Obisidian vault auto-backup: 07-10-2025 13:34:33 on . 2 files edited

2026-03-18 21:50:46 +01:00 · 2025-10-07 13:34:33 +02:00
parent 7ae56e2663
commit d3f48bd626
2 changed files with 110 additions and 6 deletions
--- a/.obsidian/workspace.json
+++ b/.obsidian/workspace.json
@@ -11,12 +11,24 @@
            "id": "d7edff405bbcbd43",
            "type": "leaf",
            "state": {
-              "type": "pdf",
+              "type": "markdown",
              "state": {
-                "file": "ISEN/Réseau/CIPA4/TP/Module 3/Enonce du M03 TP 04 - Calcul de sous-reseaux.pdf"
+                "file": "ISEN/IA/CIPA4/Fiche de révision.md",
+                "mode": "source",
+                "source": false,
+                "backlinks": true,
+                "backlinkOpts": {
+                  "collapseAll": false,
+                  "extraContext": false,
+                  "sortOrder": "alphabetical",
+                  "showSearch": false,
+                  "searchQuery": "",
+                  "backlinkCollapsed": false,
+                  "unlinkedCollapsed": true
+                }
              },
-              "icon": "lucide-file-text",
-              "title": "Enonce du M03 TP 04 - Calcul de sous-reseaux"
+              "icon": "lucide-file",
+              "title": "Fiche de révision"
            }
          },
          {
@@ -242,8 +254,9 @@
  },
  "active": "d7edff405bbcbd43",
  "lastOpenFiles": [
-    "ISEN/Réseau/CIPA4/TP/Module 3/Enonce du M03 TP 03 - Notation CIDR.pdf",
    "ISEN/Réseau/CIPA4/TP/Module 3/Enonce du M03 TP 04 - Calcul de sous-reseaux.pdf",
+    "ISEN/IA/CIPA4/Fiche de révision.md",
+    "ISEN/Réseau/CIPA4/TP/Module 3/Enonce du M03 TP 03 - Notation CIDR.pdf",
    "ISEN/Réseau/CIPA4/TP/Module 3/Enonce du M03 TP 05 - Parametrages d'adresses IPv4.pdf",
    "ISEN/Réseau/CIPA4/TP/Module 3/Enonce du M03 TP 02 - Calcul d'adresses.pdf",
    "ISEN/Réseau/CIPA4/TP/Module 3/Enonce du M03 TP 01 - Les classes IPv4.pdf",
@@ -283,7 +296,6 @@
    "ISEN/Réseau/A1/Cisco Intro.md",
    "ISEN/Réseau/A1/Cisco Cours 3.md",
    "ISEN/FHS/CIPA4/Anthropologie de l'entreprise/Mythe Horoquartz.md",
-    "ISEN/FHS/CIPA4/Anthropologie de l'entreprise/Anthropologie de l'entreprise Cours 1.md",
    "ISEN/BDD/CIR2/TD2.canvas",
    "Pasted image 20250905143950.png",
    "Pasted image 20250905144746.png",
--- a/ISEN/IA/CIPA4/Fiche
+++ b/ISEN/IA/CIPA4/Fiche
@@ -0,0 +1,92 @@
+#IA #CIPA4 
+## 1. Généralités sur l'IA et l'Apprentissage Automatique
+
+### 1.1 Définitions
+- **IA** : Systèmes capables d'imiter des fonctions cognitives humaines (raisonnement, apprentissage, prise de décision).
+- **Machine Learning (ML)** : Sous-domaine de l'IA où les modèles apprennent à partir de données sans programmation explicite.
+- **Deep Learning (DL)** : ML utilisant des réseaux de neurones profonds pour traiter des données complexes (images, texte, audio).
