Avant-propos

Introduction générale

L’intelligence artificielle est un sujet aussi vieux que l’informatique, mais qui rencontre un succès fulgurant ces dernières années.

Aujourd’hui, l’intelligence artificielle interprète des radiographies mieux que les médecins, elle traduit des textes en différentes langues, elle reconnaît les personnes et les objets sur les images, elle joue et gagne à des jeux complexes comme le Go ou le jeu d’échecs, elle conduit des voitures, elle compose des mélodies, elle peint des tableaux, etc. Cette intelligence artificielle est de plus en plus présente dans notre vie de tous les jours.

Les technologies telles que le traitement automatique du langage naturel, la reconnaissance vocale, la reconnaissance d’objets dans les images, l’analyse des sentiments exprimés via un simple message ou exprimés sur un visage dans une photo sont toutes des technologies qui tendent à humaniser l’interface homme-machine, voire à doter la machine d’un caractère plus au moins semblable au caractère humain.

Lors de l’apparition d’Internet et des moteurs de recherche, dont Google principalement, les utilisateurs ont dû adapter leur manière de s’exprimer pour retrouver les informations qui les intéressent. À l’époque, les utilisateurs saisissaient des requêtes telles que : "comment changer une roue de voiture Peugeot 306 ?"

Aujourd’hui, la même personne dira juste "changer roue 306" et le moteur de recherche fera le reste ! Grâce aux évolutions technologiques fulgurantes de ces dernières années, l’utilisateur est invité à utiliser son propre langage naturel pour interagir avec la machine, c’est-à-dire que c’est la machine qui s’adapte à l’homme et non pas l’inverse.

Le résultat de la démocratisation de l’informatique et l’adoption massive d’Internet et des plateformes de Big Data ont permis l’émergence de cas d’usage de l’intelligence artificielle dans quasiment tous les domaines.

Plus récemment, l’essor de l’intelligence artificielle générative a marqué un tournant décisif dans le domaine. Ces modèles avancés, comme GPT-4 d’OpenAI, DALL-E ou plus récemment DeepSeek, sont capables de produire du texte, des images et même de la musique en s’appuyant sur d’énormes bases de données et des algorithmes d’apprentissage profond. Contrairement aux approches traditionnelles qui se limitent à la reconnaissance et à l’interprétation des données, l’IA générative crée du contenu original en simulant des processus cognitifs humains. Son impact est notable dans des secteurs comme la création artistique, la rédaction automatisée et même la programmation.

Des études récentes, notamment celles publiées par le MIT et Stanford, démontrent que ces nouvelles formes d’IA ne se contentent plus d’assister l’homme, mais participent activement à l’innovation et à la transformation numérique. Toutefois, ces avancées posent également des défis éthiques et légaux, notamment en matière de propriété intellectuelle et de biais algorithmiques, sujets qui suscitent un vif débat au sein de la communauté scientifique mais aussi au sein du grand public.

Vu leur nombre, l’énumération de toutes les applications concrètes de l’intelligence artificielle est impossible. Cependant, nous pouvons lister quelques cas d’usage très répandus :

Les cas d’usage de l’intelligence artificielle ne cessent d’augmenter et il n’y a quasiment pas un jour qui passe sans que de nouvelles applications voient le jour, surtout avec l’arrivée de l’IA générative ! En effet, avec cette dernière, les cas d’usage de l’IA...

Pourquoi ce livre ?

Ce livre est une simple tentative de réponse aux questions et aux constatations telles que :

Évidemment, il est très difficile d’apporter une réponse qui soit tout à fait satisfaisante à ces questions. Néanmoins, ce livre a été rédigé dans l’optique d’apporter éventuellement un début de réponse à ces interrogations pour ainsi aider un débutant en Machine Learning à acquérir quelques compétences fondamentales et pratiques pour bien commencer à travailler dans la Data Science.

Il existe plusieurs livres intéressants sur le sujet du Machine Learning. En revanche, le lecteur novice est souvent confronté à la multiplicité des compétences requises et préalables pour une compréhension profonde des concepts qui y sont abordés.

En effet, pour acquérir une compréhension approfondie et pouvoir développer des applications dans le domaine de la Data Science, il est nécessaire d’avoir des compétences sur les cinq axes suivants :

1. Maîtriser un langage de programmation tel que le langage R ou le langage Python.

2. Avoir des connaissances avancées dans le domaine des statistiques, notamment dans les statistiques descriptives et les statistiques inférentielles.

