Durant ce cours, il s'agit de mettre en oeuvre un projet numérique de stucture flottante soumise aux forçages par le vent, les vagues, les courants marins. Les étudiants apprennent à utiliser le logiciel FAST, un logiciel libre de référence développé par NREL, l'agence des énergies renouvelables américaine.

Ce cours présente les principaux concepts et outils de traitement numérique du signal. Après une introduction aux systèmes linéaires, on se focalisera sur le cas des signaux numériques. Le cours abordera la problématique de la numérisation ainsi que les phénomènes de bruit de quantification. Les différentes transformations qui s'appliquent aux signaux numériques seront présentées et en particulier la Transformée de Fourier discrète et sa réalisation rapide. Le filtrage numérique sera exposé. L'analyse et la synthèse des filtres à réponse impulsionnelle finie et infinie seront détaillées.
Le cours abordera ensuite de manière intuitive le problème des signaux aléatoires et la caractérisation statistique de ces signaux sera présentée.
Cet enseignement se terminera par un ensemble de microprojets durant lesquels les élèves pourront appliquer des traitements numériques à des signaux audio afin de corriger des défauts qui auront été ajoutés à ces derniers.

L'électronique numérique est au coeur de la révolution de l'information qui touche l'humanité depuis un demi-siècle. D'abord ressource de calcul, elle participe aussi aux fonctions de communication et stockage de l'information, ou encore de mesure ou action physique. Sans cesse plus intégrée et performante, elle s'insinue en fait dans presque toute réalisation humaine, et finalement au plus près de l'être humain lui-même, dont elle augmente ou supplée désormais l'intelligence.

L'objectif principal du cours est de présenter les principes fondamentaux sur lesquels repose l'électronique numérique actuelle. Ainsi le cours chemine de la Physique jusqu'à l'Informatique, plus précisément de l'exploitation de matériaux semi-conducteurs pour réaliser des opérateurs binaires jusqu'au développement de structures séquentielles programmables qui sont l'essence des microprocesseurs et du concept logiciel.

Les réalisations électroniques actuelles mobilisent désormais couramment des milliards de transistors. Pour maîtriser une telle complexité, il faut recourir à toute une hiérarchie de niveaux d'abstraction de la réalité physique, et savoir naviguer entre eux. Cela constitue une démarche système, dont la pratique est essentielle pour le futur ingénieur. Y confronter l'étudiant est un autre objectif important du cours.

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.