INITIATION À L'APPRENTISSAGE AUTOMATIQUE

Mokhtar TAFFAR
Université de Jijel
INITIATION A L’APPRENTISSAGE
AUTOMATIQUE
Ya Ouli Al-Albab
Université de Jijel
Faculté des Sciences Exactes et de l’Informatique
Département Informatique
Support de Cours pour étudiants en Master en Intelligence Artificielle
Enseignant-Chercheur

Initiation à l’apprentissage Automatique
2

Initiation à l’Apprentissage Automatique
i
INITIATION A L’A PPRENTISSAGE AUTOMATIQUE
Avant-propos
Les algorithmes intelligents, permettant aux systèmes à la fois d’apprendre et de raisonner,
particulièrement ceux destinés à l’analyse d’image et vidéo et à la vision par ordinateur, et plus
généralement à l’intelligence artificielle (IA), font, depuis quelques décennies, l’objet d’intense
recherches, tant en théorique qu’en pratique.
Ce cours est destiné aux étudiants préparant un master en intelligence artificielle et systèmes
intelligents, notamment ceux ayant en vue la réalisation d’un projet de fin d’étude, ainsi qu’à toute
personne désireuse de s’initier à la construction de modèles destinés à l’IA, à la vision par ordinateur
et à l’analyse d’image et vidéo ; et même aux personnes travaillant sur les systèmes d’information et
d’aide à la décision et les modèles de fouilles de données.
Nous souhaitons que cet ouvrage constitue, à sa juste valeur, une contribution effective offrant aux
étudiants un recueil des notions intelligibles simplifiées sur l’écriture des algorithmes intelligents.
Aussi, en présentant d’une manière sobre ces notions, il conduit aisément le lecteur à leur
compréhension, en lui procurant ainsi une opportunité de maîtrise concrète de la construction de
modèles automatique.

Initiation à l’apprentissage Automatique
ii

Initiation à l’Apprentissage Automatique
iii
Table des matières
Avant propos ……………………………………………………………………………………………………………..………………………………………..
i
Chapitre 1 Introduction Générale …………………………………………………………………………………….............................
01
1.1 Aperçu sur l’état actuel …………………………………………………………………………………………………………….……………
03
1.2 Le Nouveau Paradigme ………………………………………………………………………………………..………………………………..
03
1.3 Origines de l’Apprentissage Automatique ………………………………………………………………..……………………..
03
1.4 Domaines de l’Apprentissage Automatique ……………………………………………………………………………………
04
1.5 Définitions et Particularités…………………………………………………………………………………………………………………..
05
1.5.1 Apprentissage ………………………………………………………………………………………………………………………………
05
1.5.2 Adaptation ………….…………………………………………………………………………………………………………………………
05
1.5.3 Dilemme de l’Apprentissage : Précision vs Généralisation ………….…………………………………
06
1.5.4 Intelligibilité ………….………………………………………………………………………………………………………………………
06
1.5.5 Classification : Classification vs Régression ………….……………………..………………………………………….
06
1.6 Exemples d’Apprentissage Artificiel ……………..……………………………………………………………………………………
07
Chapitre 2 Apprentissage et Classification ….…………………………………………………………..………...........................
09
2.1 Introduction …………………….………………………………………………………………………………….……………………….……………
11
2.2 Contexte Général…………….………………………………………………………………………………………………………….……………
11
2.3 Présentation de la Problématique…..…………………………………………………………………………………….……………
12
2.4 Modèle d’Apprentissage…………………....…………………………………………………………………………………….……………
13
2.5 Données d’Apprentissage…………………....…………………………………………………………………………………….…………
13
2.6 Types d’Apprentissage…………………....…………………………………………………………………………………….……………….
13
2.7 Formulation…………………………………………………………….…………………………………………………………………………………
14
2.7.1 Calcul du Risque……………………………………………………………………………………………………………………………
15
2.7.2 Théorie d’Apprentissage de Vapnik………………………………………………………………………………………..
15
2.7.3 Conditions de Construction….……………………………………………………………………………………………………
16
2.8 Notions Elémentaires…………………....………………………………………………………………………………………………………
16
2.8.1 Données……….…………………………………………………………………………………………………………………………………
16
2.8.2 Vecteur de Caractéristiques………………………………………………………………………………………………………
17
2.8.3 Classe ……..…….…………………………………………………………………………………………………………………………………
17
2.8.4 Notion de Distance……………………………………………………………………………………………………………………..
17
2.8.5 Quelques Distances Usuelles…………………………………………………………………………………………………….
17
Chapitre 3 Apprentissage et Classification Supervisés ….……………………………………………...........................
19
3.1 Introduction ……….…………….………………………………………………………………………………………………………….……………
21
3.2 Formulation ……….…………….………………………………………………………………………………………………………….……………
21
3.3 Problème Linéaire et Non-Linéaire….…………………………………………………………………………………….……………
22
3.4 Classifieurs à Mémoire………………….………………....……………………………………………………………………………………
23
3.4.1 K-plus proches Voisins………………………………………………………………………………………………………………..
23
3.4.2 Classifieur Naïf Bayésien………….…………………………………………………………………………………………………
25
3.4.3 Classifieur Maximisation-Espérance (EM)….…………………………………………………………………………
25
3.5 Classifieurs basés sur des Modèles : Arbres de Décision………………………………………………………………
29
3.5.1 Contexte Général………………………………………………………………………………………………………………………….
29