Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

Dédicaces A mes chers parents pour leur sacrifice et leur dignité, Les mots me

Dédicaces A mes chers parents pour leur sacrifice et leur dignité, Les mots me manquent pour exprimer toute ma gratitude, ma fierté et ma profonde, l’amour que j'ai pour vous, Vous avez travaillé pour mes succès. Trouver ici un témoignage d'attachement, ma gratitude, Ma gratitude et mon respect. Que Dieu vous protège et vous donne une vie longue et saine. Remerciements Grâce au Très Miséricordieux Allah, j’avais pu achever ce travail. J’ai tenu à exprimer ma profonde gratitude et mon sincères remerciements à Madame Khadija, mon encadrante au sein de la poste de Tunisie pour ses directives, ses recommandations, ses remarques constructives et sa disponibilité. Nous remercions également le président et les membres du jury d'avoir accepté l'évaluation de notre travail. Afin de n'oublier personne, j'exprime ma gratitude à tous ceux qui m'ont aidé à réaliser ce projet. 1. Intelligence artificielle et ses sous domaines 1.1. Intelligence artificielle L’intelligence artificielle est essentiellement le mécanisme permettant d’incorporer l’intelligence humaine dans les machines à travers un ensemble de règles (algorithmes). L’IA est une combinaison de deux mots : « Artificiel » signifiant quelque chose fabriqué par des humains ou des choses non naturelles et « Intelligence » signifiant la capacité de comprendre ou de penser en conséquence. Une autre définition pourrait être que « l’IA est essentiellement l’étude de l’entraînement de votre machine (ordinateurs) pour imiter un cerveau humain et ses capacités de réflexion ». [2] L’IA se concentre sur 3 aspects majeurs : l’apprentissage, le raisonnement et l’autocorrection pour obtenir le maximum d’efficacité possible. 1.2. Concepts de l’apprentissage automatique 1.2.1. Définition Il consiste à appliquer des algorithmes afin de donner aux ordinateurs la capacité d’apprendre en fonction des données qui leur sont présentées, L’apprentissage automatique permet de détecter des objets dans des images et de les classer, pour cela il suffit d’utiliser une grande quantité d’images pour que l’algorithme détermine les caractéristiques nécessaires pour identifier un objet. 1.2.2. Modes d’apprentissage automatique Apprentissage automatique supervisé L’apprentissage supervisé consiste à superviser l’apprentissage de la machine en lui montrant des exemples (des données par exemple des images) de la tâche qu’elle doit réaliser. Les applications sont nombreuses : classifications, vision par ordinateur, régressions, Reconnaissance vocale, etc. Avec l’apprentissage supervisé, la machine peut apprendre à faire une certaine tâche en étudiant des exemples de cette tâche. Par exemple, elle peut apprendre à reconnaître une photo de feuille après qu’on lui ait montré des millions de photos de feuille. D’une manière générale, la machine peut apprendre une relationf : x →yqui relie x à y en ayant analysé des millions d’exemples d’associationsx→y. Comme une montre la figure : Figure 1 : Exemple d’apprentissage supervisé Apprentissage automatique non supervisé Dans l’apprentissage non supervisé, seules les données d’entrée (inputs) sont connues. Les données de sortie (outputs) ne sont pas connues. Ce type d’apprentissage est utilisé lorsqu’on ne connaît pas ou mal les données de sortie. Ce qui n’est pas le cas avec notre problématique. 1.1. Apprentissage profond L’apprentissage profond (Deep Learning) est un sous-domaine spécifique de l’apprentissage automatique (machine Learning). Le terme « profond » dans l’apprentissage représente l'idée de couches successives de représentations. Le nombre de couches qui contribuent à un modèle de données définit la profondeur du modèle. L'apprentissage profond moderne implique souvent des dizaines, voire des centaines de couches successives de représentations et elles sont toutes calculées automatiquement par l'exposition aux données d’entraînement. L’IA est associée à ses sous domaines comme le montre la Figure 2 : Figure 2 : Illustration de l’apprentissage profond par rapport à l'intelligence artificielle et l'apprentissage automatique La classification et la régression dans les problèmes de l’IA : Dans cet article, nous allons nous intéresser à deux grands types de problèmes endémiques de l’IA supervisée : la régression et la classification. La régression : Littéralement en mathématiques, la régression est le fait d’approcher une variable à partir d’autres qui lui sont liées. Pour atteindre cet objectif, plusieurs modèles d’approches sont possibles : approcher les données par une droite régression linéaire, par un polynôme une régression polynômiale, par une fonction logarithmique. Par extension, on appelle régression en intelligence artificielle tout problème qui consiste à prédire une variable qualitative. Les domaines d’application sont nombreux, des finances (prédiction du cours de la Bourse…) au commerce (stocks futurs à prévoir…) en passant par la maintenance prédictive (anticiper une panne). L’objectif de la régression linéaire (ici) est de proposer un modèle qui, pour chaque valeur entre 0 et 4, prédit la position du point rouge. On remarque que le modèle ne prédit (quasiment) jamais la bonne valeur mais n’en est pas très loin. classification : La classification, comme le nom l’indique, repose sur des classes : ce sont les problèmes pour lesquels l’objectif est de prédire une classe parmi un ensemble fini.