🧮
AI Sprouts • Débutant⏱️ 30 min de lecture
Les Algorithmes Expliqués — Les Recettes de l'IA
Des Données aux Décisions 👋
Dans la leçon précédente, vous avez appris que les données sont le carburant de l'IA. Mais le carburant seul ne fait pas avancer une voiture — il faut un moteur. En IA, ce moteur s'appelle un algorithme.
Qu'est-ce qu'un Algorithme ? 🤔
Un algorithme est simplement un ensemble d'instructions étape par étape pour résoudre un problème.
Vous suivez déjà des algorithmes chaque jour :
- 🍳 Une recette de cuisine — « Chauffer l'huile, ajouter les oignons, remuer 3 minutes... »
- 🗺️ Les directions vers l'école — « Aller tout droit, tourner à gauche au parc... »
- 🔢 La division longue — Un processus étape par étape appris en maths
🤔
Think about it:
Pensez à comment vous décidez quoi porter chaque matin. Vous vérifiez la météo, pensez à vos plans, regardez ce qui est propre — c'est un algorithme ! Vous suivez une série d'étapes pour prendre une décision. Les algorithmes d'IA font la même chose, avec des données au lieu de l'intuition.
Algorithme 1 : Les Arbres de Décision 🌳
Un arbre de décision prend des décisions en posant des questions oui/non — comme le jeu des « 20 questions ».
Comment ça marche
Imaginez que vous décidez si vous allez jouer dehors :
Il pleut ?
├── Oui → Rester à l'intérieur 🏠
└── Non → Il fait plus de 15°C ?
├── Oui → Jouer dehors ! ⚽
└── Non → Mettre une veste et jouer dehors 🧥
Chaque nœud pose une question, chaque branche suit une réponse, chaque feuille donne une décision finale.
Pourquoi les arbres de décision sont géniaux
- ✅ Faciles à comprendre — on peut les dessiner sur papier
- ✅ Explicables — on peut tracer exactement pourquoi une décision a été prise
- ✅ Fonctionnent avec nombres et catégories
Quand ils ont du mal
- ❌ Peuvent sur-apprendre — mémoriser les données d'entraînement
- ❌ Un seul arbre peut être imprécis sur des problèmes complexes
🤯
Les Forêts Aléatoires combinent des centaines d'arbres de décision et les font « voter ». C'est comme demander son chemin à 500 personnes et suivre la majorité. Cette idée simple améliore considérablement la précision !
Algorithme 2 : K Plus Proches Voisins (KNN) 🏘️
KNN est l'algorithme « demande à tes voisins ». Sa logique est magnifiquement simple : les choses similaires ont tendance à être proches.
L'intuition
Imaginez que vous déménagez dans une nouvelle ville et cherchez un bon restaurant. Que faites-vous ? Vous demandez à vos plus proches voisins ! Si 3 sur 5 recommandent la cuisine italienne, vous essaierez probablement l'italien.
KNN fonctionne exactement pareil :
- Prendre un nouveau point de données inconnu
- Trouver les K points les plus proches dans les données d'entraînement
- Les laisser voter sur la réponse
- Suivre la majorité
Choisir K
- K trop petit (ex : K=1) → Sensible au bruit
- K trop grand (ex : K=100) → Trop général
- Juste milieu → K=3, 5 ou 7 fonctionne bien. Toujours un nombre impair !
from sklearn.neighbors import KNeighborsClassifier
# Créer et entraîner un modèle KNN avec K=5
knn = KNeighborsClassifier(n_neighbors=5)
knn.fit(X_train, y_train)
# Prédire sur de nouvelles données
prediction = knn.predict(X_test)
print(f"Précision : {knn.score(X_test, y_test):.2%}")
💡
KNN est un « apprenant paresseux » — il n'apprend rien pendant l'entraînement ! Il mémorise toutes les données et fait le vrai travail au moment de la prédiction en calculant les distances.
Algorithme 3 : La Régression Linéaire 📈
La régression linéaire consiste à tracer une ligne à travers des points de données. Elle sert à prédire un nombre (pas une catégorie).
