Chapitre 1 Introduction à l'intelligence artificielle

01 L'ère de l'intelligence artificielle
L'impact de l'intelligence artificielle
L'intelligence artificielle imprègne nos vies.
Intelligence artificielle et humains
02 Définition de l'intelligence artificielle
agent intelligent
Intelligence artificielle vs. apprentissage automatique vs. apprentissage profond
03 Test de Turing
ELIZA
La chambre chinoise
Eugene Goostman en 2014
Problèmes liés au test de Turing
04 Histoire de l'intelligence artificielle
La naissance de l'intelligence artificielle (1943-1956)
Âge d'or (1956-1974)
Le premier hiver de l'IA (1974-1980)
L'âge d'or (1980-1987)
Le deuxième hiver de l'IA (1987-1993)
La renaissance de l'intelligence artificielle (1993-2011)
Apprentissage profond, mégadonnées et intelligence artificielle (2011-présent)
05 Où l'intelligence artificielle est-elle nécessaire ?
voitures autonomes
Système de recommandation vidéo
système publicitaire
Chatbot
domaine médical
création artistique
Développement de nouveaux médicaments et biologie
IA super-large
Mini-projet : Test de Deep Dream de Google
Essayez le mini-projet ChatGPT
Résumé
Problèmes pratiques

Chapitre 02 Exploration

01 Explorer
02 Problème d'exploration de l'espace d'état
problème d'exploration de l'espace d'état
Problème de recherche de chemin en laboratoire
Problème des N reines en laboratoire
03 Arbre de navigation
Arbre de recherche du problème de la reine à 4 reines (LAB)
04 Techniques de recherche de base
Mesure des performances de navigation
05 Recherche en profondeur
Analyse de la recherche en profondeur d'abord
06 Recherche en largeur
Analyse de la recherche en largeur
07 Exploration à profondeur limitée
Avantages et inconvénients de l'IDDFS
08 FS et DFS 8-puzzle programmes
Comment représenter le conseil d'administration ?
Qu'est-ce qui sera utilisé pour implémenter les files d'attente ouvertes et fermées ?
Comment créer des nœuds enfants ?
Code source complet de BFS
Programme DFS
09 Méthodes d'exploration empirique
10 techniques d'escalade
Algorithme
Problème local majeur
11 Recherche prioritaire
12 Algorithme A*
Simulation de l'algorithme LAB A*
13. Implémentation en Python de l'algorithme A*
Algorithme de recherche pour le problème des N reines du laboratoire
Mini projet TSP
Résumé
Problèmes pratiques

Chapitre 03 Arbre de jeu

Programme de jeu 01
Définition du jeu
Arbre de jeu pour le Tic-Tac-Toe
02 Algorithme Minimax
Application de l'algorithme Minimax au jeu de morpion
Exercices pratiques sur l'algorithme Minimax en laboratoire
Pseudocode de l'algorithme minimax
Analyse de performance Minimax
03 Programmation du jeu Tic-Tac-Toe
04 Élagage de l'alphabet
Algorithme AlphaBeta
Exercices pratiques sur l'algorithme AlphaBeta
05 Décision incomplète
Résumé
Problèmes pratiques

Chapitre 4 : Systèmes experts

01 Système expert
Histoire des systèmes experts
02 Composants d'un système expert
Base de connaissances
Moteur d'inférence
interface utilisateur
03 Connaissance et intelligence artificielle
Données, informations, connaissances
Règle 04
Vous pouvez utiliser ET ou OU dans les règles.
05 Inférence dans les systèmes experts
Inférence directe
raisonnement à rebours
Exercices d'inférence en laboratoire
Système de traitement des incendies LAB
06 Résolution des conflits
07 Avantages et inconvénients des systèmes experts
Résumé
Problèmes pratiques

Chapitre 05 Représentation des connaissances

01 Représentation des connaissances
Règle 02
03 Réseau sémantique
Cadre 04
Avantages des cadres
Cadres et programmation orientée objet
Cadres et héritage
Web sémantique et cadres
05 Logique
06 Logique propositionnelle
Inférence en logique propositionnelle
Modus Ponens
Modus Tollens
Syllogisme
07 Logique des prédicats
08 Inférence en logique des prédicats
Jeong Hyeong-sik
Fusion logique (Résolution)
Preuve par fusion logique
09 Introduction au Web sémantique et à l'ontologie
Problèmes avec le site web existant
Web sémantique
Exemples du Web sémantique
Éléments de la technologie du Web sémantique
Ontologie
10 Prologue
TP Convergence Logique n° 1
Exercice de convergence logique n° 2
Exercice de convergence logique LAB n° 3
Résumé
Problèmes pratiques

