Intelligence Artificielle
L'apprentissage automatique expliqué et codé de zéro : comprendre ce qui se passe sous le capot, plutôt que d'appeler une boîte noire.
Apprendre en construisant
L'IA n'est pas une magie : derrière chaque modèle, il y a des maths, une fonction de coût et un algorithme d'optimisation. Cette section construit les algorithmes à la main, ligne par ligne, du plus simple au plus complet.
Les exemples sont écrits en Python — mais les idées (prédire, mesurer l'erreur, corriger un pas à la fois) sont indépendantes du langage.
-
Régression linéaire
Prédire une valeur (un prix, une note) : moindres carrés et descente de gradient codés de zéro.
NumPyPandasDescente de gradient -
Régression logistique (DSLR)
Prédire une catégorie : le Choixpeau de Poudlard reconstruit par un classifieur one-vs-all codé de zéro.
NumPyPandasSeabornClassification
Comment avancer ?
- Commencez par la régression linéaire : c'est le premier modèle de machine learning, qui pose la descente de gradient.
- Enchaînez avec la régression logistique (DSLR) : même descente de gradient, mais pour classer.
- Comparez ensuite avec Scikit-learn : la même chose, en quelques lignes — maintenant que vous savez ce qui se passe dedans.
Prérequis
Les exemples s'appuient sur les bases de Python, les fonctions et les bibliothèques (surtout NumPy et Pandas). Le parcours Python complet se trouve dans Programmation.
Régression ou classification ?
- Régression : la sortie est une valeur continue (« le prix sera 6 353 € »).
- Classification : la sortie est une catégorie (« cet élève ira à Gryffondor »).
La frontière tient souvent à une seule fonction : une sigmoïde transforme un score en probabilité.
Section en construction
Cette section va grandir : les prochains projets et notes d'IA viendront s'y ranger, chacun avec son tutoriel et sa fiche projet dans Projets.