Intelligence artificielle et apprentissage automatique

C'est une unité de calcul qui :

1. Reçoit des entrées ($x_i$).
2. Multiplie chaque entrée par un poids ($w_i$).
3. Ajoute un biais ($b$).
4. Passe le résultat dans une fonction d'activation pour décider de la sortie.

💡 À retenir : C'est la brique de base des réseaux de neurones.

Oui, absolument. L'IA est probabiliste, pas déterministe. Elle donne la réponse la plus probable selon les données qu'elle a vues. Si les données sont biaisées ou insuffisantes, l'IA fera des erreurs.

💡 À retenir : La fiabilité d'une IA dépend à 90% de la qualité de ses données.

Le poids détermine l'importance d'une donnée d'entrée. Si le poids est grand, l'entrée influence beaucoup la sortie. S'il est proche de zéro, l'entrée est ignorée.

💡 À retenir : L'apprentissage consiste justement à trouver les bons poids.

1. Selon la nature du problème (classification, régression, clustering).
2. Selon la quantité de données disponibles.
3. Selon la puissance de calcul (matériel).

💡 À retenir : Il n'y a pas d'algorithme universel, chaque problème a sa solution.

Pas toujours, mais souvent oui. Les modèles complexes demandent beaucoup de mémoire et de puissance de calcul (GPU), que le Cloud fournit facilement à la demande.

💡 À retenir : Le Cloud facilite le passage à l'échelle des projets IA.

C'est une fonction mathématique qui introduit de la non-linéarité dans le réseau. Sans elle, un réseau de neurones ne serait qu'une simple suite de multiplications, incapable de résoudre des problèmes complexes.

💡 À retenir : Elle permet à l'IA de modéliser des relations complexes.

1. L'IA est le domaine global (l'objectif).
2. Le Machine Learning est une sous-catégorie de l'IA (la méthode).
3. L'IA englobe tout système simulant l'intelligence, tandis que le ML est la technique spécifique où la machine apprend à partir des données sans être explicitement programmée pour chaque cas.

💡 À retenir : Tout ML est de l'IA, mais toute IA n'est pas forcément du ML.

1. Tu compares la valeur prédite ($y_{pred}$) avec la valeur réelle ($y_{reel}$).
2. Tu utilises une fonction de coût, souvent la moyenne des carrés des erreurs : $MSE = \frac{1}{n} \sum_{i=1}^n (y_{pred,i} - y_{reel,i})^2$.
3. Plus le résultat est proche de 0, plus le modèle est performant.

💡 À retenir : L'erreur est le moteur qui permet à l'algorithme d'ajuster ses poids.

1. Supervisé : Tu as des données avec des réponses (labels). Exemple : photos de chats avec l'étiquette "chat".
2. Non supervisé : Tu as des données brutes sans étiquettes. L'algorithme doit regrouper les données qui se ressemblent (clustering).

💡 À retenir : Supervisé = on donne la correction ; Non supervisé = l'algorithme cherche tout seul.

Non. Le développeur conçoit l'architecture, prépare les données et choisit les algorithmes. L'IA est un outil qui automatise des tâches complexes, mais elle nécessite une supervision humaine pour éviter les biais et les erreurs.

💡 À retenir : L'IA assiste, elle ne remplace pas la logique humaine.

1. Les modèles d'IA (surtout les réseaux de neurones) ont des millions de paramètres.
2. Pour ajuster ces paramètres correctement, il faut une grande variété d'exemples.
3. Avec peu de données, le modèle risque de mémoriser les exemples au lieu d'apprendre les règles générales.

💡 À retenir : Plus il y a de données pertinentes, plus le modèle est robuste.

1. Si ton modèle a une erreur très faible sur les données d'entraînement.
2. Mais une erreur très élevée sur de nouvelles données (données de test).
3. Cela signifie qu'il a "appris par cœur" au lieu de comprendre la logique.

💡 À retenir : L'overfitting = performance excellente sur le passé, médiocre sur le futur.