Exercices d'IA et d'apprentissage automatique en Python — CPGE

K plus proches voisins, k-means, régression, descente de gradient : les algorithmes d'apprentissage au programme de l'option informatique.

15 exercices · enonce, exemple et rappel de cours en acces libre

Des algorithmes simples, une rigueur exigeante

Aucun de ces algorithmes n'est compliqué : le plus proche voisin, c'est une distance et un minimum ; la régression linéaire, c'est une formule fermée. Ce qui se travaille, c'est la méthode autour : normaliser les données, séparer entraînement et test, choisir une métrique d'évaluation qui a du sens.

Les algorithmes au programme

Classification : k plus proches voisins, arbre de décision, perceptron, régression logistique, naïve Bayes. Régression : linéaire, polynomiale, avec les métriques MSE, RMSE, MAE et R². Non supervisé : k-means, analyse en composantes principales. Optimisation : descente de gradient. Évaluation : matrice de confusion, précision, rappel, F1, validation croisée.

Normaliser n'est pas une coquetterie

Un k plus proches voisins sur des données où une variable vaut quelques unités et une autre quelques centaines ne mesure plus que la seconde : la distance euclidienne est écrasée par l'échelle. Et la normalisation se calcule sur les données d'entraînement seulement, puis s'applique aux données de test. Utiliser les données de test pour calculer la moyenne, c'est fausser l'évaluation — une erreur de méthode qui se sanctionne.

L'exactitude est une métrique trompeuse

Sur un jeu où 95 % des exemples sont négatifs, un classifieur qui répond toujours « négatif » atteint 95 % d'exactitude sans rien avoir appris. C'est pour cela qu'on regarde la précision, le rappel et le F1 : ils disent ce que l'exactitude cache.

Les exercices

Intelligence artificielle 15 exercices

K Plus Proches Voisins Classification k-NN
K-Means Clustering Partitionnement non supervisé from scratch
Régression Linéaire Moindres carrés — from scratch
Perceptron Simple Classification binaire linéaire
Descente de Gradient Minimisation itérative de fonctions
Matrice de Confusion et Métriques Précision, rappel, F1-score
Validation Croisée k-fold Évaluation robuste d'un modèle
Arbre de Décision Simple Split sur un seuil — critère de Gini
Normalisation des Données Min-max et standardisation z-score
Métriques de Régression MSE, RMSE, MAE et R²
Régression Polynomiale Sous-apprentissage et sur-apprentissage
Régression Logistique Classification probabiliste par sigmoïde
Naïve Bayes Gaussien Classification probabiliste par règle de Bayes
Analyse en Composantes Principales (ACP) Réduction de dimension par diagonalisation
Forêt Aléatoire Bagging d'arbres de décision

Autres rubriques

La correction commentee, les indices progressifs, l'execution du code dans le navigateur et la verification par l'IA sont reserves aux abonnes.