Intelligence artificielle et apprentissage automatique

C'est une partie des données mise de côté, jamais vue par le modèle pendant l'entraînement, utilisée pour évaluer sa performance réelle.

💡 À retenir : Le test est le juge final de la qualité du modèle.

Pour éviter que les variables ayant de grandes échelles ne dominent celles ayant de petites échelles, ce qui fausserait l'apprentissage.

💡 À retenir : La normalisation assure une convergence plus rapide et stable.

L'IA est le domaine global (créer des systèmes intelligents), tandis que le Machine Learning est une sous-catégorie basée sur l'apprentissage statistique à partir de données.

💡 À retenir : Tout ML est de l'IA, mais toute IA n'est pas forcément du ML (ex: systèmes experts).

Il doit être assez petit pour converger vers le minimum, mais assez grand pour ne pas prendre trop de temps.

💡 À retenir : Un taux trop élevé fait diverger le modèle, trop faible le rend très lent.

1. L'apprentissage supervisé utilise des données étiquetées (on connaît la réponse attendue).
2. L'apprentissage non supervisé utilise des données brutes sans étiquettes (le modèle cherche des groupes).

💡 À retenir : Supervisé = on guide l'IA avec des exemples corrigés ; Non supervisé = l'IA découvre seule.

On utilise généralement l'erreur quadratique moyenne (MSE) :

1. Calculer la différence entre la valeur prédite $\hat{y}$ et la valeur réelle $y$.
2. Élever cette différence au carré : $(y - \hat{y})^2$.
3. Faire la moyenne de ces carrés sur tout le jeu de données.

💡 À retenir : MSE = $\frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2$.

Non, l'IA est un outil d'aide à la décision. Elle excelle dans les tâches répétitives ou le traitement massif de données, mais manque de conscience, d'éthique et de créativité contextuelle propre à l'humain.

💡 À retenir : L'IA est un assistant puissant, pas un remplaçant total.

C'est quand le modèle apprend "par cœur" les données d'entraînement, y compris le bruit, et perd sa capacité à généraliser sur de nouvelles données.

💡 À retenir : Un modèle qui réussit à 100% sur le train mais échoue sur le test est en surapprentissage.

Elle introduit la non-linéarité dans le réseau de neurones, permettant au modèle d'apprendre des relations complexes entre les entrées et les sorties.

💡 À retenir : Sans fonction d'activation, un réseau de neurones ne serait qu'une simple régression linéaire.

1. On initialise les poids aléatoirement.
2. On calcule l'erreur.
3. On ajuste les poids dans la direction opposée au gradient pour réduire l'erreur.
4. On répète jusqu'à convergence.

💡 À retenir : C'est comme descendre une montagne dans le brouillard en suivant la pente la plus raide.

C'est une unité de calcul qui reçoit des entrées, les multiplie par des poids, ajoute un biais, et applique une fonction d'activation.

💡 À retenir : $y = f(\sum w_i x_i + b)$.

L'IA repose sur trois piliers : les algorithmes (code), la puissance de calcul (matériel) et surtout les données (data).

💡 À retenir : Sans données de qualité, le meilleur algorithme ne sert à rien.