Ce cours vise à fournir les bases de l'IA symbolique, avec quelques sujets avancés sélectionnés.

Il comprend des cours sur la logique formelle, les ontologies, l'apprentissage symbolique, des sujets d'IA typiques tels que la révision, la fusion, etc., avec des illustrations sur la modélisation des préférences et la compréhension de l'image.

Ce cours est une introduction aux méthodes d'apprentissage profond ("deep learning" en anglais). D'abord, on passera en revue la notion de réseau de neurones, dont l'exemple le plus simple est le "Multi-Layer Perceptron" (MPL). On regardera ensuite comment ces réseaux peuvent être entraînés sur une base de données, en particulier les techniques d'optimisation d'une fonction de coût (backpropagation, descente de gradient stochastique etc.). Ensuite, on introduira plusieurs techniques de régularisation couramment utilisées dans l'entraînement. On introduira les réseaux de neurones convolutionnels, ainsi que quelques réseaux connus utilisés pour la classification des objets dans les images. Enfin, on regardera quelques exemples plus récents de réseaux de neurones spécialisés pour certaines tâches ou problèmes, comme les réseaux récurrents, les autoencodeurs ou les generative adversarial networks (et autres modèles génératifs).

L'objectif de cet enseignement est de donner une vision des algorithmes et de leur implémentations dans les bibliothèques modernes d'apprentissage automatique fondées sur les réseaux de neurones. En particulier, l'utilisation de matériel spécifique, comme les cartes graphiques, pour gagner en performance sont au coeur des ces bibliothèques. Il est alors important de comprendre comment sont partagés les calcules entre matériel spécifique et CPU.

Les métaheuristiques sont des algorithmes de recherche stochastiques faisant partie des principales classes de solveur en optimisation non-linéaire. Employés sur des problèmes « difficiles » pour lesquels il est impossible de garantir des solutions optimales, ces méthodes permettent néanmoins de trouver des solutions approchées et sont classiquement employées sur des applications d'aide à la décision. Ce cours explore dans un premier temps les classes de problèmes sur lesquels il peut être pertinent d'employer des métaheuristiques en insistant sur l'importance de la modélisation.
Conçues à l'origine sur la base de métaphores (algorithmes évolutionnaires, recuit simulé, essaims, colonies de fourmis, etc.), leur conception s'est mathématisée et met en jeu des outils mathématiques allant de la géométrie aux statistiques. Nous verrons comment aller au-delà des métaphores pour comprendre les aspects communs étant au cœur de ces méthodes, avec un focus sur quelques aspects parmi les plus utiles en pratique.
Enfin, au-delà de la conception algorithmique, nous verrons pourquoi il est nécessaire d'employer une méthode empirique de validation issue des sciences expérimentales et comment mener une étude applicative rigoureuse en employant les dernières avancées en matière d'ingénierie algorithmique.

On considère la problématique du passage à l'échelle en machine learning. Il s'agit de comprendre et d'apprendre à implémenter les principales approches permettant de résoudre numériquement des problème d'apprentissage statistique supervisé. Plusieurs angles seront abordé : réduction de la dimension et sélection des features, utilisation d'algorithmes d'optimisation adaptés, et utilisation d'outils informatiques distribués permettant de porter les calculs sur un cluster.

L’intelligence artificielle est souvent perçue selon le paradigme du « penseur isolé ». Pourtant, il est possible d’étudier l’intelligence artificielle sous l’angle de l’interaction entre plusieurs agents intelligents. Ce paradigme est au cœur des systèmes multi-agents. L’objectif de ce cours est de sensibiliser les étudiants aux problématiques amenées par ce paradigme. Il constitue une introduction à un panel de problématiques pour lesquelles les systèmes multi-agents sont utilisés, en particulier la simulation et la résolution distribuée de problèmes. Il permet aussi de découvrir une nouvelle manière de développer à travers des frameworks d’Agent Oriented Programming. Enfin, il présente un certain nombre de concepts essentiels dans le domaine des systèmes multi-agents : composantes d’un système multi-agents, architectures d’agents, comportements émergents, paradigmes cognitif et réactif, agents coopératifs et compétitifs. Au-delà de cette introduction, le cours inclut également des sujets plus avancés portant sur la négociation automatique, et qui servent de cas d’application aux concepts abordés précédemment. Dans ce cadre, les dernières séances comprendront une introduction aux mécanismes d’incitation et à la théorie des enchères, ainsi qu’un mini-projet consistant en une compétition de négociation automatique.

Le traitement automatique des langues est un domaine en pleine expansion. Par exemple, beaucoup d'efforts ont été récemment consacrés au développement de méthodes capables d'analyser les données d'opinion disponibles sur le Web social. Le premier objectif de ce cours est d'aborder les différentes méthodes de traitement de la langue et d'apprentissage automatique sous-jacentes à l'analyse des textes. Durant ce cours, les étudiants acquerront des compétences théoriques et techniques sur les méthodes avancées d'apprentissage automatique et le traitement du langage naturel. 

Les techniques et concepts qui seront étudiés comprennent: 

-processus de langage naturel: tokenisation, marquage de partie de discours, représentation de document et word embeddings 

ressources linguistiques : les lexiques, wordnet 

-classement de texte et catégorisation de texte: méthodes avancées d'apprentissage automatique telles que les réseaux de neurones ou les modèles markov cachés.

Ce cours a pour objectif d'apprendre à concevoir un algorithme de manière systématique et scientifique. Il illustre la démarche d'analyse, de formalisation, de conception et d'implantation d'algorithmes répondant à des spécifications exprimées sous différentes formes.

La notion de test de programme est abordée informellement afin de sensibiliser à la nécessité de vérifier le bon fonctionnement d'un programme sur des cas choisis de manière réfléchie.

Une attention particulière est mise sur la structuration des algorithmes puis des programmes afin de garantir maintenabilité, réutilisabilité mais également une complexité maîtrisée.

Une introduction à la complexité est proposée afin de poser le cadre permettant de parler de l'efficacité d'un algorithme.

Une séance est consacrée aux paradigmes de programmations dynamique et gloutonne. Ces formes d'algorithmes sont souvent présentées comme méthodes générales de conception d'algorithmes répondant à des problèmes dont la complexité est généralement très élevée.

Présentation des concepts objets : la généricité, la spécialisation ou déspécialisation, la sérialisation ainsi que les méthodes et paradigme de programmation comme les patrons de conception (design patterns).

Ce module présente la théorie et les outils pour l'optimisation des systèmes mécatroniques.