À la fin de ce cours, l’étudiant sera en mesure :

• de définir le domaine de l’intelligence artificielle et particulièrement les réseaux de neurones;
• résoudre des problèmes d’ingénierie à l’aide des réseaux de neurones.

Intelligence artificielle : définition, caractéristiques et architecture de base, représentation des connaissances, mécanismes d'inférence, raisonnement avec incertitude, stratégies de contrôle et méthodologie de construction. Réseaux de neurones : définition, caractéristiques, fondements biologiques, structure et fonctionnement de base, méthodologie de construction et présentation des principaux modèles. Les modèles sont présentés dans un contexte de système de reconnaissance de forme.

Séances de laboratoire : analyser le comportement des réseaux de neurones; réaliser et appliquer les réseaux de neurones pour fin de reconnaissance de forme.

L'objectif global de ce cours est d’identifier, de décrire et d’utiliser les principaux modèles neuroniques et statistiques en intelligence artificielle. Les objectifs spécifiques du cours sont :

• Décrire les différentes formes de représentation des connaissances et les principes de l'apprentissage automatique et de l'intelligence artificielle.
• Choisir un modèle neuronique ou statistique approprié afin de résoudre un problème en reconnaissance de formes;
• Mettre au point des simulations simples de systèmes pour l’extraction de descripteurs et la classification;

39    heures de cours magistral (enseignement théorique)

36    heures de laboratoire

  3    heures de travail personnel (en moyenne) par semaine

Pour atteindre les objectifs, l’étudiant assistera à des exposés magistraux à raison de 3h30 par semaine et à des séances de laboratoire (3 h par semaine) durant lesquelles il pourra simuler le fonctionnement de divers modèles neuroniques et statistiques appliqués à des problèmes en reconnaissance visuelle (extraction de descripteurs et classification).