1

INTRODUCTION À L’INTELLIGENCE
ARTIFICIELLE
2018 - 2019 Walid AYEDI
 Plan
2
I. Intelligence artificielle (IA)
 Définition & domaines d’application
 Termes & notions
 Technologies mises en œuvre
II. Apprentissage automatique
 Principe
 Types d’apprentissage
 Méthodes d’apprentissage
 Développement d’un modèle de prédiction
 Plateforme KNIME
III. Applications & mini-projet
 Détection du cancer de sein
 Reconnaissance de l'activité chez les personnes âgées
 IA – Définition
3

" L'intelligence artificielle (IA, ou AI en anglais pour

Artificial Intelligence) consiste à mettre en œuvre un
certain nombre de techniques visant à permettre aux
machines d'imiter une forme d'intelligence réelle
(raisonnement, apprentissage…) "
 Applications

4
 IA – Applications (1)
5

1. Vision artificielle
 Détection et reconnaissance d’objets:
 Visages (deepface)
 Caractères (ocr, manuscrit)
 Tumeurs (pacs)
 plaques d’immatriculation (viaccess)
 …
 Analyse comportementale
 Suivi d’objets (tracking, tracing)
 IA – Applications (2)
6

2. Traitement automatique du langage naturel

 Traduction automatique
 Reconnaissance de la parole
 Sémantique
 …
 IA – Applications (3)
7

3. Analyse de données
 Industrie
 Maintenance prédictive
 Santé
 Détecter l’autisme chez les nourrissons
 Détection de l’ Alzheimer avant l’apparition des symptômes
 Commerce
 Systèmes de recommandation
 Stratégie de vente
 Défense
 Transport
 …
 IA – Termes & Notions
8
 Apprentissage automatique

9
 Principe d’apprentissage
10

Historique
Prédicteur Prédiction
Données (Modèle)
externes

Performance visée : minimiser l’erreur de prédiction

Moyen mis en œuvre : utiliser des données expérimentales pour
trouver un modèle de prédiction=f(historique, données externes) le
plus correct possible
 Types d’apprentissage (1)
11

Supervisé Non supervisé

on dispose d’un ensemble d’objets et pour on dispose d’un ensemble d’objets sans
chaque objet une valeur cible associée ; il aucune valeur cible associée ; il faut
faut apprendre un modèle capable de apprendre un modèle capable d’extraire
prédire la bonne valeur cible d’un objet les régularités présentes au sein des objets
nouveau. pour mieux visualiser ou appréhender la
structure de l’ensemble des données.
 Types d’apprentissage (2)
12
 Types d’apprentissage (3)
13
Dans le cadre de ce cours, nous étudierons les problèmes d’apprentissage
supervisé : il s’agit donc de définir et d’estimer des modèles de prédiction étant
donné un ensemble d’objets et leurs valeurs cibles respectives.
Régression (approximation) Classification (étiquetage)

points = exemples entrée = position point

courbe = régression sortie = classe ( = 1,
+=1)
sortie

Frontière de séparation
= f(x)

entrée
 Méthodes d’apprentissage (1)
14

 Réseaux de neurones
 Support Vector Machines (SVM)
 Arbres de décision
 Réseaux de neurones
15
 Simule le système de neurones
biologiques
 Modèle mathématique
paramétré + d’adaptation des
paramètres
 Support Vector Machines (SVM)
16
 Sélectionner le vecteur dont la
distance aux plus proches
exemples des deux classes est
maximum.
 Séparation linéaire (a) /non
linéaire (b)
 Arbres de décision
17

 Construction: sur base d'un

ensemble d'apprentissage,
processus récursif de de l’espace
des données en sous régions.
 Classification: chaque "nœud"
intermédiaire réalise un test
portant sur une variable dont le
résultat indique la branche à
suivre dans l'arbre.
 Développement d’un modèle de prédiction (1)
18

Données Modèle de Prédiction

Apprentissage
d’entrainement prédiction

Méthode

Données Evaluation des

de tests performances
 Développement d’un modèle de prédiction (2)
19
1) Préparation des données
Données d’entrainement Données de test
 Développement d’un modèle de prédiction (3)
20
2) Création du modèle de prédiction
 Choix de la méthode d’apprentissage
 Réseaux de neurones
 SVM
 Arbre de décision
 …
 Définition des paramètres d’apprentissage
 Lancement de l’apprentissage
 Développement d’un modèle de prédiction (4)
21

