Département Génie Informatique

Data Science
Pr. Aimad QAZDAR
[email protected]

2 octobre 2023
AI vs Humain

1.Visual Perception
2.Hand-Eye Coordination
3.Predictive Movements

4.Timing and Timing

5.Grasping or Trapping
6.Reaction and Adjustment
Oliver Kahn, Germany National Team,
994 - 2006
AI vs Humain
Artificial intelligence(AI)

L'intelligence artificielle (IA) est « l'ensemble des théories

et des techniques mises en œuvre en vue de réaliser des
Artificial Intelligence machines capables de simuler l'intelligence » Wikipédia

Les principaux sous-domaines de l'IA incluent désormais :

• Vision par ordinateur (Computer Vision)
• Robotique
• Traitement du langue naturelle
• Machine Learning
• ..etc
Evolution of AI
1950 - 1960 (Birth of AI)

● 1950 - Alan Turing proposes a test called “The

turing test” as a way of testing a machine's
intelligence.
● 1956 - The term "Artificial intelligence" is
coined by John McCarthy.
● 1957 - Inspired by the human brain,
Rosenblatt discovered the perceptron, the
foundation of Neural Networks.
● 1958 - John McCarthy designed Lisp, the first
Artificial Intelligence Programming Language.
Evolution of AI

1960 - 1970 (Inflated Hype)

● Huge expectations and high optimism of the

leading scientists.
● The United States government massively
funded Artificial Intelligence research.
● DARPA (the Defence Advanced Research
Projects Agency) invested millions in
supporting the academic AI research centres.
Evolution of AI
1970 - 1980 (1st AI Winter)

● 1970 - The first AI winter started.

● Limitations of computing power, memory, and
processing speed were the cause of the first
AI Winter.
● The biggest limitation was data quantity in
order to reflect the real-world scenarios…
● Dramatic decrease in the Artificial Intelligence
activities and popularity.
● Funding pullback in the United States and
abroad.
Evolution of AI
1980 - 1990 (Age of Knowledge)

● Artificial Intelligence paradigm shifted to

symbolic Artificial Intelligence.
● Edward Feigenbaum introduced Expert
Systems which mimicked the decision making
process of a human expert.
● Expert systems were widely used in
industries.
● New hopes began to develop in the
technology of expert systems…
Evolution of AI
1990 - 1993 (2nd AI Winter)

● 1990 - The second AI winter started.

● Limitations of Expert Systems were the cause
of the second AI Winter.
● The term “expert system” dropped from the IT
lexicon.
● Funding dried up and researchers avoided
using the term AI in their research, many of
them continued working and called their work
by other names such as cognitive systems,
intelligent systems, knowledge representation,
and reasoning…
Evolution of AI 1993 - Now (Explosive Growth)
● Data finally became available with great quantity
and high quality, and limitations like computing
power, memory, and processing speed are no
longer an obstacle, computer became more
efficient than ever.
● 1997 - Deep Blue, a chess computer from IBM
defeated the world chess champion Garry
Kasparov.
● 2009 - An image database called ImageNet was
published containing 3.2 million labelled images,
separated into 5,247 categories…
● 2012 - A deep convolutional neural network called
AlexNet achieved a 16% classification error rate.
● Artificial Intelligence paradigm shifted to Deep
Learning.
● 2018 - Most universities have courses in AI.
Artificial intelligence(AI) ou Intelligence artificielle généralisée
AGI ou Strong AI

“Artificial General Intelligence (AGI) is the hypothetical intelligence of a machine

that has the capacity to understand or learn any intellectual task that a human
being can” Wikipedia

• Si les chercheurs sont capables de développer une AGI, la machine aurait une
conscience de soi et de son écosystème capable de résoudre tout type de
problèmes, d'apprendre et de planifier l'avenir.
• Exemple de AGI : Cyborg et Terminator
Artificial intelligence (AI)
Narrow AI

• AI faible ou restreinte

• Applique l'intelligence dans des domaines spécifiques ou des tâches de résolution

de problèmes précises.

• Se consacre à l'assistance ou à la prise en charge d'une tâche spécifique

• Exemple : répondre à des questions (Alexa), jouer aux échecs, classifier les emails,

faire des prédictions ..etc.

• La AI même faible sera certainement d’une grande valeur ajoutée en

entreprises.
Machine Learning et Artificial intelligence(AI)

• l'apprentissage automatique est devenu le sous-

Artificial Intelligence
ensemble le plus répandu de l'IA.

