Hiver 2011

INF8953A - C. SPÉC.: Intelligence artificielle : concepts et applications

Prof. Christopher Pal

Cours : Lundi, 12h45-15h45, L-3714

Laboratoire : Mardi, 12h45-15h45 (B2), L-3714

Les diapositives de leçon 1

L’énoncé de TP1 volet 1

Description du cours

Méthodes probabilistes d'intelligence artificielle. Modèles probabilistes : réseaux bayésiens, modèles de Markov cachés, champs aléatoires de Markov et leurs généralisations. Inférence. Théorie de la décision statistique et des réseaux de décision. Algorithmes d’apprentissage automatique, classificateurs simples, complexes et structurés. Traitement probabiliste de la langue et de la perception visuelle. Applications à la conception et l’implantation des systèmes experts, au forage de données, à la recherche d’informations et à la vision par ordinateur.

Structure du cours (contenu et heures)

(Le cours doit tenir sur 13 semaines comprenant le ou les contrôles périodiques ou mi-terme, présentations orales des étudiants, etc.)

Contenu	Heures
1. Présentation du cours, incertitude et concepts de base en utilisant la probabilité, la théorie de la décision de base, de l’indépendance et la règle de Bayes.	2
2. Introduction aux modèles de probabilité tels que réseaux bayésiens, champs aléatoires de Markov et généralisations de ces modèles avec les modèles probabilistes graphiques.	4
3. Inférence avec les modèles probabilistes graphiques. Conception de systèmes en utilisant des concepts tels que les systèmes experts.	3
4. Introduction à l’apprentissage automatique et aux méthodes d’optimisation. La conception de systèmes et les structures de données.	3
5. Modèles génératifs vs modèles discriminatifs et leurs impacts sur la conception de systèmes concrets, tels que les systèmes pour la recherche d’information et l’exploration de données.	3
6. Modèles continus, analyse en composantes principales et réduction de la dimensionnalité, réseaux de neurones.	3
7. Les machines à vecteurs de support et l’implantation dans des systèmes intelligents.	3
8. Modèles temporels et séquentiels. Modèles de Markov cachés et réseaux bayésiens dynamiques.	3
9. Conception et implantation de systèmes de traitement de la langue, traitement du texte, recherche d’information, extraction d’informations et traduction automatique.	3
10. Modèles de la perception visuelle, de la formation d’images et applications à la vision par ordinateur 3D.	3
11. Applications à la robotique telles que la vision stéréo et l’analyse de scène.	3
12. Prise de décisions complexes. Processus de décision markovien et graphes de décision.	3
13. Contrôle périodique et révision.	3
TOTAL :	39

Structure des laboratoires (contenu et heures)

(Les laboratoires doivent être incorporés dans les 13 semaines de cours.)

Contenu	Heures
TP1. Expérimentation de méthodes probabilistes en Matlab. TP2. Apprentissage automatique et exploration de modèles statistiques simples. TP3. Mini-projet sur des modèles et des systèmes complexes.	6 6 6
TOTAL :	18

Méthodes d’évaluation

Nature du contrôle	Nombre	Pondération
1. Travaux pratiques · TP1 (individuel) · TP2 (individuel) · TP3 (en équipe)	3	15 % 15 % 25 %
2. Contrôle périodique	1	15 %
3. Examen final	1	30 %