3) Evaluation des performances




 Développement d’un modèle de prédiction (5)
22
 Matrice de confusion

Prédiction

- +
Vrai Négatifs Faux Négatifs
-
Expert
Faux Positifs Vrai Positifs
+
 Plateforme (1)
23
 Plateforme d’analyse de données
 Analyse
 Manipulation
 Visualisation
 Reporting
 Basé sur le paradigme de la programmation graphique
 Open Source
 Modulaire, extensible et interfaçable (Java, R, Python, …)
 : Workflow visuel (1)
24

 Les nœuds effectuent des traitements sur les

données
Non configuré

Configuré

Entrées Sorties
Exécuté

Etat Erreur
 : Workflow visuel (2)
25

 Les nœuds sont combinés pour créer un workflow

 : Accès aux données
26
 Bases de données
 MySQL, MS SQL Server, PostgreSQL
 Fichiers
 CSV, txt, Excel, Word, PDF, SAS, SPSS, XML,
JSON, Images, …
 Web, Cloud
 REST, Web services, Twitter, Google
 Big data
 Spark, HDFS support, Hive, …
 : Transformation
27

 Pré-traitement
 Ligne, colonne, matrice
 Traitement
 Jointure, concaténation, ajout
 Agrégation
 Groupement, pivotement
 Extraction de caractéristiques
 : Analyse et fouille de données
28
 Régression
 Linéaire, non linéaire
 Classification
 Arbres de décision, SVM, Réseaux de
neurones, Réseaux bayésiens
 Segmentation
 K-means, hiérarchique
 Evaluation
 Scoring, ROC
 Deep learning
 : Visualisation
29

 Visualisation interactive
 Visualisation par javascript
 Nuage de points, graphique,
histogramme
 ROC, arbres de décision

 Visualisation par script

 R, Python
 : Déploiement
30

 Base de données
 MySQL, MS SQL Server, PostgreSQL
 Fichiers
 Excel,

 CSV

 XML

 Reporting
 : Plus que 1500 nœuds !
31
 : Exploration
32
 Installation de KNIME Analytics Platform
 Espace de travail (workspace)
 Extentions KNIME
 Environnement KNIME •
 Editeur du Workflow
 Explorateur (explorer)
 Entrepôt de nœuds (node repository)
 Description de noeuds
 Installation de nouvelles fonctionnalités
 : Installation
33

 Sélectionner la version
compatible avec votre PC
 Mac, Linux, Windows 32, 64 bits
 Télécharger le programme
d’installation et l’exécuter
 : L’espace de travail
34

 L’espace de travail (workspace) est le dossier dans

le quelle les workflows sont enregistrés et
potentiellement les données, les espaces de travail
sont portables
 : Environnement
35

Explorateur
Editeur de workflow

Recommendations

Description du noeud
Entrepôt de noeuds
Console

Outline
 : Explorateur
36
 Depuis LOCAL, vous pouvez explorer vos
workspaces
 L’explorateur contient:
 Workflows
 Groupes de workflows
 Fichiers de données
 Templates méta-nodes
 : Créer, importer, exporter des workflows
37
 Boutton droit sur l’explorateur pour créer un workflow, un
groupe de workflows ou pour importer un workflow
 Boutton droit sur un workflow ou un groupe pour
l’exporter
 : Entrepôt de nœuds
38

 L’entrepôt de nœuds contient

la liste de nœuds
 Deux modes de recherche
 Recherche standard
 Recherche floue

 Les nœuds peuvent être

ajoutés par glisser-déposer
 : Console et autres vues
39
 Le Console affiche les erreurs
et les avertissements
 Cliquer sur le menu View et
sélectionner Others pour
afficher d’autres vues:
Moniteur, licence, …
 : Description de nœuds
40
 La vue Description de
nœuds fournit les
informations suivantes:
 Fonctionnalitédu nœud
 Entrées/Sorties
 Paramètres du nœud
 Référence à la littérature
 : Barre d’outils
41