+
+### 1.2 Types d'Apprentissage
+
+| Type                     | Description                                                                 | Exemple                                  |
+|--------------------------|-----------------------------------------------------------------------------|------------------------------------------|
+| **Supervisé**            | Données étiquetées (input + output connu).                                  | Classification de spam, régression.      |
+| **Non Supervisé**        | Données non étiquetées, découverte de structures cachées.                  | Clustering, réduction de dimension.      |
+| **Semi-Supervisé**       | Mélange de données étiquetées/non étiquetées.                               | Reconnaissance d'images avec peu de labels. |
+| **Par Renforcement**     | Agent apprend par essais/erreurs via des récompenses.                      | Jeux vidéo, robotique.                   |
+
+## 2. Apprentissage Supervisé
+
+### 2.1 Concepts Clés
+- **Régression** : Prédire une valeur continue (ex: prix d'une maison).
+- **Classification** : Prédire une catégorie (ex: chat/chien).
+- **Métriques d'évaluation** :
+  - **Accuracy** : `(TP + TN) / (TP + TN + FP + FN)`
+  - **Précision** : `TP / (TP + FP)`
+  - **Rappel (Recall)** : `TP / (TP + FN)`
+  - **F1-Score** : `2 * (Précision * Rappel) / (Précision + Rappel)`
+  - **Courbe ROC/AUC** : Évalue la performance du classifieur à différents seuils.
+
+### 2.2 Algorithmes Courants
+
+| Algorithme               | Utilisation                                  | Code Scikit-Learn (Exemple)                     |
+|--------------------------|----------------------------------------------|-----------------------------------------------|
+| **Régression Linéaire**  | Prédire une valeur continue.                 | `from sklearn.linear_model import LinearRegression` |
+| **SGDClassifier**        | Classification binaire/multi-classe.         | `from sklearn.linear_model import SGDClassifier` |
+| **KNN**                  | Classification par similarité.               | `from sklearn.neighbors import KNeighborsClassifier` |
+| **Arbres de Décision**   | Classification/Régression non linéaire.       | `from sklearn.tree import DecisionTreeClassifier` |
+| **Random Forest**        | Ensemble d'arbres de décision.               | `from sklearn.ensemble import RandomForestClassifier` |
+| **SVM**                  | Classification avec marge maximale.          | `from sklearn.svm import SVC`                  |
+
+### 2.3 Exemples de Code (TP1 & TP2)
+
+#### Régression Linéaire (TP1)
+```python
+from sklearn.linear_model import LinearRegression
+model = LinearRegression()
+model.fit(X_train, y_train)  # Apprentissage
+y_pred = model.predict(X_test)  # Prédiction
+```
+
+#### Classification Binaire (TP2 - Détection du chiffre 5)
+```python
+from sklearn.linear_model import SGDClassifier
+sgd_clf = SGDClassifier(random_state=42)
+sgd_clf.fit(X_train, y_train_5)  # y_train_5 = (y_train == 5)
+y_pred = sgd_clf.predict([some_digit])  # Prédit True/False
+````
+
+#### Matrice de Confusion
+```python
+from sklearn.metrics import confusion_matrix
+cm = confusion_matrix(y_true, y_pred)
+print(cm)
+```
+
+#### Validation Croisée (Cross-Validation)
+```python
+from sklearn.model_selection import cross_val_score
+scores = cross_val_score(sgd_clf, X_train, y_train_5, cv=3, scoring="accuracy")
+print(f"Accuracy moyenne: {scores.mean():.2f}")
+```
+
+#### Précision/Rappel
+```python
+from sklearn.metrics import precision_score, recall_score
+precision = precision_score(y_train_5, y_pred)
+recall = recall_score(y_train_5, y_pred)
+print(f"Précision: {precision:.2f}, Rappel: {recall:.2f}")
+```
+
+#### Standardisation des Données
+```python
+from sklearn.preprocessing import StandardScaler
+scaler = StandardScaler()
+X_train_scaled = scaler.fit_transform(X_train)
+```
+
+
+
+---
+
+&copy Félix MARQUET