% DIC9150 — Concepts fondamentaux de l'informatique cognitive % UQAM — Département d'informatique % Plan de cours — Automne 2021 * Horaires, locaux et enseignants: Responsable(s) du cours ======================= Coordination ------------ Villemaire, Roger Enseignement ------------- Robert, Serge W-5280 Groupes: 010 Villemaire, Roger PK-4615 Groupes: 010 Description du cours ==================== Ce cours a pour objectifs d'analyser les diverses théories de la représentation des connaissances sous l'angle des approches symboliques et connexionnistes et d'illustrer les principales contributions du domaine des sciences humaines au développement d'applications informatiques. Il vise également à alimenter la réflexion sur l'interaction humaine, l'apprentissage et la cognition. Le cours tentera d'apporter les réponses actuelles aux questions suivantes: Comment représenter les connaissances à des fins de traitement de l'information? Comment constituer une architecture cognitive de manière à favoriser l'apprentissage et à réaliser des comportements intelligents? La représentation: fondements des théories de la représentation des connaissances, représentations symboliques vs connexionnistes, représentations incarnées, évolutives, etc. Architectures cognitives: les différents types d'architectures (modulaires, générales, distribuées, etc.), les différents composantes d'une architecture: niveaux cognitifs (perception, action, émotion, conscience, normes, évaluation, etc.), systèmes cognitifs (agent, multi-agents), systèmes dynamiques (émergence, autopoeisis). Objectifs du cours ================== Ce cours vise à introduire à la représentation et au traitement de la connaissance. Les principales méthodes de représentation de la connaissance, symboliques et connexionnistes, seront présentées et leur contribution analysées tant d'un point de vue cognitif que computationnel. Contenu du cours ================ - Introduction - (S. Robert et R. Villemaire) Présentation du cours et introduction : - connaissance, représentation et traitement. - modélisation et cognition. - Représentation Symbolique - (S. Robert) Notions d'histoire des sciences cognitives et de l'intelligence artificielle. - (S. Robert) L'approche symboliste représentationnaliste : - la cognition et l'informatique comme règles de manipulation de symboles, - la pensée comme un langage, - l'argument de la chambre chinoise et son impact. - (R. Villemaire) Satisfaction de contraintes (CSP) : - recherche et inférence, - recherche stochastique, - contraintes booléennes et SAT. - (R. Villemaire) - Planification : but, actions, plan. - Arbres de décision. - (S. Robert) La cognition et la programmation à partir des logiques non classiques. - (R. Villemaire) Modélisation multi-agents. - (S. Robert et R. Villemaire) Examen Intra. - Représentation Connexionniste - (S. Robert) - L'approche naturaliste : la cognition incarnée, située et sociale. - (R. Villemaire) Réseaux neuronaux. - (R. Villemaire) Réseaux Bayésiens. - (S. Robert) Les fondements cognitifs des réseaux de neurones et des algorithmes génétiques. - (R. Villemaire) Analyse de données. - (S. Robert) Introduction aux architectures cognitives et aux systèmes dynamiques. - (S. Robert et R. Villemaire) Examen Final. Modalités d'évaluation ====================== Description sommaire Pondération (SR) Pondération (RV) ---------------------- ------------------ ------------------ Examen intra 25% 25% Examen final 25% 25% Dans la partie de R. Villemaire, il y aura, à chaque semaine, des logiciels à utiliser et des exercices à réaliser. La participation active des étudiants est requise et le professeur sera disponible pour tout ce qui a trait à l'utilisation