Cette unité d’enseignement n’est pas accessible aux étudiants d’échange !
Enseignants
Langue
d'enseignement
d'enseignement
Français
Préalables
Le(s) prérequis de cette Unité d’enseignement (UE) sont précisés à la fin de cette fiche, en regard des programmes/formations qui proposent cette UE.
Thèmes abordés
- Résolution de problèmes par la recherche: formulation des problèmes, stratégies de recherche informées et non informées, recherche locale, évaluation du comportement et coût estimé, applications
- Satisfaction de contraintes: problèmes de formulation, traçage et propagation de contraintes, applications
- Jeux et recherche contradictoire : algorithme de minimax et élagage Alpha-Beta, applications
- Logique propositionnelle: représentation des connaissances, inférence et raisonnement, applications
- Logique du premier ordre: représentation des connaissances, inférence et raisonnement, chaînage avant et arrière, systèmes à base de règles, applications
- Planification: langages des problèmes de planification, méthodes de recherche, graphes de planification, planification hiérarchique, extensions, applications
- AI, philosophie et éthique: "les machines savent-elles agir intelligemment ?", "les machines savent-elles vraiment penser ?", l'éthique et les risques de l'intelligence artificielle, l'avenir de l'intelligence artificielle
Acquis
d'apprentissage
d'apprentissage
A la fin de cette unité d’enseignement, l’étudiant est capable de : | |
Eu égard au référentiel AA du programme « Master ingénieur civil en informatique », ce cours contribue au développement, à l'acquisition et à l'évaluation des acquis d'apprentissage suivants :
|
|
Contenu
Le cours est organisé autour de quatre grandes thématiques :
- Les stratégies de recherche et la résolution de problèmes.
- Les jeux, la prise de décision et les systèmes multi-agents.
- La logique, la représentation des connaissances et le raisonnement automatisé.
- L'apprentissage automatique, de ses principes fondamentaux à l'apprentissage profond.
- Introduction générale à l'intelligence artificielle (agents intelligents, rationalité, interaction entre l'agent et son environnement, environnements de tâche et principaux paradigmes de l'IA).
- Stratégies de recherche non informée (formulation d'un problème, espaces d'états, recherche en largeur, recherche en profondeur, recherche à coût uniforme, recherche avec profondeur limitée et approfondissement itératif).
- Stratégies de recherche informée (fonctions heuristiques, recherche gloutonne, algorithme A*, admissibilité, cohérence, optimalité et conception d'heuristiques).
- Recherche adversariale et recherche arborescente Monte-Carlo (arbres de jeu, Minimax, élagage Alpha-Bêta, fonctions d'évaluation heuristiques, MCTS et Upper Confidence Bounds for Trees).
- Prise de décision simple dans l'incertain (raisonnement probabiliste, préférences, fonctions d'utilité, utilité espérée, réseaux de décision et valeur de l'information).
- Prise de décision complexe et séquentielle (processus de décision markoviens, politiques, fonctions de valeur, équations de Bellman, itération sur les politiques et itération sur les valeurs).
- Systèmes multi-agents (interactions coopératives et compétitives, jeux sous forme normale, stratégies, utilités, stratégies dominantes, équilibres de Nash, coordination et prise de décision collective).
- Logique propositionnelle et raisonnement (agents fondés sur les connaissances, syntaxe et sémantique, équivalence logique, validité, satisfaisabilité, conséquence logique, forme normale conjonctive, vérification de modèles et résolution).
- Logique du premier ordre et raisonnement automatisé (prédicats, fonctions, variables, quantificateurs, unification, substitution, chaînage avant et arrière, et résolution).
- Apprentissage automatique supervisé (classification, régression, régressions linéaire et logistique, fonctions de perte, descente de gradient, backpropagation).
- Apprentissage profond (réseaux de neurones multicouches, fonctions d'activation et de perte, initialisation des poids, théorème d'approximation universelle).
Méthodes d'enseignement
Ce cours comprend des cours magistraux, un travail de groupe, et des tâches individuelles.
Modes d'évaluation
des acquis des étudiants
des acquis des étudiants
- En première session, l'évaluation se compose de deux parties:
- Examen final individuel et récapitulatif (50%). L'utilisation de l'IA n'est pas permise pour cette évaluation. L'examen peut être répondu en anglais ou en français.
- Exercices personnels (20%) : des exercices à réaliser individuellement seront demandés tout au long de la session. L'utilisation de l'IA n'est pas permise pour cette évaluation.
- Projet en équipe (30%): implémentation d'un agent basé sur l'apprentissage par renforcement. L'utilisation de l'IA est permise pour cette évaluation, suivant les règles définies par la faculté.
- Mise en garde: pour obtenir une note de passage au cours (>= 10/20), il est nécessaire d'avoir au minimum une note supérieure ou égale à 20/50 pour l'examen final. Si cette condition n'est pas respectée, seule la note de l'examen est comptabilisée. En effet, l'examen final évalue des compétences critiques non couvertes par les autres évaluations, indispensables à la validation de l'UE.
En seconde session, l'examen et les exercices personnels peuvent être refaits selon la même pondération et modalités. La note de projet est acquise pour l'ensemble des sessions et ne peut pas être refait pour l'année académique.
En cas de réinscription, toute évaluation (incluant le projet) doit être repassée.
Ressources
en ligne
en ligne
Bibliographie
Part of the course content is based on the following book:
- Artificial Intelligence: A Modern Approach (4th Edition): https://aima.cs.berkeley.edu/
Faculté ou entité
en charge
en charge