3. Comprendre le mécanisme de fonctionnement des algorithmes tels que les algorithmes de régression linéaire, les algorithmes de Random Forest, les algorithmes comme...

À qui s’adresse ce livre ?

Ce livre s’adresse à toute personne souhaitant acquérir des connaissances approfondies dans le domaine du Machine Learning, mais également à toute personne désireuse de s’initier au langage Python et aux statistiques descriptives et inférentielles.

Parmi les profils de lecteurs qui peuvent trouver un intérêt dans ce livre, nous pouvons citer :

Comment est organisé ce livre ?

Pour permettre d’acquérir progressivement les connaissances relatives aux concepts abordés, ce livre est organisé en cinq grandes parties comme suit :

1. La première partie (La Data Science - Concepts généraux) qui correspond au premier chapitre aborde les concepts les plus élémentaires de la Data Science. Ce chapitre permet d’avoir une vue globale de ce domaine et de comprendre les objectifs visés avec les algorithmes du Machine Learning. Ainsi, la lecture de cette première partie vise trois objectifs principaux. Le premier objectif est la compréhension des notions de base de la Data Science. Le deuxième objectif est d’acquérir la terminologie ou le jargon utilisé pour désigner certains concepts du Machine Learning. Le troisième objectif est de comprendre les métriques de performance qui permettent de mesurer l’efficacité des modèles.

2. La deuxième partie (Outils techniques de la Data Science - Python, NumPy, Pandas et Jupyter) est constituée des chapitres Le langage Python, La bibliothèque NumPy, La bibliothèque Pandas, et Travailler avec Jupyter. Cette partie vise l’acquisition de connaissances purement techniques nécessaires, entre autres, pour la pratique de la Data Science. En plus d’apprendre à programmer avec le langage Python, ces chapitres permettent aussi d’aborder les deux fameuses bibliothèques NumPy et Pandas. Également, cette partie permet au lecteur de découvrir l’environnement Jupyter, qui est l’un des environnements les plus utilisés par les Data Scientists.

3. La troisième partie (Les statistiques), qui est constituée de l’unique chapitre Statistiques, permet d’aborder des notions élémentaires et avancées sur les statistiques...

Qui est l’auteur ?

Après avoir obtenu le diplôme d’ingénieur en informatique à l’université Mouloud Mammeri à Tizi-Ouzou/Algérie et le diplôme de Master 2 en intelligence artificielle à l’université Paris V (René Descartes), Madjid Khichane a poursuivi ses études doctorales en Intelligence artificielle en collaboration avec la société IBM et l’université Claude Bernard (Lyon I). Cette thèse doctorale a donné naissance à des innovations algorithmiques dans le domaine de l’apprentissage par renforcement qui sont publiées dans des conférences internationales de premier niveau.

Parmi ces publications :

Remerciements

La rédaction de cet ouvrage a été une aventure aussi excitante qu’enrichissante. Mais sans doute n’y serais-je pas parvenu sans l’aide de mes proches.

Je remercie mon épouse et mon papa pour leurs encouragements, leurs relectures et leurs corrections. Un grand merci pour mes filles Séléna et Alicia pour leur soutien, chacune à sa façon. Je remercie ma mère et mon père, mes frères et ma sœur pour leurs encouragements incessants tout au long de mon parcours.

Merci à Patrick Albert d’avoir accepté de préfacer ce livre, mais surtout un grand merci à lui et à Christine Solnon pour m’avoir ouvert la porte du monde de l’intelligence artificielle lorsqu’en 2007 ils ont accepté ma candidature pour ce stage sur l’optimisation combinatoire avec les colonies de fourmis.

Pour ne risquer d’oublier personne, je remercie tous ceux qui ont contribué à ce livre soit par leurs remarques et relectures, soit par nos échanges sur le sujet de l’intelligence artificielle.

Je tiens aussi à remercier l’équipe des Éditions ENI pour leur patience, leur écoute attentive, leur compréhension, leur soutien et leurs encouragements durant toute la durée de la rédaction de ce livre. Un grand merci à Julie Potier, Juliette Py et Jérôme...