• L'apprentissage automatique permet aux machines

Machine Learning

d'apprendre et de faire des prédictions basées sur son

expérience (données)
Machine Learning

« Champ d’études qui donne aux ordinateurs la capacité d’apprendre sans avoir été

programmés explicitement » Arthur Samuel (1959)

« Le domaine du machine Learning s'intéresse à la question de savoir comment

construire des programmes informatiques qui s'améliorent automatiquement avec

l'expérience. » Tom M. Mitchell (1997)

Machine Learning

Data
Answers
Classical Programming (Rules, if/else, etc.)
Rules

Data
ML Algorithms Trained ML Models (Rules) Answers
Answers

New Similar Data

AWS ML university
Machine Learning

« On dit qu’un programme apprend d’une expérience E par rapport à une classe de

tâches T et une mesure de performance P si sa performance sur T, mesurée par P,

augmente avec l’expérience E. » Tom M. Mitchell (1997)

Algorithmes de Machine Learning

▪ Famille linéaire (Régression linéaire , Logistique, Multi-class, Régression régularisée )

▪ Naïve Bayes

▪ Support Vector Machine (SVM) ou machines à vecteurs de support

▪ Arbres de décision (decision trees) , Random Forest , Gradient Boosting Machine

▪ Apriori, FP-growth

▪ Réseau de neurones artificiels (Neural Networks)

▪ Deep learning (apprentissage profond) , CNN, RNN , LSTM

▪ Isolation Forest

▪ K-means

▪ UMAP , PCA

▪ Word2vec … etc.
Machine Learning et Deep learning

• le Deep Learning est un sous ensemble du machine Learning

Artificial Intelligence • Considéré comme une nouvelle évolution du ML

• Consiste essentiellement en un réseau neuronal à trois couches

ou plus.
Machine Learning
• Ces réseaux neuronaux tentent de simuler le comportement du
Deep Learning
cerveau humain - même s'ils sont loin d'en avoir la capacité –

en lui permettant "d'apprendre" à partir de grandes quantités

de données.

• Les couches cachées supplémentaires permettent à un réseau

d'optimiser et d'affiner sa précision.

Machine Learning et Deep learning

• Cas d’utilisation

Artificial Intelligence • Speech recognition ( Amazon Alexa, Google, Apple Siri)

• Image recognition (self driving car)

Machine Learning
• Time series forecasting

• Natural Language Processing (NLP) , sentiment analysis,

Deep Learning
machine translation, entity linking.
Machine Learning et Deep learning
Machine Learning et Deep learning (deep neural networks )

Concerne les algorithmes inspirés par la structure et le fonctionnement du cerveau

appelés réseaux neuronaux artificiels.

Image: UC Business Analytics R Programming Guide

Machine Learning et Deep learning (deep neural networks )

Concerne les algorithmes inspirés par la structure et le fonctionnement du cerveau

appelés réseaux neuronaux artificiels.

Image: UC Business Analytics R Programming Guide

Data science et Machine Learning

Artificial Intelligence
• La data science est une discipline interdisciplinaire qui

Machine Learning permet de transformer les données brutes en

connaissance actionnable .
Deep Learning

• Le machine learning est considéré comme un outil

très important pour la data science

Data science
Principaux types du ML
Principaux types du ML
Supervised ML ou Apprentissage supervisé

Entrées

Sortie

• Utilise les données dites annotées de leurs sorties pour entraîner l’algorithme

• Consiste à entraîner un algorithme en fournissant la cible (ce que l’on veut prédire)

• Utilise les données historiques pour apprendre la relation entre des variables d’entrées à

une variable de sortie

Principaux types du ML
Supervised ML

Entrées

Sortie

• Il faut disposer des données annotées

• L’algorithme est entraîné sur les données pour faire le lien entre les entrées et la sortie.

• Une fois l’apprentissage est terminé (généralement lorsque l'algorithme est suffisamment

précis), l'algorithme est appliqué sur les nouvelles données

 Cas Prédiction du désabonnement

Clients à risque de se désabonner

Clients susceptible de rester abonné

L’acquisition d’un nouveau client coûte généralement 50 fois plus cher que de fidéliser un client
existant.
Cas Prédiction du désabonnement

Base de données d'apprentissage (Données historiques)

Client à risque

Oui

Non

Non

Oui

Non

Non

Non

Caractéristiques(features) Label ou cible(target)

Cas Prédiction du désabonnement

Modèle

Contacter le client
Proposer des promotions
 Principaux types du ML
Supervised ML

• Objectif est que l'algorithme soit capable, une fois entraîné, de prédire cette cible

sur de nouvelles données non annotées.

• La performance est mesurée par la précision des résultats

• La classification et la régression font partie de l’apprentissage supervisé .

• Exemple d’applications : Diagnostic médical, Détection des fraudes ,classification de

texte et des images, prédiction du prix ..etc.

