Introduction à l'intelligence artificielle

Optimisation bio-inspirée

• Formalisation d'un problème d'optimisation.
• Introduction aux méthodes exactes et approchées.
• Méthodes de trajectoire : recherche locale, recuit simulé, recherche tabou.
• Méthodes à base de population : algorithmique évolutionnaire et algorithmique génétique.

Introduction à l'apprentissage automatique

• Présentation de l’apprentissage automatique, définition des termes importants (intelligence artificielle, machine learning, optimisation, fonction de coût, entraînement et test) et des types de machine learning (supervisé, non supervisé, classification, régression).
• Classification : principaux algorithmes (régressions logistiques, arbres, forêts aléatoires, SVM) et méthodes d’évaluations.
• Régression : principaux algorithmes et utilisation avancée (régression linéaire, régularisation) et méthodes d’évaluations.
• Utiliser ces algorithmes : validation, sur-apprentissage.

• Formaliser un problème d’optimisation en identifiant les variables de décisions et les fonctions objectifs.
• Différencier les méthodes d'optimisation exactes et approchées, choisir un algorithme efficace (et l'implémenter) pour résoudre le problème posé.
• Reconnaître les situations où la machine learning est utile, reconnaître le type problème de machine learning et choisir un algorithme approprié.
• Entraîner, évaluer et comparer des algorithmes de machine learning déjà implémentés, pour des problèmes de classification ou régression.

• Algorithmique.
• Programmation Python.