Flashcards: Introduction aux fondamentaux de l'Intelligence Artificielle — 24 cards

Intelligence Artificielle — définition ?

Ensemble de techniques simulant l'intelligence humaine.

Sous-domaines de l'IA — exemples ?

Raisonnement, représentation, planification, ML, vision, NLP.

Hivers de l'IA — caractéristique ?

Périodes de baisse d'intérêt et d'investissement.

Hiérarchie IA — ordre ?

IA > Machine Learning > Deep Learning.

Importance de l'IA — secteurs ?

Santé, finance, industrie, transports, sécurité.

Machine Learning — rôle ?

Apprendre à partir de données pour modéliser et prédire.

Composants ML — principaux ?

Données, modèle, algorithme, fonction de perte.

Pipeline ML — étapes ?

Collecte, analyse, ingénierie, entraînement, évaluation, déploiement.

Généralisation — but ?

Performance sur nouvelles données, éviter sur- et sous-apprentissage.

Apprentissage supervisé — données ?

Avec étiquettes (labels).

Tâche classification — exemple ?

Prédire catégorie (ex : spam/non-spam).

Tâche régression — exemple ?

Prédire valeur continue (ex : prix).

Apprentissage non supervisé — objectif ?

Découvrir structure ou groupes dans données non étiquetées.

Clustering — méthode ?

Groupement d'exemples similaires (ex : K-Means).

Apprentissage par renforcement — principe ?

Agent apprend par récompenses dans un environnement.

Algorithmes classiques ML — exemples ?

Régression linéaire, SVM, arbres, forêts, gradient boosting.

Régression linéaire — fonction ?

Modèle linéaire minimisant erreur quadratique.

Arbres de décision — principe ?

Partitionnement récursif par questions binaires.

Réseaux de neurones convolutifs — rôle ?

Traiter données spatiales, extraire caractéristiques d'images.

Pooling — fonction ?

Réduit la taille des feature maps, augmente robustesse.

Réseaux récurrents — traitement ?

Données séquentielles avec mémoire temporelle.

LSTM — avantage ?

Gère dépendances longues, évite disparition du gradient.

Transformers — innovation clé ?

Mécanisme d'attention, traitement parallèle, progrès NLP.

Modèles pré-entraînés — exemples ?

BERT, GPT, T5, LLaMA, utilisés pour NLP.