Description

• Représentation et analyse de données, généralisation sur l’apprentissage ;
• Méthodes de classification directe ( k-plus-proches-voisins, …) ;
• Apprentissage non supervisé et à l’apprentissage supervisé ;
• 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

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, 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