Informatique Intelligence artificielle et apprentissage automatique (IAAA)

Ce cours a pour but de présenter, manipuler les outils nécessaire pour comprendre le fonctionnement interne des méthodes de l'intelligence artificielle. Il est découpé en trois parties,

  • Rappels d'algèbre linéaire (espace vectoriel, calcul matricielle, décomposition matricielle de base) ;
  • Optimisation convexe (principe, optimisation avec et sans contraintes, méthode de la descente de gradient) ;
  • Introduction à la statistique et aux probabilités.

Cette UE fait suite à l’UE Modélisation et résolution pour la décision du M1.

Parmi les problèmes réels, les problèmes d’optimisation sont en général plus fréquents que les problèmes de décision. De plus, leur résolution est souvent plus difficile que celle des problèmes de décision associés et nécessite des techniques de résolution adaptés.

Les formalismes à base de contraintes, comme COP (Problème d’Optimisation sous Contraintes), WCSP (CSP Pondérés), et Max-SAT (Satisfiabilité maximum), permettent d’exprimer aisément des problèmes d’optimisation en mettant en relation des variables à l’aide de contraintes ou de clauses.

Ils offrent un cadre relativement puissant permettant de représenter de nombreux problèmes industriels et académiques (problème d’allocation de fréquence, ordonnancement, cryptographie, bioinformatique, etc.)  tout en disposant d’outils efficaces (solveurs) pour leur résolution.

Pour chaque formalisme, l’étudiant devra appréhender les techniques de résolution et surtout être capable de modéliser de nouveaux problèmes. Différentes modélisations étant envisageables, il devra être en mesure d’orienter ses choix en tenant compte des spécificités des solveurs employés.

Ce cours à pour but de donner une vue d'ensemble des défis principaux auxquels s'attaque le Traitement Automatique de la Langue (TAL), ainsi que présenter les concepts et les méthodologies actuellement disponibles pour traiter ces défis.