Méthodes et algorithmes avancés pour l’Intelligence Artificielle
Durée : 42 heures – Évaluation : Travaux Pratiques + Projet
Présentation
Ce cours s’adresse aux étudiants en informatique, en data science, en architecture et développements d’Intelligence Artificielle pour comprendre comment fonctionnent les algorithmes pour faire du parcours et de la recherche de solutions automatiques.
La formation vise à fournir un socle solide en théorie algorithmique, en mettant l’accent sur la compréhension approfondie des mécanismes, des architectures et des constructions formelles des algorithmes en IA. Elle permet aux étudiants d’acquérir des connaissances détaillées sur l’implémentation manuelle et le fonctionnement des algorithmes classiques en Intelligence Artificielle et en apprentissage automatique. L’approche combine une dimension théorique, conceptuelle et algorithmique avec une application pratique en Python, débutant de zéro ou en utilisant des fonctions de base pour illustrer et tester les concepts.
L’objectif est d’abord d’apprendre la théorie, puis de mettre en pratique de manière accessible dès le début. Il ne s’agit pas de pratiquer le Machine Learning, réservé à un autre cours, mais de comprendre en profondeur les mécanismes pour pouvoir les appliquer efficacement et de manière précise par la suite.
Ingénieure de formation, diplômée de l'EPF, Célia CERTAIN a exercé durant 18 années dans l’industrie en qualité d’ingénieure calculs puis data scientist dans les domaines de l’aéronautique et de l’énergie. À mi-carrière, en 2019, elle a fait le choix de se consacrer à la formation en mathématiques, sciences et informatique. Pour l'École 18.06, Célia CERTAIN intervient sur l'essentiel des cours de mathématiques des programmes Bachelor Informatique et Mastère Intelligence Artificielle.
Objectifs pédagogiques
- Présenter des algorithmes d’IA, leur utilité, leurs applications concrètes, et leur intégration dans des projets pour résoudre divers problèmes
- Approfondir l’écrire des algorithmes : A* (recherche de chemins optimaux), KNN (classification par proches voisins), et les arbres de décision (AD), avec leur construction formelle, leurs traitements spécifiques
- Étudier de façon détaillée les concepts d’hyperplans et des modèles SVM (Support Vector Machines), incluant la définition des hyperplans, la maximisation de la marge, ainsi que l’utilisation de noyaux (Kernel Methods) pour traiter des données non linéaires
- Introduire les algorithmes génétiques (Gen), leur cadre d’application, leur conception, leur fonctionnement et leur réalisation pour l’optimisation et la recherche de solutions
- Explorer les concepts de gradients et de la descente de gradients, leur rôle dans l’optimisation de modèles en apprentissage automatique, avec une mise en œuvre
Plan du module
- Descriptions et algorithme A* (7 heures)
- Présentation
- Construction formelle et compréhension de l’algorithme A*
- Mise en place et développement en Python
- Descriptions et algorithme KNN (plus proches voisins) (7 heures)
- Présentation
- Construction formelle et compréhension de l’algorithme KNN
- Mise en place et développement en Python
- Descriptions et algorithme des AD (arbres de décision) (7 heures)
- Modèles
- Sujet d’application pour arbres de décision
- Construction formelle et compréhension de l’algorithme AD
- Mise en place et développement en Python
- Descriptions et algorithmes Gen (génétiques) (7 heures)
- Présentation
- Construction formelle et compréhension de l’algorithme Gen
- Mise en place et développement en Python
- Descriptions et algorithmes des concepts d’hyperplans et modèles SVM (Support Vector Model) (7 heures)
- Présentation et définition du modèle à vecteur (SVM et SVR)
- Concepts d’hyperplans
- Modèles à hyperplans et SVM
- Modèles à noyaux (Kernel Methods)
- Algorithmes et concepts des gradients (7 heures)
- Présentation
- Principes formelle de la descente de gradients
- Principe formelle et algorithme de la descente des gradients (modèles)
- Mise en place et développement en Python
Bibliographie et ressources
- Conception d’algorithmes, principes et 150 exercices corrigés (Laurent Miclet, Patrick Bosc, Marc Guyomard, vontributeur : Colin De la Higuera, éditeur : Eyrolles, ISBN : 9782416001031, 2416001035 –2021)
- Programmation Python avancée, Guide pour une pratique élégante et efficace (Xavier Olive, Éditeur : Dunod, ISBN : 9-782-100-82732-9, 2100827324 – 2021)
- Python 3. De l’algorithmique à la maîtrise du langage, Coffret en 2 volumes : Python 3, les fondamentaux du langage ; Algorithmique (Franck Ebel, Sébastien Chazallet, Sébastien Rohaut, Édition : Dunod, ISBN : 9-782-409-01629-5, 2409016294 – 2018)
- Méthodes numériques – Algorithmes numériques – Fondements théoriques et analyse pratique – Cours, exercices et applications avec MATLAB® – Niveau C (Meurisse Marie-Hélène, éditeur : ELLIPSES, ISBN : 9782340091986, 2340091985 – 2018)
- Gradient discret et gradient continu discrétisé en contrôle optimal à paramètres distribués (Véronique Lods, contributeurs : Bernard Rousselet, Franco Brezzi – 1992)
Ce module fait partie de notre parcours Mastère Intelligence Artificielle (Bac+5) en première année.
Plutôt envie de découvrir ce module en immersion avant de vous inscrire ?
Participez à une de nos prochaines journées découvertes.