─ Clustering
 │   │    └─ Réduction de dimension
 │   ├─ Semi-supervisé
 │   └─ Par renforcement
 └─ Applications
     ├─ Médecine
     ├─ Sécurité
     ├─ Robotique
     └─ Vision par ordinateur

6. ⚠️ Pièges & Confusions fréquentes

• Confondre classification (supervisé) et clustering (non supervisé).
• Confusion entre apprentissage supervisé et non supervisé.
• Termes similaires : régression vs classification.
• Croire que plus de données étiquetées garantit toujours une meilleure performance.
• Négliger la phase de validation ou de test.
• Confondre réduction de dimension et sélection de variables.
• Sous-estimer l’importance des algorithmes non supervisés pour la segmentation.
• Oublier que l’algorithme doit être adapté au type de problème.

7. ✅ Checklist Examen Final

• Définir l’IA et le ML.
• Expliquer la différence entre apprentissage supervisé et non supervisé.
• Citer des exemples concrets pour chaque type d’apprentissage.
• Nommer et décrire les principaux algorithmes supervisés et non supervisés.
• Comprendre la hiérarchie et le flux de traitement.
• Savoir utiliser le tableau comparatif.
• Identifier les applications majeures de l’IA/ML.
• Maîtriser la notation mathématique (x, ~x, X, Ω).
• Connaître les ressources principales (logiciels, livres, sites).
• Expliquer le rôle de la fonction de coût et de l’entraînement.
• Savoir distinguer réduction de dimension et sélection de variables.
• Être capable de représenter une architecture simple en ASCII.
• Connaître les pièges courants pour éviter les erreurs d’interprétation.
• Se préparer à illustrer un exemple d’application concrète.