Chapitre 6 : Logique floue

01 Qu'est-ce que la logique floue ?
Domaines d'application de la logique floue
02 Ensembles nets et ensembles flous
Ensemble net
ensembles flous
Notation des ensembles flous
Exemple d'ensembles flous LAB
03 Opérateurs dans les ensembles flous
Opérateurs centralisés CON et DIL
Opérateur d'ensemble flou LAB
04 Inférence floue
règles floues
Principes fondamentaux de l'inférence floue
Le processus d'inférence floue
S'il existe plusieurs règles
Problèmes liés à la fourniture de conseils de laboratoire
Résumé
Problèmes pratiques

Chapitre 07 Incertitude

01 Incertitude
Exemples d'incertitude
Pourquoi l'incertitude apparaît-elle ?
Gestion de l'incertitude dans les systèmes d'intelligence artificielle
02 Gérer l'incertitude à l'aide des probabilités
Probabilités a priori et a posteriori
Théorème de Bayes
LAB Pourrais-je être infecté par le virus Z ?
Problème des fruits de laboratoire
Jeu de cartes LAB
03 Théorème de Bayes et inférence
Lorsqu'il existe de multiples preuves et hypothèses
Inconvénients du théorème de Bayes
Calcul de la probabilité d'une règle à l'aide du théorème de Bayes (LAB)
Filtrage anti-spam LAB
Problème de Monty Hall en laboratoire
04 Confiance
Définition de la certitude
Confiance dans des règles avec des preuves incertaines
Lorsqu'une règle comporte plusieurs prémisses
Exercices de confiance en laboratoire
Résumé
Problèmes pratiques

Chapitre 8 : Algorithmes génétiques

01 L'évolution dans la nature
02 Algorithme génétique
Chromosomes, encodages et fonctions d'évaluation
Pseudocode pour un algorithme génétique
Opérateur de sélection
Opérateur de croisement
opérateur de mutation
algorithme génétique
03 Exemple d'algorithme génétique
04 Programme d'algorithme génétique
Problème des huit reines (LAB)
Problème TSP de laboratoire
05 Avantages et inconvénients des algorithmes génétiques
06 Programmation génétique
Comment exprimer le programme ?
Opérations de base
Algorithme GP
Résumé
Problèmes pratiques

Chapitre 09 : Introduction à l'apprentissage automatique

01 Qu'est-ce que l'apprentissage automatique ?
Différences entre l'apprentissage automatique et la programmation traditionnelle
Intelligence artificielle, apprentissage automatique, apprentissage profond
Histoire de l'apprentissage automatique
Types d'apprentissage automatique
02 Terminologie de l'apprentissage automatique
Fonctionnalité
Approximation de fonctions et apprentissage automatique
Étiquette
échantillon
Apprentissage et prédiction
Données d'entraînement et données de test
03 Apprentissage supervisé
Régression
Classification
Mini-projet : Expérimenter l'apprentissage automatique à l'aide de machines capables d'apprendre.
04 Apprentissage non supervisé
05 Apprentissage par renforcement
06 Processus d'apprentissage automatique
Collecte de données
Données d'entraînement et données de test
Sélection du modèle
apprentissage
évaluation
prédiction
07 Évaluation des performances des algorithmes d'apprentissage automatique
Précision
matrice de confusion
Mini-projet : Expérimenter l'apprentissage automatique
08 Utilisations de l'apprentissage automatique
Où l'apprentissage automatique est-il utilisé ?
La valeur pratique de l'apprentissage automatique pour les programmeurs
Résumé
Problèmes pratiques

Chapitre 10 Régression linéaire

01 Régression linéaire
Introduction à la régression linéaire
Types de régression linéaire
Principes de la régression linéaire
Apprentissage et perte
02 Comment minimiser la fonction de perte en régression linéaire
Méthode analytique
Méthode de descente de gradient
Descente de gradient en régression linéaire
03 Implémentation Python de la régression linéaire n° 1
04 Implémentation Python de la régression linéaire n° 2
Représentons graphiquement la régression linéaire.
Exercices pratiques de régression linéaire en laboratoire
05 Surajustement vs. Sous-ajustement
Exemple de diabète en laboratoire
Prédiction des prix des maisons en fonction de la zone LAB
Résumé
Problèmes pratiques

Chapitre 11 : kNN, K-means et arbres de décision

01 Algorithme kNN
Résumé de l'algorithme kNN
Algorithme kNN modifié
Avantages et inconvénients de l'algorithme kNN
02 Exemple : Classification de l’iris à l’aide de kNN
Caractéristiques et étiquettes
Tracer un graphique
Apprentissage du kNN
Faisons des prédictions
03 Exemple : Classification d’images manuscrites avec kNN
Lecture de l'ensemble de données
Données d'entraînement et données de test
modèle
apprentissage
Prédiction et évaluation
04 Évaluation des performances des algorithmes d'apprentissage automatique
Imprimons la matrice de confusion
Rapport de classification
05 Clustering K-means
Exemple de clustering K-means
Clustering K-means
06 Clustering K-means avec sklearn
Inclure la bibliothèque
Préparer les données
Visualisation des données
Créer un cluster
Comment déterminer k
Mise en œuvre de la méthode du coude
Exercices pratiques de clustering K-means en laboratoire
07 Arbre de décision
Principes des arbres de décision
Comment construit-on un arbre ?
entropie
Arbres de décision utilisant scikit-learn
Exemple 08 : Classification des iris à l’aide d’arbres de décision
Résumé
Problèmes pratiques

