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

• discuter des avantages et inconvénients des approches symboliques et non symboliques en explicitant les points communs entre les domaines explorés;
• construire un système expert et appliquer des techniques de chaînage avant;
• construire un analyseur pour un langage simple;
• comprendre et appliquer des techniques d'apprentissage machine de base;
• comparer différents algorithmes de recherche pour résoudre un problème d’optimisation.

• Trois heures et demie (3 h ½) heures de cours et deux (2) heures de laboratoire par semaine. Certains documents pertinents au cours (mémos, exercices, solutionnaires, énoncés de travaux, fichiers d'exemples, etc.) seront placés régulièrement sur le site Moodle du cours. Il est de la responsabilité de l'étudiant(e) de consulter régulièrement ce site.
• Les séances de cours sont interactives. La matière de la semaine, disponible sous forme de capsules sur YouTube, est présentée rapidement; les sections qui demandent plus d'explications sont priorisées. Cette présentation succincte est suivi d'une séance de questions sous la forme de "tests de connaissances". Ces tests ne comptent pas dans la note finale.
• Les laboratoires visent l'assimilation des notions vues au cours et la mise au point des travaux. Nous espérons pouvoir enfin retravailler avec les robots Cozmo!

Introduction 

• Introduction à l’intelligence artificielle.
• Quelques rappels de LOG320.
• Quelques rappels de MAT210.
• Qu’est-ce qu’un agent intelligent? Communication, apprentissage, raisonnement.

 Apprentissage et métaheuristiques 

• Apprentissage supervisé et non supervisé.
• Extraction de caractéristiques simples à partir d'images.
• Classification.
• Méthodes de validation (hold-out, croisé)
• (optionnel) Apprentissage de conjonctions et de disjonctions.
• K plus proche voisin, arbre de décision, méthode bayésienne naïve.
• Régression logistique, réseaux de neurones.
• (optionnel) Recuit simulé, recherche taboue, algorithme glouton, algorithme génétique, algorithme de colonies de fourmis.
• (optionnel) Optimisation par essaim de particules.

 Traitement automatique des langues naturelles

• Niveaux d’analyse : morphologie, lexique, syntaxe et sémantique.
• Grammaire symbolique (grammaires de type 0, 1 et 2); automates, règles de réécriture et BNF.
• Étapes de l’analyse et ambiguïtés : segmentation, étiquetage (dictionnaire et n-grammes), analyse syntaxique et sémantique.
• Technique d’analyse syntaxique : Automates, « chart », « top-down » et « bottom-up ».
• Interprétation sémantique : « curryfication », expressions lambda, ?-réduction.
• (optionnel) Techniques d’analyse probabiliste.
• (optionnel) Introduction à la reconnaissance et la synthèse vocale.

 Représentation des connaissances et raisonnement

• Logique propositionnelle, logique du 1^er ordre, ontologies, réseaux sémantiques.
• Patrons de raisonnement, formes normales disjonctives et conjonctives.
• Algorithmes de résolution.
• Systèmes experts et clauses de Horn.

• Langage de programmation: Python 3.x
• Environnements de développement : Linux (Ubuntu), Windows, Mac OS
• Utilisation du robot Cozmo pour créer un système intelligent

L'étudiant(e) doit avoir une moyenne d'au moins 50% dans les travaux individuels (intra, final et quiz) afin de réussir le cours. Cette condition est nécessaire mais non suffisante pour réussir ce cours.

Le système intelligent que vous allez construire durant le semestre comprend 3 laboratoires (5 %, 15%, 20 %). Le projet dans son ensemble vous permettra d’implémenter des versions simples d’algorithmes et de les comparer avec les dernières librairies disponibles pour Python. Cette construction expérimentale a pour objectif de vous donner les connaissances de base sous-jacentes aux algorithmes de l’IA et l’expertise nécessaire à l’intégration de composants intelligents. Pour ce faire, nous poursuivons trois objectifs spécifiques qui correspondent aux trois laboratoires:

Objectif 1. Parcourir un espace, conceptualiser le monde et communiquer 
Ce laboratoire a pour but de vous initier aux capacités du robot: reconnaissance faciale, déplacement, communication, expressivité. L’objectif de Cozmo est de patrouiller son espace et d’interagir simplement avec celui-ci et avec vous.

Objectif 2. Interagir et voir le monde
Ce laboratoire a pour but de rendre Cozmo capable de reconnaître des objets simples et de les associer à sa conception du monde. L’objectif de Cozmo est de récolter des indices.

Objectif 3. Raisonner et donner des explications
Ce laboratoire a pour but d’apprendre à Cozmo comment raisonner par inférence. Son objectif est de déduire, à partir des indices qu’il a découvert et de votre aide, de nouveaux faits qui viendront augmenter sa connaissance du monde. Vous apprendrez également comment communiquer avec Cozmo grâce à un langage simple que vous serez en mesure d’analyser pour le robot.

Veuillez respecter la procédure de remise, de même que les échéances fixées :

Retard de moins de 24 heures : perte de 20 %;
Retard de plus de 24 heures, mais moins 48 heures (inclus) : perte de 40 %;
Retard de plus de 48 heures, perte de 100 %.

Afin de faire valider une absence à une évaluation en vue d’obtenir un examen de compensation, l’étudiante ou l’étudiant doit utiliser le formulaire prévu à cet effet dans son portail MonÉTS pour un examen final qui se déroule durant la période des examens finaux ou pour tout autre élément d’évaluation surveillé de 15% et plus durant la session. Si l’absence concerne un élément d’évaluation de moins de 15% durant la session, l’étudiant ou l’étudiante doit soumettre une demande par écrit à son enseignante ou enseignant.

Toute demande de validation d’absence doit se faire dans les cinq (5) jours ouvrables suivant la tenue de l’évaluation, sauf dans les cas d’une absence pour participation à une activité prévue aux règlements des études où la demande doit être soumise dans les cinq (5) jours ouvrables avant le jour de départ de l’ÉTS pour se rendre à l’activité.

Toute absence non justifiée par un motif majeur (voir articles 7.2.6.1 du RÉPC et 6.5.2 du RÉCS) entraînera l’attribution de la note zéro (0).

Aucune documentation obligatoire.

Optionnelles:

• JOSHI, P. Artificial Intelligence with Python: A Comprehensive Guide to Building Intelligent Apps for Python Beginners and Developers, 2017.
• RUSSELL, S.J. & P. NORVIG, Intelligence artificielle: une approche modeerne. 4^e édition, Pearson Éducation, 2021.
• RUSSELL, S. J. & P. NORVIG. Artificial intelligence: a modern approach. Pearson Education, 2021.
• ALPAYDIN, Ethem. Introduction to machine learning. MIT press, 2020.

Des références complémentaires sont disponibles sur le site du cours.

Les documents pertinents au cours (mémos, exercices, solutionnaires, énoncés de laboratoires, fichiers d'exemples, etc.) seront placés régulièrement sur le site Moodle du cours. Il est de la responsabilité de l'étudiant de le consulter.