Descriptif
En raison de percées récentes, de la croissance rapide des collections de données et d'une pléthore d'applications passionnantes, l'intelligence artificielle fait l'objet d'un intérêt et d'un investissement massifs de la part des milieux universitaires et industriels.
Ce cours choisi un nombre de sujets avancés pour explorer l'apprentissage machine et les agents autonomes. Bien que ces sujets soit divers et flexibles, ce cours est développé autour d'un thème commun qui les connecte tous, /////////////////////
Les cours magistraux aborderont la théorie et les TD familiariseront les étudiants avec ces sujetsd'un point de vue pratique. Certains devoirs de TD seront notés et un groupe de travail sur l'apprentissage de renforcement constituera un élément essentiel de la note - l'objectif étant de développer et de déployer un agent dans un environnement et de rédiger un rapport analysant les résultats.
Diplôme(s) concerné(s)
- M2 IGD - Interaction, Graphic and Design
- M2 DATAAI - Data and Artificial Intelligence
- M1 IGD - Interaction, Graphic and Design
- M1 DATAAI - Data and Artificial Intelligence
Parcours de rattachement
Format des notes
Numérique sur 20Littérale/grade réduitPour les étudiants du diplôme M2 DATAAI - Data and Artificial Intelligence
L'UE est acquise si Note finale >= 10- Crédits ECTS acquis : 5 ECTS
Pour les étudiants du diplôme M1 IGD - Interaction, Graphic and Design
Pour les étudiants du diplôme M2 IGD - Interaction, Graphic and Design
Pour les étudiants du diplôme M1 DATAAI - Data and Artificial Intelligence
L'UE est acquise si Note finale >= 10- Crédits ECTS acquis : 5 ECTS
Programme détaillé
- Modèles graphiques probabilistiques (réseau bayésien, ...)
- Problèmes de prédiction multiple et structurée
- Structures d'apprentissage profond
- Méthodes de recherche et d'optimisation (recherche en faisceau, recherche approchée epsilon, optimisation stochastique, méthodes de Monte Carlo, ...)
- Prédiction séquentielle et prise de décision (MMC, méthodes de Monte Carlo séquentielles, ...)
- Apprentissage par renforcement (Q-Learning, Deep Q-Learning, filtrage bayésien, direction assistée par moteur, ...)