Description

• Principes généraux : représentation et analyse de données, généralisation sur l’apprentissage ;
• Méthodes de classification directe ( k-plus-proches-voisins…) ;
• Introduction à l’apprentissage non supervisé et à l’apprentissage supervisé ;
• Introduction aux machines SVM ;
• Modélisation par réseaux de neurones ;
• Etude de cas en sciences pour l’ingénieur : TP à l’aide d’un logiciel d’intelligence artificielle.

Compétences visées

L’objectif est de donner aux étudiants une initiation en intelligence artificielle.
Ce cours aborde des méthodes modernes d’apprentissage artificiel telles que les réseaux de neurones, les Machines à Vecteurs Supports et les classifieurs.
Ces algorithmes sont au cœur de nombreuses applications et connaissent un essor fulgurant : analyse automatique d’images, reconnaissance de la parole, reconnaissance d’évènements, robotique, bioinformatique, conduite automatique...
 

Bibliographie

• Cornuéjols, A & Miclet, L. (2010) "Apprentissage Artificiel. Concepts et algorithmes", Eyrolles (2nd. Ed.) ;
• Boi Faltings, Michael Schumacher, "L'intelligence artificielle par la pratique", Presses Polytechniques et Universitaires Romandes (PPUR), 2017 (2e édition).

Contacts

Responsable(s) de l'enseignement

• Dominique Knittel

MCC

Les épreuves indiquées respectent et appliquent le règlement de votre formation, disponible dans l'onglet Documents de la description de la formation.

Régime d'évaluation

ECI (Évaluation continue intégrale)

Coefficient

1.0

Évaluation initiale / Session principale - Épreuves