Introduction à l'intelligence artificielle - 4MMIIA

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).

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)

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