COURS TD TP EXAMENS

Introduction à l’ intelligence artificielle – Cours – intelligence artificielle Le but de l’intelligence artificielle est de concevoir des systèmes capables de reproduire le comportement de l’humain dans ses activités de raisonnement. L’intelligence artificielle se fixe comme but la modélisation de l’intelligence prise comme phénomène. Quelques domaines de l’intelligence artificielle Les systèmes experts : tache de diagnostic, de surveillance ou de dépannage d’installations industrielles. Robotique et FAO (fabrication assistée par ordinateur)  : introduction de robots qui acquièrent l’information à l’aide de capteurs ou de caméras afin de se mouvoir dans des environnements diversifiés. Compréhension du langage et traduction automatique  : apparition d’interfaces en langage naturel. Reconnaissance des formes : reconnaissance de la parole, de l’image et de l’écriture) IBM utilise une interface auditive qui reconnait 20 000 mots anglai...

Intelligence Artificielle – Cours Intelligence Artificielle est l’application de logiciels et de techniques de programmation mettant en lumière les principes de l’intelligence en général, et de la pensée humaine en particulier. L’intelligence artificielle peut être définie comme la tentative d’obtenir des machines comme celles qu’on voit dans les films. Quelques objectifs de l’Intelligence Artificielle • réagir avec discernement à des situations nouvelles, • tirer profit de circonstances fortuites, • discerner le sens de messages ambigus ou contradictoires, • juger de l’importance relative de différents éléments d’une situation, • trouver des similitudes entre des situations malgré leurs différences, • établir des distinctions entre des situations malgré leurs similitudes, • synthétiser de nouveaux concepts malgré leurs différences, • trouver de nouvelles idées, Définition des Systèmes formels Un système formel est « un ensemble de données purement abstrait, ...

Introduction aux réseaux de neurones Historique • Mac Culloch et Pitts (1943) : définition d’un neurone formel • Loi de Hebb (1949) • Rosenblatt (1958), Widrow et Hoff : modèle avec processus d’apprentissage, perceptron • Minsky et Papert (1969) : limites des perceptrons • Kohonen (1972) : mémoires associatives • Rumelhart – Mc Clelland (1980), Werbos – Le Cun : perceptron multi-couches, mécanismes d’apprentissage performants (rétro�propagation du gradient). Définitions • apprentissage supervisé : les coefficients synaptiques sont évalués en minimisant l’erreur (entre sortie souhaitée et sortie obtenue) sur une base d’apprentissage. • apprentissage non-supervisé : on ne dispose pas de base d’apprentissage. Les coefficients synaptiques sont déterminés par rapport à des critères de conformité : spécifications générales. • sur-apprentissage : on minimise l’erreur sur la base d’apprentissage à chaque itération mais on augmente l’erreur sur la base d’essai. Le mo...

Réseau de Neurones Artificiels – cours – réseau de neurones Les réseaux de neurones artificiels sont des réseaux fortement connectés de processeurs élémentaires fonctionnant en parallèle. Chaque processeur élémentaire (neurone artificiel) calcule une sortie unique sur la base des informations qu’il reçoit. Parallel Distributed Processing : – Calculs élémentaires et parallèles – Données/informations distribuées dans le réseau Inspiration naturelle : analogie avec le cerveau Fondements Biologiques Structure des neurones Le système nerveux est composé de 10 12 neurones interconnectés. Bien qu’il existe une grande diversité de neurones, ils fonctionnent tous sur le même schéma. Ils se décomposent en trois régions principales : – Le corps cellulaire – Les dendrites – L’axone Fonctionnement des neurones L’influx nerveux est assimilable à un signal électrique se propageant comme ceci : – Les dendrites reçoivent l’influx nerveux d’autres neurones. – Le neu...

Réseaux de neurones : historique, méthodes et applications Un réseau neuronal est l’association, en un graphe plus ou moins complexe, d’objets élémentaires, les neurones formels. Les principaux réseaux se distinguent par l’organisation du graphe (en couches, complets. . .), c’est-à-dire leur architecture, son niveau de complexité (le nombre de neurones, présence ou non de boucles de rétroaction dans le réseau), par le type des neurones (leurs fonctions de transition ou d’activation) et enfin par l’objectif visé : apprentissage supervisé ou non, optimisation, systèmes dynamiques… Perceptron multicouche  But d’apprentissage supervisé. Les systèmes dynamiques, avec boucle de rétroaction, les réseaux récurrents (LSTM) ainsi que les cartes de Kohonen ou cartes auto-organisatrices pour la classification non supervisée ne sont pas abordés. Architecture de perceptron multicouche Le perceptron multicouche (PMC) est un réseau composé de couches successives. Une couche es...