Introduction à l'Intelligence Artificielle et Machine Learning

1. 📌 L'essentiel

• L’IA vise à créer des machines simulant l’intelligence humaine.
• Le ML est une branche mathématique de l’IA permettant l’apprentissage sans programmation explicite.
• Apprentissage supervisé : données étiquetées, tâches de classification et régression.
• Apprentissage non supervisé : données non étiquetées, clustering, réduction de dimension.
• Algorithmes clés : régression linéaire, logistique, K-NN, arbres de décision, réseaux neuronaux.
• Exemples d’applications : diagnostic médical, détection de spam, voitures autonomes, reconnaissance d’images.
• Notation mathématique : scalaires (x), vecteurs (~x), matrices (X), ensembles (X, Ω).
• Types d’apprentissage : supervisé, non supervisé, semi-supervisé, par renforcement.
• Importance : secteurs médical, financier, industriel, sécurité, vision par ordinateur.
• La hiér : IA → ML → Algorithmes → Applications concrètes.