Au terme de ce cours, l’étudiant ou l'étudiante sera en mesure :

• de définir le domaine de l’intelligence artificielle, et particulièrement les modèles en apprentissage machine;
• de résoudre des problèmes concrets en ingénierie à l’aide de modèles d’apprentissage, par exemple : machine à vaste marge, classificateur Bayésiens, réseaux de neurones, régression logistique, arbres décisionnels et algorithme k-means.

Apprentissage machine: définition; différentes taches (classification, catégorisation et régression); principaux modèles; apprentissage supervisé, non supervisé et par renforcement; extraction et sélection de caractéristiques; représentation des connaissances; reconnaissance et mécanismes d'inférence; raisonnement avec incertitude; méthodologie expérimentale. Les modèles sont présentés dans un contexte de système de reconnaissance de forme.

Séances de laboratoire : analyser le comportement des modèles neuroniques et statistiques en intelligence artificielle; concevoir et appliquer ces modèles d’apprentissage machine pour fin de reconnaissance de formes.

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;
• Concevoir et analyser les principaux modèles neuroniques et statistiques en intelligence artificielle pour le traitement d’information.

39    heures de cours magistral (enseignement théorique)

26    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 3h 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).