Plan du cours

 

 

OBJECTIFS :

• Généraux :
1. Contribuer au génie logiciel par une approche basée sur les heuristiques, la prise de décision sous incertitude et l'apprentissage machine;
2. étudier les principes qui sous-tendent l'exploitation efficace d'algorithmes type heuristique, incertain et apprentissage;
3. préparer l'étudiant à une entrée réussie au niveau du monde industriel.
• Spécifiques
1. approfondir les principes permettant de concevoir des algorithmes performants capables de simuler une certaine forme d'intelligence;
2. acquérir les méthodes de développement usuellement utilisées en intelligence artificiuelle;
3. être en mesure d'utiliser certaines méthodes courantes de l'intelligence artificielle, ainsi que les outils logiciels dédiés à l'intelligence artificielle;
4. être en mesure de spécifier, de concevoir et de valider des logiciels du type "agents intelligents autonomes";
5. avoir la capacité d'analyser les tâches complexes qui requièrent des données (complexes à très complexes), des connaissances, des heuristiques, des méthodes d'apprentissage, etc.

 
DESCRIPTION :

Ce cours décrit les techniques d'intelligence artificielle (IA) nécessaires à un agent en vue de percevoir, raisonner et agir "rationnellement" dans le monde réel caractérisé principalement par l'incertain. Ces techniques incluent entre autres le raisonnement incertain, l'apprentissage machine, la planification, la perception, etc. Ces notions sont vues dans le contexte de la programmation C++, Python et Mathlab, des langages utilisés pour implémenter et valider des agents intelligents autonomes robustes.

 
CONTENU DU COURS :

• Introduction à l'intelligence artificielle (IA);
1. Qu'est ce que l'IA ?
2. Fondations de l'IA ?
3. État de l'art
4. Exemples 
• Agents intelligents :
1. Introduction;
2. Comment agissent les agents;
3. Structure des agents logiciels;
4. Les environnements entourant les agents.
• Résolution de problèmes
  
1. Résolution utilisant les méthodes de recherche (révision);
2. Résolution utilisant des heuristiques ;
3. Au delà des méthodes de recherche classiques ;
4. Problèmes de satisfaction de contraintes (CSP).
• Connaissances et raisonnement
1. Les agents qui raisonnent logiquement;
2. Construction d'une base de connaissances;
3. Systèmes de raisonnement logique.
• Agir en planifiant
1. Introduction à la planification;
2. La planification pratique;
3. Planification et action.
• Raisonnement sous incertain
1. L'incertain;
2. Les systèmes de raisonnement probabilistes;
   
3. Les systèmes de raisonnement probabilistes à travers le temps;
   
4. Élaborer des décisions simples;
5. Élaborer des décisions complexes.
• Apprentissage
1. Apprendre à partir d'exemples;
   
2. Les connaissances dans l'apprentissage.
3. Apprentissage de modèles probabilistes;
4. Apprendre par renforcement;
• Communication, perception et action
1. Agents qui communiquent;
2. Perception;
3. Systèmes robotiques.
• Conclusions
1. Considérations philosophiques;
2. Travaux actuels et futurs en IA.

 
MÉTHODOLOGIE :

• Activités d'enseignement : Le cours est magistral entrecoupé de séances d'exercices. Cette année, les étudiants sont appelés à apprendre par eux même les parties Raisonnement sous incertain et Apprentissage en vue de la préparation du projet et ce dès le début du cours. À cet effet, ils peuvent compléter la matière du livre de Russel & Norvig (AIMA) par (i) le cours de T. Mitchell (CMU) et le contenu pratique du livre Machine Learning In Action.
  
  
• Activités pédagogiques : en plus des cours magistraux et des exercices, le cours comprend : 1 examen final, 3 travaux pratiques (en individuel) et 1 projet (pouvant être fait soit seul soit en équipe de 2 au max).

 
ÉVALUATION :

• Moyens :
1. 1 examen final couvrant la matière (date : 21 avril 2015); seul le livre Russel & Norvig (AIMA) est autorisé avec une double page manuscrite;
2. TP1 (date de remise: 20 février 2015); TP2 (date de remise: 27 mars 2015) et TP3 (date de remise: 24 avril 2015)
3. Compte rendu sur le projet (dates de remise: Dimanche 26 avril 2015);
   
• Pour le cours IFT-4102: 1 page expliquant le problème visé (le "quoi faire"), comptant pour 2% et dont la date de remise est 10 mars 2015; 2 pages rafinant le "quoi faire" et expliquant le "comment faire", comptant pour 3% et dont date de remise est le 27 mars 2015  et enfin le compte rendu sur le projet comptant pour 15% et dont date de remise est le Dimanche 26 avril 2015.
• Pour le cours IFT-7025: 1 page et 1/2  spécifiant le "quoi faire", "pourquoi faire" et "comment faire", comptant pour 5% et (date de remise : 10 mars, 5 pages sur la synthèse de 3 articles en relation avec le problème visé, comptant pour 8% et dont date de remise est 27 mars, une présentation du projet comptant pour 7% et dont date de présentation est le 24 avril 2015 et enfin le compte rendu sur le projet comptant pour 15% et dont la date de remise est le Dimanche 26 avril 2015.  


• Critères d'évaluation :
1. Exigence d'un bon niveau de français;
2. Soin apporté à la rédaction;
3. Rigueur scientifique.

 

PONDÉRATION pour IFT-4102
Examen de fin de session	20%
3 TP (20% chacun)	60%
Projet	20% 2% +3% +15%

 

PONDÉRATION pour IFT-7025
Examen de fin de session	20%
3 TP (15% chacun)	45%
Projet	35% (5%+8%+7%+15%)

ÉTUDIANTS INSCRITS AU COURS IFT-7025 :

Les étudiants du cours doivent se reporter à la page du cours "Introduction à la recherche en Informatique" en vue de compléter leur initiation à la recherche. Pour les écrits; ils doivent utiliser Latex, pour lequel OVERLEAF donnne des templates aussi bien pour les publications que pour les slides et posters. Le compte rendu du projet et de la synthèse doivent être rédigés selon les templates de la conférence NIPS (Neural Information Processing Systems) et dont les proceedings sont ici.   

  

REMISE DES TRAVAUX:

Les travaux sont à remettre aux dates fixées à 12h30mn dernier délai. Une pénalité de 2%/jour est appliquée à tout retard. Ainsi, un travail de 20% ne vaut que 16% s'il est remis 2 jours plus tard. Sachez toutefois qu'on ne peut dépasser un maximum de 4 jours de retard durant le cours.

 

L'enseignant se réserve le droit d'ajuster quelque peu cette répartition des cotes (s'il y a lieu) afin de refléter l'évaluation juste des étudiants du cours.

 
BIBLIOGRAPHIE :

• Ouvrages obligatoires : Russell and Norvig, Artificial Intelligence: A Modern Approach, 3th edition,  Prentice Hall, 2010. Vous avez le choix entre la version anglaise et la version française.

 

File translated from T_EX by T_TH, version 3.86.
On 05 Jan 2015, 15:23.