Résumé de section

  • OBJECTIFS ET DESCRIPTION DU COURS

    Tout replier Tout déplier

  • PREREQUIS

    Voir le syllabus 

  • SYLLABUS, LIVRES & AUTRES SUPPORTS DE COURS

  • RESULTATS D'APPRENTISSAGE (LEARNING OUTCOMES)

    Voir le syllabus 

  • CRITERES D'EVALUATION (LEARNING ASSESSMENT CRITERIA)

    Voir le syllabus 

  • EVALUATION DE L'APPRENTISSAGE & PONDERATION

    Voir le syllabus 

  • VIDEO DE PRESENTATION GENERALE DU COURS

  • SEMAINE 1 : Introduction à l’IA et aux agents intelligents.

    Contenus :

    ·        Définition et historique de l'intelligence artificielle

    ·        Le concept d'agent intelligent : perception, action et objectifs

    ·        Types d'environnements (observable vs. partiellement observable, déterministe vs. stochastique, épisodique vs. séquentiel, statique vs. dynamique, discret vs. continu)

    ·        Taxonomie des agents (agent réflexe simple, agent réflexe avec modèle, agent basé sur des buts, agent basé sur l'utilité)

    ·        Introduction aux enjeux éthiques et sociétaux de l'IA

    Objectifs pédagogiques :

    ·        Comprendre la place de l'IA dans le paysage informatique moderne

    ·        Identifier et distinguer les différents types d'agents et d'environnements

    ·        Analyser l'impact des caractéristiques de l'environnement sur le choix de l'architecture de l'agent

    ·        Prendre conscience des implications éthiques du développement de systèmes d'IA

  • SEMAINE 2 : Recherche non informée (Uninformed Search)

    Contenus :

    ·        Formalisation d'un problème de recherche : états, actions, fonction de transition, fonction de coût, test d'objectif

    ·        Mesure de performance des algorithmes de recherche : complétude, optimalité, complexité en temps et en espace

    ·        Recherche en largeur d'abord (BFS)

    ·        Recherche en profondeur d'abord (DFS)

    ·        Recherche à coût uniforme (UCS)

    ·        Comparaison des stratégies non informées

    Objectifs pédagogiques :

    ·        Formaliser un problème concret sous la forme d'un problème de recherche

    ·        Implémenter et comparer les algorithmes de recherche non informée

    ·        Analyser les propriétés de chaque algorithme pour choisir la stratégie appropriée

    ·        Évaluer la complexité des algorithmes sur différents types de problèmes

  • SEMAINE 3 : Recherche heuristique (Heuristic Search)

    Contenus :

    ·        Concept d'heuristique et propriétés des heuristiques (admissibilité, consistance)

    ·        Algorithme de recherche glouton (Greedy Best-First Search)

    ·        Algorithme A* : principe, propriétés et optimalité

    ·        Conception d'heuristiques : relaxation de problèmes, heuristiques dominantes

    ·        Recherche locale : recuit simulé, recherche tabou

    Objectifs pédagogiques :

    ·        Comprendre le rôle des heuristiques dans l'optimisation de la recherche

    ·        Implémenter et analyser les algorithmes de recherche heuristique

    ·        Concevoir des heuristiques efficaces pour des problèmes spécifiques

    ·        Justifier le choix d'une stratégie de recherche en fonction du problème

  • SEMAINE 4 : Satisfaction de contraintes (Constraint Satisfaction Problems - CSP)

    Contenus :

    ·        Définition d'un CSP : variables, domaines, contraintes

    ·        Algorithmes de recherche avec retour sur trace (Backtracking)

    ·        Heuristiques de choix de variables (MRV, degré) et de valeurs (LCV)

    ·        Propagation de contraintes : arc-consistance, AC-3

    ·        Applications des CSP : planification d'emplois du temps, affectation de ressources

    Objectifs pédagogiques :

    ·        Modéliser un problème complexe sous la forme d'un CSP

    ·        Implémenter un algorithme de backtracking avec heuristiques

    ·        Analyser l'impact de la propagation de contraintes sur la réduction de l'espace de recherche

    ·        Appliquer les CSP à des cas d'usage concrets

  • SEMAINE 5 : Logique propositionnelle et inférence

    Contenus :

    ·        Syntaxe et sémantique de la logique propositionnelle

    ·        Équivalences logiques et formes normales (CNF, DNF)

    ·        Règles d'inférence : modus ponens, modus tollens, résolution

    ·        Algorithme de résolution pour la logique propositionnelle

    ·        Systèmes de preuve et déduction naturelle

    Objectifs pédagogiques :

    ·        Formaliser des énoncés du langage naturel en logique propositionnelle

    ·        Appliquer les règles d'inférence pour démontrer des théorèmes

    ·        Comprendre le principe de la résolution et l'utiliser pour prouver la validité d'un raisonnement

