Cours Introduction à l'apprentissage automatique - PDF

Introduction à l'apprentissage automatique

Ce cours introductif vise à expliciter comment les ordinateurs peuvent apprendre à partir de données, sans être explicitement programmés, en construisant des modèles dont l'erreur statistique moyenne est minimisée. Ce cours offre un guide pratique et théorique pour comprendre, implémenter et évaluer des modèles d'apprentissage automatique.

Le contenu couvre les notions essentielles du domaine, incluant les types d'apprentissage, les limites théoriques, ainsi que les méthodes courantes pour la classification et la régression, en mettant un accent particulier sur la compréhension des principes et la mise en œuvre pratique à travers des exemples représentatifs.

Ce que vous allez apprendre

• Analyser différents types de problèmes d'apprentissage supervisé et non-supervisé
• Configurer les bases de données et comprendre leur rôle dans le processus d'apprentissage
• Mettre en place des modèles statistiquement fondés comme les classifieurs naïfs de Bayes et les méthodes des plus proches voisins
• Créer des stratégies pour éviter le sur-apprentissage et le sous-apprentissage grâce au dilemme biais-fluctuation
• Utiliser des techniques de sélection de modèle et validation croisée pour optimiser les performances

Prérequis

• Niveau Licence 2 (2A) en sciences ou ingénierie, avec des bases en mathématiques et statistiques
• Connaissances élémentaires en programmation, idéalement en Python
• Environnement de travail supportant les notebooks Jupyter et la bibliothèque scikit-learn
• Intérêt pour les données, la modélisation statistique et la prise de décision automatisée

Aperçu du cours

• Comprendre les principes de l'apprentissage automatique et ses principaux types et définitions.
• Analyser les jeux de données, formats, prétraitements et impact sur la qualité des modèles.
• Appliquer des méthodes non-supervisées pour segmenter, réduire la dimension et détecter structures.
• Construire et évaluer modèles supervisés pour classification et régression avec validation rigoureuse.
• Étudier les limites théoriques comme la malédiction de la dimension et le biais-variance.
• Introduire la théorie statistique de la décision pour minimiser le risque de prédiction.
• Mettre en œuvre les classifieurs de Bayes (naïf), régression logistique et k-plus proches voisins.
• Explorer réseaux de neurones artificiels, architectures profondes et techniques d'entraînement modernes.

Applications pratiques

• Classification d'images: à partir de réseaux convolutifs préentraînés comme VGG16, il est possible de reconnaître des objets dans des images, même avec peu de données spécifiques, grâce à l'apprentissage par transfert.
• Reconnaissance automatique: identification de panneaux routiers ou de catégories dans des bases d'images, avec adaptation fine (« réglage fin ») des modèles existants à de nouveaux jeux de données.
• Détection d'attaques adversariales: défense contre des entrées modifiées qui pourraient tromper un réseau de neurones en classification d'images, domaine essentiel dans les applications critiques comme la conduite autonome.

Pour qui ce PDF?

Ce cours s'adresse principalement aux étudiant·e·s en ingénierie souhaitant comprendre les bases de l'apprentissage automatique, ses enjeux fondamentaux ainsi que ses applications concrètes. Il est conçu pour des profils généralistes qui interagiront avec des spécialistes ou décideront du déploiement de solutions basées sur l'intelligence artificielle.

Questions fréquentes

À quel public s'adresse le cours Introduction à l'apprentissage automatique?

Ce cours est destiné à tous les élèves FICM 2A, quel que soit leur département, et n'exige pas de compétences spécifiques en mathématiques ou informatique.

Quels outils logiciels sont utilisés pour la mise en œuvre pratique dans ce cours?

La mise en œuvre pratique utilise des carnets Jupyter et la bibliothèque Python scikit-learn, très utilisés en milieu académique et industriel.

Comment le cours traite-t-il la sélection de modèles en apprentissage supervisé?

La sélection de modèles repose sur la minimisation du risque empirique dans un modèle donné, avec des méthodes telles que la validation croisée pour éviter le sous-apprentissage ou le sur-apprentissage.

Mis à jour le 06/04/2026