Jeux de Données et Données — Le Carburant de l'IA

Bienvenue au Niveau 2 ! 👋

Dans AI Seeds, vous avez appris que l'IA apprend à partir d'exemples — comme un enfant qui apprend à reconnaître les animaux avec des imagiers. Mais d'où viennent ces exemples ?

La réponse est la donnée — et c'est l'ingrédient le plus important de l'IA. De mauvaises données mènent à une mauvaise IA. D'excellentes données mènent à une excellente IA.

---

Qu'est-ce que la Donnée ? 🤔

La donnée est simplement de l'information enregistrée. Chaque action numérique crée des données :

• 📸 Prendre une photo → données image
• 💬 Envoyer un message → données texte
• 🎵 Écouter une chanson → données d'écoute
• 🛒 Acheter en ligne → données de transaction
• 📍 Ouvrir Google Maps → données de localisation

En IA, nous collectons ces informations, les organisons et les utilisons pour enseigner aux machines.

---

Données Structurées vs Non Structurées

📋 Données Structurées

Des données qui s'organisent en lignes et colonnes — comme un tableur.

| Nom | Âge | Ville | Couleur Préférée | |-----|-----|-------|-----------------| | Aisha | 14 | Londres | Bleu | | Ravi | 16 | Hyderabad | Vert | | Emma | 15 | Amsterdam | Rouge |

🖼️ Données Non Structurées

Des données qui ne rentrent pas dans un tableau — images, vidéos, audio, e-mails, posts sur les réseaux sociaux.

---

Données d'Entraînement, de Validation et de Test

Quand vous révisez un examen, vous ne lisez pas seulement le cours — vous faites aussi des exercices, puis passez l'examen. L'IA fait pareil avec trois découpages :

📚 Données d'entraînement (le cours)

La plus grande partie — 70 à 80 % de toutes les données. Le modèle les étudie pour apprendre des patterns.

📝 Données de validation (les exercices)

Environ 10 à 15 %. Utilisées pendant l'entraînement pour vérifier les progrès.

🎓 Données de test (l'examen final)

Les 10 à 15 % restants. Utilisées après l'entraînement. Le modèle n'a jamais vu ces données.

from sklearn.model_selection import train_test_split

# Découpage : 80 % entraînement, 20 % temporaire
train_data, temp_data = train_test_split(all_data, test_size=0.2)

# Découpage du set temporaire : moitié validation, moitié test
val_data, test_data = train_test_split(temp_data, test_size=0.5)

print(f"Entraînement : {len(train_data)}")
print(f"Validation : {len(val_data)}")
print(f"Test : {len(test_data)}")

---

Biais des Données — Pourquoi C'est Important ⚖️

L'IA n'est aussi juste que les données dont elle apprend.

Si vous entraînez un système de reconnaissance faciale principalement avec des photos de personnes à la peau claire, il fonctionnera mal sur les visages à la peau foncée.

Exemples concrets de biais :

• 🏥 IA médicale entraînée surtout sur des données masculines — diagnostics incorrects pour les femmes
• 💼 IA de recrutement entraînée sur des CV historiques — pénalisation des candidates
• 🚗 Voitures autonomes entraînées en Californie ensoleillée — difficultés sous la pluie et la neige

---

Jeux de Données Célèbres 🌍

✍️ MNIST

• Quoi : 70 000 images de chiffres manuscrits (0–9)
• Importance : Le « Hello World » du machine learning

🖼️ ImageNet

• Quoi : Plus de 14 millions d'images étiquetées dans plus de 20 000 catégories
• Importance : Le concours ImageNet (2010–2017) a accéléré la reconnaissance d'images

🌐 Common Crawl

• Quoi : Des pétaoctets de données web collectées depuis 2008
• Importance : Alimente les grands modèles de langage comme GPT

🗣️ LibriSpeech

• Quoi : 1 000 heures de parole anglaise lue
• Importance : Utilisé pour entraîner les systèmes de reconnaissance vocale

---

Pratique : Explorer un Jeu de Données 🔬

Explorons le célèbre jeu de données Iris — 150 mesures de fleurs avec 4 caractéristiques.

import pandas as pd
from sklearn.datasets import load_iris

# Charger le jeu de données
iris = load_iris()
df = pd.DataFrame(iris.data, columns=iris.feature_names)
df['species'] = [iris.target_names[t] for t in iris.target]

# Exploration basique
print("Forme :", df.shape)
print("\n5 premières lignes :")
print(df.head())

print("\nNombre par espèce :")
print(df['species'].value_counts())

print("\nStatistiques basiques :")
print(df.describe())

Quand vous explorez un jeu de données, demandez-vous :

1. Combien d'échantillons ? (lignes)
2. Combien de caractéristiques ? (colonnes)
3. Les classes sont-elles équilibrées ?
4. Y a-t-il des valeurs manquantes ?
5. À quoi ressemblent les chiffres ? (étendue, moyenne, dispersion)

---

Résumé Rapide 🎯

1. La donnée est de l'information enregistrée — photos, messages, clics
2. Données structurées = tableaux ; données non structurées = images, texte, audio
3. Les données sont découpées en entraînement, validation et test
4. Le biais des données mène à une IA injuste — demandez qui manque
5. Des jeux de données comme MNIST, ImageNet et Common Crawl alimentent l'IA actuelle
6. Explorez toujours vos données avant de construire un modèle

---

Prochaine Étape 🚀

Vous savez maintenant ce qui alimente l'IA. Dans la prochaine leçon, nous explorerons les algorithmes — les recettes qui transforment les données en décisions intelligentes !