des outils et la réalisation des exercices. Médiagraphie ============ Livres : -------- - John R. Anderson : How Can the Human Mind Occur in the Physical Universe?, Oxford University Press, 2007. - Alfred J. Ayer : Language, Truth and Logic, Dover Books, 1936, 1952. - Radim Belohlavek, George J. Klir : Concepts and Fuzzy Logic, MIT Press, 2011. - Ronald J. Brachman, Hector J. Levesque : Knowledge Representation and Reasoning, Morgan Kaufmann, 2004. - Rina Dechter : Constraint Processing, Morgan Kaufmann, 2003. - Daniel C. Dennett : Kinds Of Minds: Toward An Understanding Of Consciousness, Science Masters Series, Basic Books, 1997. - John Durkin : Expert Systems: Design and Development, Prentice-Hall, 1994. - Chris Eliasmith : How to Build a Brain: A Neural Architecture for Biological Cognition, Oxford University Press, 2013. [www.nengo.ai](http://www.nengo.ai) - Ronald Fagin, Joseph Y. Halpern, Yoram Moses, Moshe Y. Vardi : Reasoning About Knowledge, MIT Press, 1995. - Jerry A. Fodor : The Language of Thought, Harvard University Press, 1975. - Hector Geffner and Blai Bonet : A Concise Introduction to Models and Methods for Automated Planning: Synthesis, Morgan & Claypool, 2013. - Malik Ghallab, Dana Nau, and Paulo Traverso : Automated Planning: Theory & Practice, Morgan Kaufmann, 2004. - Ian Hacking : An Introduction to Probability and Inductive Logic, Cambridge University Press, 2001. - Judith Hurwitz, Alan Nugent, Fern Halper, Marcia Kaufman : Big Data For Dummies, John Wiley & Sons, 2013. - Vijay Kotu, Bala Deshpande : Predictive Analytics and Data Mining, Concepts and Practice with Rapidminer, Elsevier, 2015. - John E. Laird : The Soar Cognitive Architecture, MIT Press, 2012. - Stephen Lucci and Danny Kopec : Artificial Intelligence in the 21st Century: A Living Introduction, Mercury Learning, 2016. - Erik T. Mueller : Commonsense Reasoning, An Event Calculus Based Approach, second Edition, Morgan Kaufmann, 2015. - Michael Negnevitsky : Artificial Intelligence, Addison Wesley, 3e ed., 2011. - Allen Newell : Unified Theories of Cognition, Harvard University Press, 1990. - Allen Newell, Herbert A. Simon : Human problem solving, Prentice-Hall, 1972. - Randall O'Reilly, Yuko Munakata, Michael Frank, Thomas Hazy : Computational Cognitive Neuroscience, Wiki Book, 2016. - Steven Pinker : How the Mind Works, Norton, 1997. - David Poole and Alan Mackworth : Artificial Intelligence, Foundations of Computational Agent, Cambridge University Press, 2010. [artint.info/html/ArtInt.html](http://artint.info/html/ArtInt.html) - Raymond Reiter : Knowledge in Action: Logical Foundations for Specifying and Implementing Dynamical Systems, MIT Press, 2001. - Stuart J. Russell, Peter Norvig : Artificial Intelligence: A Modern Approach, Prentice Hall, 2010. - John Searle, Minds : Brains and Science, Harvard University Press, 1984, p. 28-41. - John F. Sowa : Knowledge Representation: Logical, Philosophical, and Computational Foundations, Brooks/Cole, New York, 2000. - Keith Stenning, Michiel van Lambalgen : Human Reasoning and Cognitive Science, MIT Press, 2008. - Kim Sterelny : Thought in a Hostile World, Blackwell, 2003. - Ron Sun : Duality of the Mind, Lawrence Erlbaum Associates, 2002. - Uri Wilensky and William Rand : An Introduction to Agent-Based Modeling, Modeling Natural, Social, and Engineered Complex Systems with NetLogo, MIT Press, 2015. - Ian H. Witten, Eibe Frank, Mark A. Hall : Data Mining: Practical Machine Learning Tools and Techniques, Morgan Kaufmann, 2017. Articles : ---------- - Yoshua Bengio, Yann LeCun, Geoffrey Hinton : Deep Learning for AI (Turing Lecture), Communications of the ACM, vol. 64, no. 07, 2021. - Ian Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio : Generative Adversarial Networks, Communications of the ACM, vol. 63, no. 11, 2020. - Adnan Darwiche : Human-Level Intelligence or Animal-Like Abilities?, Communications of the ACM, vol. 61, no. 10, 2018. - Ernest Davis, Gary Marcus : Commonsense Reasoning and Commonsense Knowledge in Artificial Intelligence, Communications of the ACM, vol. 58, no. 9, 2015. - Mike Oaksford, Nick Chater : Conditional probability and the cognitive science of conditional reasoning, Mind & Language, 18, 2003, p. 359-379. - Philippe Pajot : Le champion de go détrôné par l'ordinateur, La Recherche, Avril 2016. - Yoav Shoham : Why Knowledge Representation Matters, Communications of the ACM, vol. 59, no. 1, 2016. Vidéos : -------- - Balakrishnan Chandrasekaran, Cognitive Architectures and Diagrammatic Reasoning École d'été sur le Raisonnement, Institut des Sciences Cognitives, UQAM, 28 juin 2016, 16h30,\ [andara.uqam.ca/Panopto/Pages/Viewer.aspx?id=d402e977-2379-4b54-b0b9-2f4ac72b37e4](http://andara.uqam.ca/Panopto/Pages/Viewer.aspx?id=d402e977-2379-4b54-b0b9-2f4ac72b37e4) - Joseph Halpern, Decision theory with resource-bounded agents, École d'été sur le Raisonnement, Institut des Sciences Cognitives, UQAM, 28 juin 2016, 15h15,\ [andara.uqam.ca/Panopto/Pages/Viewer.aspx?id=8ee2e8da-da2c-4120-a605-091196534d58](http://andara.uqam.ca/Panopto/Pages/Viewer.aspx?id=8ee2e8da-da2c-4120-a605-091196534d58) - Sheila McIlraith, Reasoning to Act: From Logic to Automated Planning, École d'été sur le Raisonnement, Institut des Sciences Cognitives, UQAM, 29 juin 2016, 09h15,\ [andara.uqam.ca/Panopto/Pages/Viewer.aspx?id=fc56c910-14f9-4581-9285-f7fc116b7060](http://andara.uqam.ca/Panopto/Pages/Viewer.aspx?id=fc56c910-14f9-4581-9285-f7fc116b7060) - Paul Thagard, Why Reason? Inference, Reasoning and Social Communication, École d'été sur le Raisonnement, Institut des Sciences Cognitives, UQAM, 23 juin 2016, 14h15,\ [andara.uqam.ca/Panopto/Pages/Viewer.aspx?id=f17630a5-cea0-4be8-aa0f-a914a92055c2](http://andara.uqam.ca/Panopto/Pages/Viewer.aspx?id=f17630a5-cea0-4be8-aa0f-a914a92055c2) - CCD Summer Short Course 2016, June 13-18, 2016, Carnegie Mellon University, Pittsburg,\ [www.ccd.pitt.edu/training/presentation-videos](http://www.ccd.pitt.edu/training/presentation-videos) - Yann LeCun, Cours apprentissage profond, Collège de France février 2016\ [www.college-de-france.fr/site/yann-lecun/course-2015-2016.htm](https://www.college-de-france.fr/site/yann-lecun/course-2015-2016.htm) Sélection d'outils : -------------------- - Général : - Tools for Learning Artificial Intelligence, [www.aispace.org](http://www.aispace.org) - Réseaux neuronaux : - Playground TensorFlow, [playground.tensorflow.org](http://playground.tensorflow.org) - Deeplearning4j et Word2vec, [deeplearning4j.org/word2vec](http://deeplearning4j.org/word2vec) - Torch, [torch.ch](http://torch.ch) - H2O [www.h2o.ai](http://www.h2o.ai) - Neuroph, [neuroph.sourceforge.net](http://neuroph.sourceforge.net) - Réseaux Bayésiens : TETRAD, [www.phil.cmu.edu/projects/tetrad](http://www.phil.cmu.edu/projects/tetrad) - Planification : Planning.Domains, [planning.domains](http://planning.domains) - Multi-agents : - JAVA Agent Development Framework, [jade.tilab.com](http://jade.tilab.com) - NetLogo, [ccl.northwestern.edu/netlogo](https://ccl.northwestern.edu/netlogo) - Soar, [soar.eecs.umich.edu](http://soar.eecs.umich.edu) - Apprentissage machine : - Encog [www.heatonresearch.com/encog](http://www.heatonresearch.com/encog) - Analyse de données : - Weka 3, [www.cs.waikato.ac.nz/\~ml/weka](http://www.cs.waikato.ac.nz/~ml/weka) - Représentation et traitement de la connaissance : - CYC [www.cyc.com](http://www.cyc.com)