1 - UNE TECHNIQUE AU DÉVELOPPEMENT « EXPONENTIEL »

• 1.1 - L’intelligence artificielle, technologie phare du XXIe siècle
  Figure 1 - Exemple de structure d’une protéine obtenue à l’aide de techniques d’intelligence artificielle (source : https://alphafold.ebi.ac.uk/) Figure 2 - Intelligence artificielle, apprentissage machine et apprentissage profond Figure 3 - Ada Lovelace (1815-1852) et Alan Turing (1912-1958), deux figures visionnaires de l’informatique et de l’intelligence artificielle (source : illustration du logiciel MidJourney)
• 1.2 - La donnée, le carburant de l’intelligence artificielle

  • Quiz d'entraînement
  Figure 4 - La croissance exponentielle des données produites dans le monde (données : Statistica, https://fr.statista.com/infographie/17800/big-data-evolution-volume-donnees-numeriques-genere-dans-le-monde/) Figure 5 - Les « 4 V » du « Big Data »
• 1.3 - Principe de l’apprentissage machine
  Figure 6 - Les différentes étapes de l’apprentissage machine

2 - APPRENTISSAGE SUPERVISÉ

• 2.1 - Méthodes de régression
  Figure 7 - Exemple de droite de régression (avec coefficient de détermination de 87,5 %) Figure 8 - Une corrélation hasardeuse… (source : https://www.tylervigen.com/spurious/correlation/2965_associates-degrees-awarded-in-science-technologiestechnicians_correlates-with_google-searches-for-avocado-toast)
• 2.2 - Séparateurs à vaste marge
  Figure 9 - Exemple de classification opérée par un séparateur à vaste marge
• 2.3 - Arbres de décision et forêts aléatoires

  • Quiz d'entraînement
  Figure 10 - Arbre de décision et forêt aléatoire Figure 11 - La base de données des fleurs d’iris de Fischer Figure 12 - Matrices de confusion d’arbres de décision pour la classification des espèces d’iris
• 2.4 - Réseaux de neurones artificiels

  • Quiz d'entraînement
  Figure 13 - Neurone formel et réseau de neurones Figure 14 - Illustration du théorème d’approximation universelle Figure 15 - Principe d’un algorithme de descente par gradient Figure 16 - Illustration du principe d’approximation universelle : évolution de l’apprentissage d’une fonction mathématique avec le nombre de neurones d’un réseau Figure 17 - Données d’entraînement, données à analyser et données prédites par un réseau de neurones « peu profond » pour un problème de classification Figure 18 - L’interface web de TensorFlow permet de comprendre par la pratique le fonctionnement des réseaux de neurones Figure 19 - Principe d’un réseau neuronal informé par la physique (d’après [26]) Tableau 1

3 - APPRENTISSAGE NON SUPERVISÉ

• 3.1 - Réduction de dimensionnalité
  Figure 20 - Apprentissage machine et réduction de dimensionnalité avec un auto-encodeur profond Figure 21 - Illustration visuelle du principe de l’analyse en composantes principales Figure 22 - Covariance cumulée en fonction du nombre de composantes
• 3.2 - Partitionnement
  Figure 23 - Principe de la méthode des k-moyennes Figure 24 - Principe de la méthode de hiérarchisation Figure 25 - Traitement d’écriture manuscrite de chiffres à l’aide d’une grille d’analyse en nuances de gris (source : https://scikit-learn.org/) Figure 26 - Exemple de partitionnement de données avec l’algorithme de la k-moyenne
• 3.3 - Réseaux de neurones antagonistes
  Figure 27 - Entraînés sur un nombre gigantesque de données textuelles, les modèles de langage peuvent devenir de véritables assistants à l’écriture (source : illustration du logiciel MidJourney)

4 - CONCLUSION

5 - GLOSSAIRE

• Quiz d'entraînement

TEST DE VALIDATION