    Analyser les limites de la logique propositionnelle

  • SEMAINE 6 : EXAMEN A MIS PARCOURS

    Contenus évalués :

    ·        Introduction à l'IA et agents intelligents

    ·        Recherche non informée (BFS, DFS, UCS)

    ·        Recherche heuristique (A*, glouton)

    ·        Satisfaction de contraintes (CSP, backtracking, arc-consistance)

    ·        Logique propositionnelle et inférence

  • SEMAINE 7 : Logique des prédicats (Logique du premier ordre)

    Contenus :

    ·        Syntaxe et sémantique de la logique des prédicats

    ·        Quantificateurs universel et existentiel

    ·        Forme normale de Skolem et clausal form

    ·        Résolution en logique des prédicats (unification)

    ·        Applications : systèmes experts, représentation des connaissances

    Objectifs pédagogiques :

    ·        Distinguer la logique des prédicats de la logique propositionnelle

    ·        Formaliser des connaissances complexes en logique du premier ordre

    ·        Comprendre et appliquer l'algorithme de résolution avec unification

    ·        Analyser les avantages et les limites de la logique des prédicats pour la représentation des connaissances

  • SEMAINE 8 : Raisonnement avec incertitude - Réseaux bayésiens

    Contenus :

    ·        Probabilités et raisonnement probabiliste

    ·        Indépendance conditionnelle

    ·        Structure et représentation des réseaux bayésiens

    ·        Inférence exacte : élimination de variables

    ·        Inférence approchée : échantillonnage (Monte Carlo, rejet)

    Objectifs pédagogiques :

    ·        Comprendre les fondements du raisonnement probabiliste en IA

    ·        Construire un réseau bayésien pour modéliser des dépendances complexes

    ·        Appliquer les algorithmes d'inférence pour répondre à des requêtes probabilistes

    ·        Analyser la complexité de l'inférence dans les réseaux bayésiens

  • SEMAINE 9 : Fondements de l'apprentissage automatique supervisé

    Contenus :

    ·        Introduction à l'apprentissage automatique : définitions et types

    ·        Apprentissage supervisé : jeu de données, caractéristiques, étiquettes

    ·        Arbres de décision : algorithme ID3 et C4.5

    ·        Critères de partitionnement : gain d'information, indice de Gini, rapport de gain

    ·        Surapprentissage (overfitting) et sous-apprentissage (underfitting)

    ·        Évaluation des modèles : validation croisée, matrice de confusion

    Objectifs pédagogiques :

    ·        Distinguer les différents types d'apprentissage (supervisé, non supervisé, par renforcement)

    ·        Comprendre et implémenter l'algorithme de construction d'arbres de décision

    ·        Analyser les critères de partitionnement et leur impact sur les performances

    Appliquer des techniques d'évaluation et de régularisation pour éviter le surapprentissage

  • SEMAINE 10 : Évaluation et bonnes pratiques en apprentissage automatique

    Contenus :

    ·        Métriques d'évaluation : précision, rappel, F-mesure, courbes ROC

    ·        Stratégies de validation : hold-out, k-fold cross-validation, leave-one-out

    ·        Techniques de régularisation : élagage d'arbres, arrêt précoce

    ·        Gestion des données déséquilibrées et introduction à l'apprentissage multi-classes

    ·        Intégration de l'apprentissage dans un pipeline de données

    Objectifs pédagogiques :

    ·        Analyser les performances d'un modèle à l'aide de métriques appropriées

    ·        Mettre en œuvre des stratégies de validation robustes

    ·        Appliquer des techniques de régularisation pour améliorer la généralisation

    ·        Évaluer de manière critique les résultats d'un modèle d'apprentissage automatique

  • SEMAINE 11 : Projet et synthèse des concepts d’un agent intelligent.

    Contenus :

    ·        Travail sur le projet de programmation : conception d'un agent intelligent complet

    ·        Intégration des techniques vues dans le cours (recherche, CSP, logique, apprentissage)

    ·        Analyse comparative des différentes approches pour un problème donné

    ·        Préparation à l'examen final : révision des concepts clés

    ·        Questions-réponses et approfondissement des sujets difficiles

    Objectifs pédagogiques :

    ·        Intégrer l'ensemble des techniques d'IA pour résoudre un problème complexe

    ·        Comparer et justifier le choix des différentes approches

    ·        Synthétiser les connaissances acquises tout au long du semestre

    ·        Identifier les forces et les limites des différentes techniques d'IA

  • SEMAINE 12 : EXAMEN FINAL

    Contenus évalués :

    ·        Logique des prédicats et résolution

    ·        Réseaux bayésiens et inférence probabiliste

    ·        Apprentissage automatique supervisé (arbres de décision, évaluation)

    ·        Synthèse de toutes les notions transversales (agents, recherche, CSP, logique, incertitude, apprentissage)