Chapitre 12 Perceptron

01 Réseau neuronal
Avantages des réseaux neuronaux
Modèle mathématique des neurones
02 Perceptron
Les perceptrons peuvent-ils apprendre les opérations logiques ?
03 Algorithme d'apprentissage du perceptron
Exemple
S'exercer aux perceptrons avec Sklearn
04 Limitations du perceptron
Apprentissage de l'opération XOR
Problèmes classables linéairement
Résolution du problème XOR avec un perceptron multicouche
Classé comme perceptron LAB
Résumé
Problèmes pratiques

Chapitre 13 Perceptron multicouche (MLP)

01 Perceptron multicouche
Fonction d'activation
fonction étape
fonction sigmoïde
Fonction ReLU
fonction tangente hyperbolique
02 Passe avant
Exprimons-le sous forme de matrice
03 Calcul d'erreur
Qu'est-ce qu'une fonction de perte ?
Un exemple concret de fonction de perte
Exemple de calcul d'une fonction de perte
04 Passage en marche arrière
Que devez-vous savoir ?
descente de gradient
Réintroduction de la descente de gradient
pente
Exercices de descente de gradient en laboratoire
05 Algorithme de rétropropagation
Application des règles de la chaîne
Nœuds de la couche cachée
Concluons
Algorithme d'apprentissage par rétropropagation
Animation de l'algorithme de rétropropagation du laboratoire
06 Implémentation d'un MLP avec NumPy
1) Propagation directe
2) Effectuer une rétropropagation des erreurs
3) Écrivez une fonction à tester une fois l'apprentissage terminé.
4) Appelez la fonction d'entraînement et la fonction de test séquentiellement.
07 S'exercer à utiliser Google Playground
Époque
taux d'apprentissage
Choisir une fonction d'activation
Type de problème
Rapport entre les données d'entraînement et les données de test
Sélectionner les fonctions d'entrée
Ajout d'un calque caché
Commencez à apprendre
Pratique de classification sans couches cachées
Pratiquez avec un calque caché supplémentaire.
08 TensorFlow de Google
Installation de TensorFlow
Exemples Keras
Reconnaissance des chiffres MNIST à l'aide de LAB MLP
Résumé
Problèmes pratiques

Chapitre 14 : Réseaux neuronaux profonds et apprentissage profond

01 Apprentissage profond
Le rôle de la couche cachée
02 Problème de disparition du gradient
Nouvelle fonction d'activation
Expérience sur la fonction d'activation d'un mini-projet
03 Problème de fonction de perte
Erreur quadratique moyenne
Fonction d'activation Softmax
fonction de perte d'entropie croisée
Calcul de l'entropie croisée LAB
04 Fonctions de perte dans Keras
Croisement binaire
Crossentropie catégorique
Croisement catégorique clairsemé
Erreur quadratique moyenne
05 Problème d'initialisation des poids
méthode d'initialisation des poids
Mini-projet : Expérience d’initialisation du poids
06 Mini Lot
07 Normalisation des données
08 Techniques d'encodage des données
09 Taux d'apprentissage et inertie
10. Gestion du surajustement
Comment détecter le surapprentissage
Comment gérer le surapprentissage
Rupture anticipée
méthode de régulation du poids
Augmentation des données
Abandonner
ensemble
Taille du lot du mini-projet, taux d'apprentissage, durée de régularisation
11 Exemple : Reconnaissance des chiffres MNIST
Importer des données numériques
Construction d'un modèle
Enseignement
Exemple 12 : Classification des articles de mode MNIST
Utilisation d'un réseau neuronal entièrement connecté
Résumé
Problèmes pratiques

Chapitre 15 Réseaux de neurones convolutifs

01 Introduction aux réseaux neuronaux convolutifs
Les origines des réseaux neuronaux convolutifs
Néocognitron
L'importance des réseaux neuronaux convolutifs
Mini-projet : Expérimentation des réseaux de neurones convolutifs
Opération de convolution 02
Structure d'un réseau neuronal convolutif
Opération de convolution en traitement d'images
opérations de convolution dans les réseaux de neurones convolutifs
foulée
rembourrage
Nombre de grains
03 Mise en commun (sous-échantillonnage)
04 Exemple : Classification des articles de mode MNIST
Résumé
Problèmes pratiques

