Séance 1 : Introduction à l'Intelligence Artificielle et à l’Apprentissage Automatique

Introduction à l’Intelligence Artificielle

Définition : L’IA regroupe l’ensemble des techniques permettant à une machine de simuler une forme d’intelligence. Parmi ces techniques figure l’apprentissage automatique, qui permet aux systèmes d’améliorer leurs performances en apprenant à partir des données.

Exemples d’applications : reconnaissance vocale, analyse d’images, recommandation de produits, etc.

Les grandes familles d’algorithmes en IA

• Apprentissage supervisé : Le modèle apprend à partir de données annotées pour faire des prédictions ou classer des informations.
• Apprentissage non supervisé : Le modèle explore les données pour déceler des structures cachées sans informations préalables sur les classes.

Importance de la préparation des données

Avant toute modélisation, la qualité des données est primordiale. Un nettoyage, une normalisation et une exploration minutieuse permettent d’améliorer considérablement la performance des modèles.

Exercice : Exploration et Visualisation d’un Dataset Simple

Objectif : Charger et explorer le dataset iris.csv, puis visualiser ses caractéristiques à l’aide d’un graphique en nuage de points.

Consignes :

1. Chargement : Utilisez pandas pour charger le fichier iris.csv (assurez-vous que le fichier se trouve dans le même répertoire que votre script).
2. Exploration : Affichez les 5 premières lignes avec la méthode .head() et obtenez un résumé statistique avec .describe().
3. Visualisation : Créez un graphique en nuage de points avec matplotlib afin de visualiser la relation entre sepal_length et sepal_width. Les points doivent être colorés en fonction de la variable species.

Exemple de code Python :

import pandas as pd
import matplotlib.pyplot as plt

# Chargement du dataset
df = pd.read_csv('iris.csv')

# Exploration du dataset
print("Les 5 premières lignes du dataset :")
print(df.head())
print("\nDescription statistique du dataset :")
print(df.describe())

# Visualisation de la distribution des espèces
plt.figure(figsize=(8,6))
# Conversion de la colonne 'species' en codes numériques pour la coloration
colors = df['species'].astype('category').cat.codes
plt.scatter(df['sepal_length'], df['sepal_width'], c=colors, cmap='viridis')
plt.xlabel('Longueur des sépales')
plt.ylabel('Largeur des sépales')
plt.title('Répartition des espèces selon les dimensions des sépales')
plt.colorbar(label="Code de l'espèce")
plt.show()