L'intuition
Plus vous étudiez, plus votre note tend à augmenter. Si vous traciez cela sur un graphique, vous verriez les points suivre une tendance ascendante. La régression linéaire trace la meilleure ligne à travers ces points.
L'équation
Chaque ligne peut se décrire par :
y = mx + b
- y = ce qu'on prédit (note au test)
- x = entrée (heures d'étude)
- m = pente (inclinaison de la ligne)
- b = ordonnée à l'origine
from sklearn.linear_model import LinearRegression
import numpy as np
# Heures d'étude et notes
hours = np.array([1, 2, 3, 4, 5, 6, 7, 8]).reshape(-1, 1)
scores = np.array([20, 35, 45, 55, 65, 75, 82, 90])
# Ajuster le modèle
model = LinearRegression()
model.fit(hours, scores)
# Prédire la note pour 5,5 heures d'étude
predicted = model.predict([[5.5]])
print(f"Note prédite pour 5,5 heures : {predicted[0]:.1f}")
Quand ça marche — et quand non
- ✅ Super quand la relation est à peu près linéaire
- ✅ Rapide, simple et facile à interpréter
- ❌ Mauvais quand la relation est courbe ou complexe
- ❌ Sensible aux valeurs aberrantes
Quel Algorithme Choisir ? 🧭
| Question | Arbre de Décision | KNN | Régression Linéaire | |----------|:---:|:---:|:---:| | Prédire une catégorie ? | ✅ | ✅ | ❌ | | Prédire un nombre ? | ✅ | ✅ | ✅ | | Besoin d'expliquer la décision ? | ✅✅ | ❌ | ✅ | | Grand jeu de données ? | ✅ | ❌ | ✅ | | Relation linéaire ? | ❌ | ❌ | ✅✅ |
🤔
Think about it:
Il n'y a pas de « meilleur » algorithme universel. Le bon choix dépend de vos données et de votre problème. Un médecin pourrait préférer un arbre de décision pour expliquer pourquoi il a posé un diagnostic. Une appli météo pourrait utiliser la régression linéaire car la relation est à peu près linéaire.
Interactif : Construire un Recommandeur de Films 🎬
Construisons un arbre de décision simple pour recommander des films !
Voulez-vous quelque chose de drôle ?
├── Oui → Aimez-vous les films d'animation ?
│ ├── Oui → Regardez « Vice-Versa 2 » 🎭
│ └── Non → Regardez « The Grand Budapest Hotel » 🏨
└── Non → Aimez-vous l'action ?
├── Oui → Préférez-vous les super-héros ?
│ ├── Oui → Regardez « Spider-Man: Across the Spider-Verse » 🕷️
│ └── Non → Regardez « Top Gun: Maverick » ✈️
└── Non → Voulez-vous une histoire vraie ?
├── Oui → Regardez « Les Figures de l'Ombre » 🚀
└── Non → Regardez « Interstellar » 🌌
def recommend_movie(funny, animated, action, superhero, true_story):
if funny:
if animated:
return "Vice-Versa 2 🎭"
else:
return "The Grand Budapest Hotel 🏨"
else:
if action:
if superhero:
return "Spider-Man: Across the Spider-Verse 🕷️"
else:
return "Top Gun: Maverick ✈️"
else:
if true_story:
return "Les Figures de l'Ombre 🚀"
else:
return "Interstellar 🌌"
print(recommend_movie(funny=False, animated=False,
action=True, superhero=True,
true_story=False))
Résumé Rapide 🎯
- Un algorithme est une procédure étape par étape pour résoudre un problème
- Les arbres de décision posent des questions oui/non — explicables et visuels
- KNN classifie en demandant aux K voisins les plus proches de voter
- La régression linéaire trace une ligne pour prédire des nombres
- Aucun algorithme n'est universellement le meilleur — choisissez selon vos données
- Les vrais systèmes d'IA combinent souvent plusieurs algorithmes
Prochaine Étape 🚀
Vous avez maintenant rencontré trois algorithmes classiques. Dans la prochaine leçon, nous explorerons les réseaux de neurones — les algorithmes inspirés du cerveau derrière les percées modernes de l'IA ! 🧠