Formation : Intelligence artificielle : agents, recherche et apprentissage

Ce que tu vas apprendre en 10 unités

1. 1

   Agents intelligents

   Commence ici

   Décris ce qu’est l’IA, modélise les problèmes comme des agents qui agissent dans des environnements, et formule des espaces d’états, des actions et des objectifs.

   5 objectifs d'apprentissage

   Ce que tu vas apprendre

   1. 1.Expliquer ce qu'est l'intelligence artificielle et comment le domaine s'est développé
   2. 2.Décrire les agents, les environnements et le comportement rationnel
   3. 3.Classer les environnements de tâche
   4. 4.Comparer les architectures d'agents
   5. 5.Formuler des problèmes de recherche dans un espace d'états
2. 2

   Algorithmes de recherche

   Résous des problèmes par recherche en largeur, recherche à coût uniforme et A*, conçois des heuristiques admissibles et utilise la recherche locale dans de très grands espaces.

   5 objectifs d'apprentissage

   Ce que tu vas apprendre

   1. 1.Formuler des problèmes de recherche et évaluer les algorithmes de recherche
   2. 2.Effectuer une recherche sans connaissances du domaine
   3. 3.Effectuer une recherche heuristique : recherche gloutonne et A*
   4. 4.Concevoir et évaluer des heuristiques
   5. 5.Utiliser la recherche locale dans de très grands espaces d’états
3. 3

   Satisfaction de contraintes

   Formule des problèmes d’ordonnancement et d’affectation comme des problèmes de satisfaction de contraintes, puis résous-les par recherche avec retour arrière, propagation de contraintes et heuristiques d’ordre.

   5 objectifs d'apprentissage

   Ce que tu vas apprendre

   1. 1.Formuler des problèmes de satisfaction de contraintes
   2. 2.Résoudre des problèmes de satisfaction de contraintes par recherche avec retour arrière
   3. 3.Réduire les domaines par propagation de contraintes
   4. 4.Résoudre des problèmes de satisfaction de contraintes par recherche locale
   5. 5.Exploiter la structure d'un problème
4. 4

   Recherche adversariale

   Choisis des coups dans les jeux avec minimax, l’élagage alpha-bêta et expectimax, et conçois des fonctions d’évaluation.

   6 objectifs d'apprentissage

   Ce que tu vas apprendre

   1. 1.Décrire les jeux comme des problèmes de recherche et tracer leurs arbres de jeu
   2. 2.Choisir des coups optimaux avec minimax
   3. 3.Accélérer minimax avec l'élagage alpha-bêta
   4. 4.Bien jouer dans un temps limité grâce aux fonctions d'évaluation
   5. 5.Choisir des coups en présence de hasard
   6. 6.Explorer de grands jeux par recherche arborescente de Monte-Carlo
5. 5

   Agents logiques et planification

   Représente les connaissances en logique propositionnelle et en logique du premier ordre, effectue des inférences et formule des problèmes de planification classique.

   6 objectifs d'apprentissage

   Ce que tu vas apprendre

   1. 1.Représenter les connaissances d'un agent en logique propositionnelle
   2. 2.Démontrer des conclusions par inférence propositionnelle et avec des solveurs SAT
   3. 3.Représenter les connaissances en logique du premier ordre
   4. 4.Effectuer des inférences en logique du premier ordre
   5. 5.Organiser les connaissances en ontologies et en graphes de connaissances
   6. 6.Formuler et résoudre des problèmes de planification classique
6. 6

   Raisonnement probabiliste

   Raisonne dans l'incertitude avec les probabilités et la formule de Bayes, représente les dépendances par des réseaux bayésiens et calcule des réponses par inférence exacte et par échantillonnage.

   5 objectifs d'apprentissage

   Ce que tu vas apprendre

   1. 1.Raisonner avec les probabilités, la formule de Bayes et l'indépendance
   2. 2.Représenter les dépendances par des réseaux bayésiens
   3. 3.Calculer des réponses exactes par énumération et élimination de variables
   4. 4.Obtenir des réponses approchées par échantillonnage
   5. 5.Prendre des décisions à l'aide des utilités, des réseaux de décision et de la valeur de l'information
7. 7

   Modèles de Markov cachés

   Modélise des systèmes évolutifs avec des chaînes de Markov et des modèles de Markov cachés, et suis les états cachés par filtrage et avec des filtres particulaires.

   5 objectifs d'apprentissage

   Ce que tu vas apprendre

   1. 1.Modéliser un système évolutif par une chaîne de Markov
   2. 2.Représenter les états cachés à l'aide de modèles de Markov cachés
   3. 3.Inférer les états cachés à partir d'une séquence d'observations
   4. 4.Effectuer un filtrage approché avec des filtres particulaires
   5. 5.Appliquer les modèles temporels au suivi et à la reconnaissance de la parole
8. 8

   Apprentissage par renforcement

   Modélise les décisions séquentielles par des processus de décision markoviens, résous-les par itération sur les valeurs et sur les politiques, et apprends des politiques par l’expérience avec le Q-learning.

   5 objectifs d'apprentissage

   Ce que tu vas apprendre

   1. 1.Modéliser les décisions séquentielles par des processus de décision markoviens
   2. 2.Exprimer les valeurs à l'aide des équations de Bellman
   3. 3.Résoudre des processus de décision markoviens connus par programmation dynamique
   4. 4.Apprendre à connaître un processus de décision markovien inconnu par l'expérience
   5. 5.Apprendre à agir avec le Q-learning et l'exploration
9. 9

   Réseaux de neurones

   Entraîne des classifieurs simples comme le classifieur bayésien naïf, le perceptron et la régression logistique, et explique comment les réseaux de neurones apprennent par descente de gradient.

   6 objectifs d'apprentissage

   Ce que tu vas apprendre

   1. 1.Formuler un problème d'apprentissage supervisé
   2. 2.Classer avec un classifieur bayésien naïf
   3. 3.Entraîner des classifieurs linéaires
   4. 4.Optimiser les modèles par descente de gradient
   5. 5.Construire et entraîner des réseaux de neurones
   6. 6.Reconnaître et maîtriser le surapprentissage
10. 10

    Éthique de l’IA

    Évalue les risques des systèmes d’IA en matière d’équité, de transparence, de vie privée et de sûreté, et explique comment la réglementation et les cadres de gouvernance permettent de gérer ces risques.

    6 objectifs d'apprentissage

    Ce que tu vas apprendre

    1. 1.Analyser les enjeux éthiques d'un système d'IA
    2. 2.Détecter, mesurer et réduire les biais discriminatoires
    3. 3.Rendre les systèmes d'IA transparents et protéger la vie privée
    4. 4.Rendre les systèmes d'IA sûrs, robustes et alignés
    5. 5.Évaluer les effets de l'IA sur la société et le travail
    6. 6.Expliquer comment la réglementation et les cadres de gouvernance permettent de gérer les risques liés à l'IA