 Les boutons de la barre d’outils peuvent être utilisé

pour appliquer des actions dur le wokflow actif
Exécuter le nœud sélectionné
Exécuter tous les nœuds exécutables
Exécuter les nœuds sélectionnés et ouvrir la première vue
Annuler les nœuds sélectionnés
Annuler tous les nœuds exécutés
 : Extensions KNIME
42

Fichier workflow

Fichier groupe de workflows

 : Etats des nœuds
43

Non configuré: Nœud en attente de configuration

Configuré: le nœud est bien configuré et en attente

d’exécution

Exécuté: le nœud est bien exécuté, les résultats peuvent être

visualisés et utilisés pour d’autres nœuds
 : Insérer et connecter des nœuds
44

 Insérer des nœuds par glisser-déposer depuis

l’entrepôts des nœuds (node repository)
 Connecter des nœuds en cliquant sur la sortie du
nœud A et déplacer le curseur vers l’entrée du
nœud B
 : Types de ports
45

Modèle
Valeur saisie

Image

Connexion à la Requête de base

base de données de données
Donnée
 : Configuration du nœud
46

 La majorité des nœuds nécessité une

configuration
 Pour accéder à la configuration:
 Double-clique sur le nœud
 Clique droit sur le nœud  Configure
 : Exécution du nœud
47
 Clique droit dur le nœud
 Sélectionner « Execute »
 Si l’exécution est réussie, un
témoin vert s’allume
 Si l’exécution n’est pas réussie à
cause d’erreurs, un témoin rouge
s’allume
 : Visualisation du nœud
48
 Clique droit sur le nœud
 Sélectionner « Views »
 Sélectionner le port de sortie pour visualiser les
résultats

Voir la courbe

Voir les données

 : Importer des données
49

 Nœuds sources de données

 Couleur orange
 Pas de ports d’entrée

 1-2 ports de sorties Port d’entrée

Etat

Libellé du nœud
 : Le nœud « File Reader »
50

 Permet de lire tous types de fichiers texte

(csv, txt, …)
 Permet de lire des fichiers « non-standards »
 : Configuration du « File Reader »
51
 : « File Reader » : Ajout rapide
52

Glisser/déposer
ou
Copier/Coller
 : Le nœud « Excel Reader »
53

 Lire des fichiers .xls et .xlsx

 Supporte la lecture depuis plusieurs feuilles
 : Le nœud « Table Reader »
54
 Lire des tables depuis le format natif de KNIME
 Maximum de performance, minimum de configuration
 : Connexion à la base de données
55

 Lire des données depuis des bases de données

(MySQL, SQL Server, SQL Lite, Hive, Impala, …)
 Interroger des données par des requêtes SQL
 : Exercice – Importer des données
56

 Lire les fichiers suivants:

 Weather.csv

 pima.xls

 Iris.txt

 Chinook (SQL Lite) Tables: album, artist

 : Manipulation de données
57

 Nœuds jaunes
 Appliquer des transformations sur des données
 Plusieurs, plusieurs nœuds !
 : Le nœud « Concatenate »
58

 Combiner des lignes depuis 2 tables à

colonnes communes
 Gère les lignes dupliquées
 Etablit une union ou une intersection de
colonnes
 : Le nœud « String Replacer »
59

 Recherche et remplace des valeurs

 : Le nœud « String manipulation »
60

 Crée et édite des chaînes de caractères

 Modifie des chaînes de caractères
existantes ou crée de nouvelles chaînes
 Changer la casse des chaînes de
caractères
 : Exercice – manipulation de données
61

 Concaténer les deux tables weather et weather_test

 Transformer les valeurs de la colonne Ensoleillement
en majuscule
 Transformer les valeurs de la colonne Température en
°F, sachant que T(°F) = T(°C) × 9/5 + 32
 : Jointure de données
62

 Inner-join
 Left-join
 Right-join
 Outer-join
 Modèle de test pour écran large (format 16/9)

Test du rapport
hauteur-largeur
(doit apparaître
circulaire)

4x3

63 16x9
 Modèle de test pour écran large (format 16/9)

Test du rapport
hauteur-largeur
(doit apparaître
circulaire)

4x3

64 16x9