Supervised ML
Regression & Classification
Supervised ML
Classification

Objectif : Prédire une catégorie (sortie discrète)

Exemples :

• Classifier si un client va se désabonner ou non

• Prédire la rétention d'un employé ( savoir si l'employé quittera l'entreprise ou non)

• Déterminer si la demande de prêt présente un risque élevé, moyen ou faible

• Identifier les prospects les plus susceptibles d’acheter un produit ou service

Supervised ML
Régression

Objectif : Prédire une sortie continue (un nombre)

Exemples :

• Prédire le prix de vente d’un bien immobilier

• Estimer la demande pour un produit donné en fonction de la période de l'année

• Déterminer le prix d’un nouveau produit

• Prédire le volume des appels entrants

 Unsupervised Learning ou Apprentissage non supervisé

• La cible est inconnue ou non disponible (n’est pas fourni à l’algorithme)

• L’objectif étant de trouver des structures sous-jacentes à partir de données non

étiquetées.

• Utilise des données non annotées pour la détection des faits à partir de données

brutes

• Le Clustering et les règles d’association sont des exemples d’apprentissage non

supervisé.
Clustering

Objectif :
❑ Identifier les sous groups homogènes appelés clusters à partir des données
d'entrées.
❑ Regrouper les données qui partagent des caractéristiques communes dans des
groupes appelés clusters.

Exemples :
• Segmenter les clients en fonction de leur habitudes d’achat
• Catégoriser des documents
• Regrouper les types d’accès similaires à partir des usages du web
• Identifier les zones de topographie similaire
• Détecter les anomalies (collectives)
Clustering
Segmentation des clients

Groupes distinct avec

Clients caractéristiques communes
Clustering

Segmentation des clients

Monetary
Clients Recency Frequency … Cluster
value
Client1 ?
Client2 ?
Client3 ?
Client4 ?
Client5 ?

Recency : Durée écoulée depuis le dernier achat

Frequency : Nombre de transactions d'achats

Monetary value: Valeur monétaire des transactions

Clustering

Segmentation des clients

Monetary
Clients Recency Frequency value … Cluster
Client1
Cluster 1

Client2 Cluster 2

Client3 Cluster 2

Client4 Cluster 2

Client5 Cluster 3
Clustering

Segmentation des clients

Pour chaque cluster

• Déterminez le prix du produit approprié.

• Développer des campagnes marketing personnalisées.

• Concevoir une stratégie de distribution optimale.

• Choisissez des fonctionnalités de produit spécifiques

Association Analysis (Règles d’association)

Objectif :
Trouver les règles permettant de capter les associations entre les objets (articles).

Exemples :

• Market basket analysis (l'analyse du panier): Identifier les combinaisons

d'éléments qui se retrouvent fréquemment ensemble dans les transactions.

• Recommander des articles en fonction de l'historique d'achat/de navigation

• Identifier les pages web consultées ensemble : peut être appliquées sur les
weblogs pour trouver des informations sur le comportement de l'utilisateur et
prendre des décisions stratégiques sur l'interface utilisateur.
Association Analysis ou règles d’associations
basket analysis

Compte tenu des transactions relatives aux achats :

• Qu’est-ce que mes clients achètent souvent ?

• Qu’ils produits sont-ils achetés ensembles ?

Exemple : Les personnes qui achètent du pain achètent aussi du

beurre.
• Cibler les clients qui achètent du pain et du beurre
• Faire des soldes sur le pain et beurre.
• Faire une offre pour qu'ils achètent un troisième article, comme
les œufs.
Machine Learning

Apprentissage automatique

Supervisé Non supervisé

Règles d’associations
Classification Régression Clustering Qu’ils produits sont-ils
(ex.. Oui/Non) (ex.. 50 000DH) (ex.. Quel Groupe?) achetés ensembles ?

Risque de crédit Prédiction du prix Segmentation des clients Basket analysis

 Autres applications

Ventes et marketing Finance RH

▪ Attrition client ▪ Détection de fraude ▪ Démission des employées
▪ Prévision de La demande ▪ Risque de défaillances ▪ Succès de l’embauche
▪ Optimisation des prix ▪ Valorisations
▪ Ciblage

Marketing Santé Industrie et fabrication

▪ Segmentation des clients ▪ Efficacité des médicament ▪ Maintenance prédictive
▪ Découverte de médicaments ▪ Détection des défauts
▪ Optimisation des dépenses et
de la conversion ▪ Prévision des prescriptions médicales ▪ Prévision de la consommation
▪ Publicité ciblée ▪ Essais cliniques d'électricité
▪ Funnel analysis ▪ Optimisation de la production

Assurance, logistique , sport , divertissement …etc