IntelligenceArtificiellePython

Ensemble de petits codes python relatif à l’IA

des notebooks à ouvrir avec colab de préférence ou avec les notebooks de la suite anaconda :

Logique classique

• DP et DPPLL : implémentez et optimiser les algorithmes classiques de résolution. Voir ici le sujet.

Réseaux de neurones

• très petits exemples pour comprendre les réseaux simples
  • TestET.ipynb : petit notebook python montrant la définition d’un réseau de neurones avec tensorflow pour l’apprentissage du ET logique
  • TestET-TensorBoard.ipynb : petit notebook python montrant la définition d’un réseau de neurones avec tensorflow pour l’apprentissage du ET logique. Et l’utilisation de l’outil TensorBoard pour étudier l’apprentissage du réseau défini.
  • TestOUX.ipynb : petit notebook python montrant la définition d’un réseau de neurones avec tensorflow pour l’apprentissage du OU Exclusif logique
  • DetectionAlertes.ipynb : petit exercice en notebook python de la détection très simple de messages douteux par réseaux de neurones
  • SolutionDetectionAlertes.ipynb : solution au petit exercice en notebook python de la détection très simple de messages douteux par réseaux de neurones
  • SolutionDetectionAlertesTensorBoard.ipynb : solution au petit exercice en notebook python de la détection très simple de messages douteux par réseaux de neurones. Et l’utilisation de l’outil TensorBoard pour étudier l’apprentissage du réseau défini.
  • ClasserMail.ipynb : petit exercice en notebook python de la classification très simple de mails par réseaux de neurones
  • SolutionClasserMail.ipynb : solution au petit exercice en notebook python de la classification très simple de mails par réseaux de neurones
  • PredireReussite.ipynb : Exercice de prédiction de réussite scolaire selon le contexte personnel et social
  • PredireReussiteSolution.ipynb : Solution à l’exercice de prédiction de réussite scolaire selon le contexte personnel et social. Solution où le réseau donne 1 seule valeur de sortie, à multiplier pour estimer la note à l’examen
  • PredireReussiteSolutionBis.ipynb : Un autre solution à l’exercice de prédiction de réussite scolaire selon le contexte personnel et social. Solution où le réseau donne 8 valeurs de sortie, estimant les probabilité d’obtenir des notes entre Echec (neurone 0) et AA (neurone 7)
• quasi deep-learning
  • SolutionTPDetectionDeSentiments.ipynb : notebook en python montrant l’apprentissage par réseaux de neurones pour la classification de textes.
  • TPClassementDeTheses.ipynb : notebook en python sur le TP de classement automatique de thèses scientifiques.
  • TPFakeNews.ipynb : notebook en python sur le TP de classement automatique de fake news.
  • TPChampis.ipynb : notebook en python sur le TP de classement automatique de champignons.
  • TPProducts.ipynb : notebook en python sur le TP de classement automatique d’avis sur des produits.
• hugging face
  • introHuggingFace.ipynb: notebook en python sur le TP de découverte de Huggingface.

Logique floue

• logique_floue.ipynb : notebook python montrant l’utilisation de la logique floue pour prendre une décision sur l’urgence de freiner en fonction de la position et de la taille d’un piéton sur le trottoir. Les règles semblent peut complètes; proposer une amélioration…
• choixSejourLogiqueFloue.ipynb : notebook python montrant l’utilisation de la logique floue pour prendre une décision sur la longueur de congés
• choixClimLogiqueFloue.ipynb : TP en notebook python sur l’aide à la décision pour la régulation d’un climatiseur.
• choixActiviteLogiqueFloue.ipynb : TP en notebook python sur l’aide à la décision pour le choix de la durée d’une activité physique extérieure.
• PerformanceLogiqueFloue.ipynb : TP en notebook python sur l’aide à la prédiction sur la compétence d’une personne selon ses résultats et son comportement social.

Machine Learning via GYM

• TPMLIntroGym.ipynb : présentation de l’environnement de test Gym (Open AI)
• MLGymGALunar.ipynb : sujet sur la réalisation d’un algo génétique pour l’environnement Lunar Lander.
• MLGymGAMoutainCar.ipynb : sujet sur la réalisation d’un algo génétique pour l’environnement MoutainCar.

---

TP QLearning

A partir d’un exemple de QLearning pour le problème du lac gelé de OpenAI :

• GymFrozenLakeQLearning.ipynb : solution au sujet de Q-Learning simple sur l’environnement “Lac Gelé” de Gym.

• implémentez le Double QLearning
  • vérifier la performance du simple QLearning vs le Double QLearning
• implémentez le Delayed QLearning
  • vérifier la performance du simple QLearning vs le Double QLearning vs le Delayed Q-Learning, et le Delayed Double QLearning
• Reprenez ces algorithmes que vous avez développés et appliquez-les sur l’environnement CliffWalking-v0 (point de départ en x, arrivée en T, coût de -1 par action sur o, -100 par action sur C).
  • attention, aucune récompense (reward) en arrivant sur le but….
  • Voir ici un exemple de sortie pour le DoubleQLearning appliqué au CliffWalking
• Reprenez ces algorithmes que vous avez développés et appliquez-les sur l’environnement Taxi-v3.
  • Voir ici un exemple de sortie pour le DoubleQLearning appliqué au Taxi
• L’environnement frozenlake permet de montrer la performance du QLearning dans un environnement non déterministe, le l’environnement CLiffWalking permet de montrer que le QLearning fonctionne même s’il n’y a aucune récompense, l’environnement taxi montre la performance du QLearning pour construire des solutions. —
• Donnez la forme de la matrice Q s’il fallait appliquer le Q-Learning à l’environnement CartPole-v1. Expliquez ce qu’est le Deep Q-Learning.

• Expliquez comment le QLearning mixé à un algorithme de MCTS peut être utilisé dans le monde du gaming. Donnez des exemples.

• Citez des exemples réels d’applications industrielles, commerciales du Q-Learning