[ On a notamment :  Déterminer si l’animal présent dans l’image est un chat, un chien ou un lapin »  Evaluer la gravité d’un cancer (bénin ou malin, l’équivalent en régression serait de prédire le risque de décès en pourcentage) »…  Ainsi que de très nombreux autres exemples] La classification présentée ainsi ressemble à un problème lié à de l’apprentissage non-supervisé, mais ce n’est pas le cas. La différence est qu’en non-supervisé les classes ne sont pas connues et sont déterminées à la volée, tandis qu’ici la prédiction de l’IA est une classe parmi un ensemble de classe définies (et pour lesquelles l’IA a des exemples, idéalement en même quantité). Materiels et méthodes : Introduction : Matériels utiliser : avec colab Colaboratory : est un environnement de notebook Jupyter développeé par google qui ne nécessite aucune configuration et qui s’exécute entièrement dans le cloud. Il permet d’écrire et d’exécuter du code, de sauvegarder et partager des analyses, et d’accéder à de puissantes ressources informatiques. Tout cela gratuitement, depuis le navigateur. Tous les modules nécessaires aux travaux d’apprentissage machine y sont déjà disponible. 2 Outils techniques : Langage utilisé : python Python est un type de langage de programmation. L’implémentation la plus courante de ce langage de programmation est celle en C (aussi connu sous le nom de CPython). Non seulement Python est un langage de programmation, mais il consiste en une grande bibliothèque standard. Cette bibliothèque est structurée pour se concentrer sur la programmation générale et contient des modules pour les OS spécifiques, les threads, la mise en réseau et les bases de données. 4.2.1.1.1 Avantages et inconvénients - Une pile de calcul scientifique très fragmentée mais complète. - Pandas, scikit.learn, numpy, scipy, ipython, & matplotlib font partie des bibliothèques informatiques scientifiques les plus utilisées. - Tous les avantages d’un langage de programmation à usage général. - Malheureusement lent si vous ne passez pas en C. - Une partie de la pile de calcul scientifique est toujours coincée dans Python 2.7. - Très bon pour les problèmes qui ne se présentent pas sous la forme d’une simple matrice de fonctionnalités, entre des outils comme pandas et nltk. - Un écosystème open source incroyable. Tensorflow : est un framework de programmation pour le calcul numérique qui a été rendu Open Source par Google en Novembre 2015. TensorFlow n’a cessé de gagner en popularité, pour devenir très rapidement l’un des frameworks les plus utilisés pour le Deep Learning et donc les réseaux de neurones. Son nom est notamment inspiré du fait que les opérations courantes sur des réseaux de neurones sont principalement faites via des tables de données multi-dimensionnelles, appelées Tenseurs (Tensor). Un Tenseur à deux dimensions est l’équivalent d’une matrice. Aujourd’hui, les principaux produits de Google sont basés sur TensorFlow : Gmail, Google Photos, Reconnaissance de voix, ainsi sa documentation très riche fait d’elle une bibliothèque facile à utiliser. Keras : est une API de réseaux de neurones de haut niveau, écrite en Python et capable de fonctionner sur TensorFlow ou Theano. Il a été développé en mettant l’accent sur l’expérimentation rapide. Être capable d’aller de l’idée à un résultat avec le moins de délai possible est la clé pour faire de bonnes recherches. Il a été développé dans le cadre de l’effort de recherche du projet ONEIROS (Open-ended Neuro- Electronic Intelligent Robot Operating System), et son principal auteur et mainteneur est François Chollet, un ingénieur Google. En 2017, l’équipe TensorFlow de Google a décidé de soutenir Keras dans la bibliothèque principale de TensorFlow. Chollet a expliqué que Keras a été conçue comme une interface plutôt que comme un cadre d’apprentissage end-to-end. Il présente un ensemble d’abstractions de niveau supérieur et plus intuitif qui facilitent la configuration des réseaux neuronaux. Les bibliothéques , la langage ansi le tools utiliser Generalites w but , uploads/Industriel/ satge-rapport 1 .pdf