Chapitre 16 Reconnaissance d'images

01 Qu'est-ce que la reconnaissance d'images ?
Mini-projet : Expérimentation de la reconnaissance d'images par les réseaux neuronaux
02 Reconnaissance d'images traditionnelle
03 Reconnaissance d'images à l'aide de réseaux neuronaux profonds
04 Exemple : Classification des images CIFAR-10
Ensemble de données CIFAR-10
Programme de classification CIFAR-10 utilisant des réseaux neuronaux convolutifs
05 Augmentation des données
Exemple 06 : Distinguer les chiens des chats
Ensemble de données sur les chiens et les chats
Installation de la bibliothèque
Sortie d'image
Création d'un modèle de réseau neuronal
prétraitement d'images
apprentissage
Graphique des résultats d'apprentissage
07 Apprentissage du stockage et du transfert des poids
Sauvegarde et chargement des poids appris
apprentissage par transfert
Modèle de réseau neuronal pré-entraîné
Redéfinissez un modèle pré-entraîné pour votre projet
Exemple n° 1 : Écrire un programme de reconnaissance canine
Exemple n° 2 : Utilisation d’un modèle pré-entraîné comme préprocesseur d’extraction de caractéristiques.
Résumé
Problèmes pratiques

Chapitre 17 : Apprentissage par renforcement

01 Qu'est-ce que l'apprentissage par renforcement ?
Principes de l'apprentissage par renforcement
Cadre d'apprentissage par renforcement
Apprentissage par renforcement et apprentissage profond
02 Jeu du lac glacé
Fondation OpenAI
Jeu du lac gelé
Version du jeu Ice Lake n° 1
Analyse des résultats d'exécution
03 Q-Learning #1
compensation
Fonction Q
Politique
relation circulaire de la valeur Q
Calculons maintenant la valeur Q dans le problème du lac gelé.
Jeu Ice Lake Version n° 2
04 Q-Learning n° 2
Exploration et exploitation
Récompenses à prix réduit
taux d'apprentissage
Version du jeu Ice Lake n° 3
05 Apprentissage par renforcement profond
Pourquoi utiliser des réseaux neuronaux ?
DQN (Deep Q Network)
Apprentissage par renforcement (Q-Learning) vs. Apprentissage par renforcement profond (Deep Q-Learning)
Comment apprendre
Algorithme
Exemples d'application pratique
Problème
Inconvénients de l'apprentissage par renforcement profond (Deep Q-Learning)
Résumé
Problèmes pratiques

Chapitre 18 Modèles génératifs

01 Qu'est-ce qu'un modèle génératif ?
Les modèles génératifs identifient les règles de génération des données d'entraînement.
Différences entre les modèles discriminatifs et génératifs
02 Qu'est-ce que GAN ?
structure GAN
processus d'entraînement GAN
Formation des discriminateurs
Formation sur les générateurs
fonction de perte
03 Exemple : Génération d’images de chiffres avec un GAN
Résumé
Problèmes pratiques

Recherche

L'édition 2016 du tournoi de go, au cours duquel AlphaGo a vaincu Lee Sedol, a choqué le monde entier et l'intelligence artificielle est devenue l'un des domaines les plus passionnants de l'informatique.
Depuis le développement des algorithmes d'apprentissage profond et la démonstration objective de leur supériorité lors d'un concours de reconnaissance d'images organisé en 2012, presque tous les pays développent la technologie de l'intelligence artificielle comme une technologie clé de l'avenir.
Après avoir surmonté le « hiver de l'IA » qui s'est produit à deux reprises dans l'histoire de l'IA, une nouvelle ère de l'IA se profile à l'horizon, fondée sur la science de la collecte et de l'analyse à grande échelle des données massives, l'intégration de semi-conducteurs très avancée et la technologie de traitement ultra-rapide.

Ce livre est une lecture incontournable pour celles et ceux qui se préparent à l'ère de l'intelligence artificielle. Il permet aux étudiants en ingénierie spécialisés dans les technologies convergentes (informatique, électronique, technologies de l'information et de la communication, mécanique) ainsi qu'aux étudiants d'autres disciplines découvrant l'intelligence artificielle d'appréhender les concepts et théories fondamentaux de cette discipline à travers divers exemples et exercices pratiques.
Il couvre toutes les théories fondamentales de l'intelligence artificielle et fournit des explications détaillées de l'apprentissage automatique, y compris l'apprentissage profond, à travers 10 chapitres.
Dans le domaine de l'apprentissage profond, vous pouvez vous entraîner à utiliser Keras, une bibliothèque de haut niveau basée sur TensorFlow de Google, et l'expérimenter à l'aide de TensorFlow Playground de Google.