Ensimag Rubrique Formation 2022

Introduction à l'intelligence artificielle - 4MMIIA

  • Volumes horaires

    • CM 16.5
    • Projet -
    • TD 1.5
    • Stage -
    • TP 15.0
    • DS -

    Crédits ECTS

    Crédits ECTS 3.0

Objectif(s)

Ce cours de 2A a pour ambition de vous donner une vue d'ensemble des buts et méthodes en intelligence artificielle. Il couvre les aspects théoriques et pratiques de l'utilisation de modèles d'apprentissage et de raisonnememnt symbolique à travers des cours magistraux et de nombreux TPs. Les TPs s'intéressent à des applications concrètes dans des domaines variés (biologie, traitement d'image, données structurées).

Responsable(s)

Clovis GALIEZ

Contenu(s)

I. Introduction (2 séances)
Vue d'ensemble, historique
Évaluation, métriques

II. Modèles et algorithmes usuels (6 séances)
Non supervisés (EM, K-means)
Supervisés (SVM, kernel methods, random forest)
Régularisation (Principes, Ridge, Lasso)

III. Réseaux de neurones
Perceptron, descente de gradient
Backpropagation, CNN
Architectures avancées (modèles supervisés RNN, LSTM et non-supervisés VAE, GAN)

IV. IA Symbolique (8 séances)
Seance 1: Knowledge Representation Formalisms (rules, description logics, conceptual and knowledge graphs): syntax and logical semantics
Seance 2 et 3 : Rule-based reasoning ( forward-chaining and backward chaining algorithms)
Seance 4: Rule mining from data (TP)
Seance 5: Logic-based explanations of decisions (prime implicants).
Seance 6: Ontology-based reasoning for data integration
Seance 7: Graph-based reasoning
Seance 8: Knowledge graphs and Linked Open Data ( TP)

Prérequis

Programmation : Python, mais les TPs seront donnés en différents langages (Python, R et Prolog) nécessitant uniquement de la familiarité avec des techniques de programmation usuelles et de la logique mathématique.
Mathématiques : bases en probabilités et de statistiques, bases en algèbre linéaire
Algorithmique : notion de complexité

Contrôle des connaissances

Evaluation : 33% de TP notés et 67% de Examen Ecrit (3h)

Rattrapage : 33% de TP notés (note reportée) et 67% de Examen Ecrit (1h30)

Epreuves: TP noté (1/3) et examen final (2/3) (sur papier ou sur machine sans épreuve pratique)
Durée: TPs notés (1h30), examen final (3h)
Documents et matériels autorisés: tous les documents sous forme papier (livres, notes du cours, etc)

Rattrapage: écrit (1h30)

Calendrier

Le cours est programmé dans ces filières :

  • Cursus ingénieur - Filière MMIS - Semestre 8
cf. l'emploi du temps 2025/2026

Informations complémentaires

Code de l'enseignement : 4MMIIA
Langue(s) d'enseignement : FR

Vous pouvez retrouver ce cours dans la liste de tous les cours.

Bibliographie

Très bons livres de référence en apprentissage machine :
An Introduction to Statistical Learning, James et al, https://www.statlearning.com/
Pattern Recognition and Machine Learning, Christopher M. Bishop
Spécifiquement sur le deep learning : https://www.deeplearningbook.org/
IA Symbolique : TBA