Introduction à l'intelligence artificielle et à l'apprentissage machine

• Différents domaines de l'intelligence artificielle.
• Principales méthodes de classification.
• Historique. École connexionniste et école symbolique.
• Représentation, emmagasinement et utilisation de la connaissance. 

Réseaux neuroniques

• Modélisation d'un neurone. Champ récepteur. Fonctions d'activation.
• Apprentissage par modification des poids de connexion.

Le Perceptron

• Modèle et règle d'apprentissage. Classification par le Perceptron. Limitations.

Le réseau à rétro-propagation du gradient d'erreurs

• Modèle multicouches,rétro-propagation des erreurs et règle d'apprentissage.
• Principales applications. Amélioration des performances.

Modèles et applications industrielles des réseaux neuroniques artificiels

• Taxonomie. Modèles monocouches : Hopfield, mémoire associative, machine de Boltzmann et Kohonen.
• Modèles multicouches : BAM, ART et Neocognitron.
• apprentissage profond, réseaux de neurones convolutifs, récurrents et autoencodeurs. 
• Survol des applications.

Arbres de décision

• Introduction aux arbres de décision
• Construction de l’arbre
• Caractéristiques
• Apprentissage et forêts aléatoires
• Applications

Réseaux Baysiens

• Définition,
• Théorème de Bayes
• Probabilités conditionnelles, conjointes, marginales, Indépendance conditionnelle
• Apprentissage Bayésien
• Réseaux Bayésiens
• Quelques exemples

Apprentissage markovien

• Paramétrisation et stationnarité
• Modèles de Markov, Baum-Welch Re-Estimation, Algorithme de Viterbi
• Autres approches
• Applications

• Familiarisation avec le simulateur de réseaux neuroniques à l'aide d'un classificateur de type Perceptron

• Réseau multicouche à rétro-propagation des erreurs.
• Entraînement et utilisation d'un réseau d'extraction de caractéristiques et de classification

• Réseaux compétitifs.
• Conception et entraînement d’un réseau du type LVQ pour la classification de formes

• Arbres de décision