% INF4230 — Intelligence artificielle % UQAM — Département d'informatique % Plan de cours — Hiver 2023 * Horaires, locaux et enseignants: Responsable(s) du cours ======================= Coordination ------------ Beaudry, Éric PK-4635 Enseignement ------------- Avellaneda, Florent PK-4435 Groupes: 010 Description du cours ==================== Connaître les paradigmes de l'intelligence artificielle. Être capable de formuler des hypothèses pour la recherche, de les tester, les interpréter et les présenter. Être capable d'évaluer les idées reçues à propos de l'intelligence artificielle. Historique de l'intelligence artificielle. Identification descriptive et réduction de buts. Résolution de problèmes par analogie. Exploitation de contraintes naturelles. Propagation de contraintes. Recherche et exploration de solutions de rechange. Décision et contrôle. Paradigmes de résolution de problèmes. Logique mathématique et démonstration de théorèmes. Représentation des connaissances. Traitement des langues naturelles. Préalables académiques : INF3105 - Structures de données et algorithmes MAT4681 - Statistique pour les sciences Objectif du cours ================= - S'initier et se familiariser avec les fondements de l'intelligence artificielle (IA). - Connaître les principales approches et techniques en IA ainsi que leurs limites. - Savoir identifier les caractéristiques d'un problème à résoudre. - Savoir choisir et appliquer les approches d'IA pour résoudre un problème. Contenu du cours ================ INTRODUCTION À L'IA. Définition : qu'est-ce que l'IA? Applications. Historique. *Weak AI* vs *Strong AI*. Test de turing. AGENTS INTELLIGENTS. Agents et environnements. Hypothèses classiques. Décisions rationnelles. Structures des agents. Agents réactifs. Agent orienté vers les buts. Agents orienté utilité. Notion d'utilité. Agents apprenants. RÉSOLUTION DE PROBLÈMES. Résolution de problèmes par des recherches dans des graphes. Algorithmes classiques : recherche en profondeur, recherche en largeur, recherche meilleur en premier, recherche à profondeur itérative, A\*, etc. Heuristiques. Propriétés des heuristiques. Planification de chemins et de mouvement. Algorithmes de recherche locale et d'optimisation (méta-heuristiques). Algorithmes génétiques. Généralisation à d'autres types de recherche (graphes ET-OU). Notion d'état de croyance. RECHERCHE EN SITUATION D'ADVERSITÉ (JEUX). Définitions. Jeux à somme nulle. Algorithme décisionnel mini-max. Élagage alpha-beta. Prise de décisions imparfaites en temps réel. Fonction d'utilité. Jeux avec hasard. Défis. RAISONNEMENT LOGIQUE ET REPRÉSENTATION DE CONNAISSANCES. Agents logiques. Logique propositionnelle. Logique du premier ordre. Inférence. Unification. Systèmes experts. Chaînage avant. Chaînage arrière. Résolution. Planification classique. RAISONNEMENT SOUS INCERTITUDE. Rappels de la théorie des probabilités. Inférence probabiliste. Règle de Bayes. Réseaux bayésiens. Réseaux bayésiens dynamiques. Chaînes cachées de Markov. Application à la reconnaissance de la parole. PRISE DE DÉCISIONS SOUS INCERTITUDE. Théorie de l'utilité. Théorie de la décision. Processus décisionnels markoviens (MDP). Algorithmes value-iteration et policy-iteration. Algorithmes avancés: RTDP et L-RTDP. Généralisation aux POMDP. APPRENTISSAGE MACHINE. Définitions. Formes d'apprentissage. Apprentissage supervisé et non supervisé. Apprentissage par renforcement. Réseaux de neurones artificiels. Aperçu à l'apprentissage profond (deep learning). ROBOTIQUE. Perception et capteurs. Localisation, filtre de Kalman et filtre de particules. Navigation. Architectures décisionnelles. Architectures comportementales, délibératives et hybrides. Véhicules autonomes. Formulé pédagogique et autres modalités d'enseignement ====================================================== - Séances de **cours magistraux** en présentiel à l'UQAM. - Les **présentations électroniques** du professeur seront disponibles sur le site Moodle du cours. - **Questions** sur le cours : par courriel ou sur les **forums du site Moodle**. Modalités d'évaluation ====================== DESCRIPTION DATE PONDÉRATION ----------------- ------ ------------------------------------ TP1 \* 15% TP2 \* 15% TP3 \* 15% Quiz de lecture \* 8% (moyenne des 2 meilleurs sur 3) Examen intra \* 22% Examen final \* 25% - Voir le site moodle du cours pour les dates exactes. Calendrier ========== Le calendrier est disponible à sur le site moodle du cours. Médiagraphie ============ \[1\] Stuart Russell et Peter Norvig - Intelligence artificielle : une approche moderne - 4e ed, PEARSON, 2021. \[2\] VC G. F. Luger - ARTIFICIAL INTELLIGENCE: STRUCTURES AND STRATEGIES FOR COMPLEX PROBLEM SOLVING - 6th Edition, Addison Wesley, 2008. \[3\] VC S. Thrun, W. Burgard et D. Fox - PROBABILISTIC ROBOTICS - MIT Press, 2006. \[4\] Goodfellow, Bengio et Courville (2016). DEEP LEARNING. The MIT Press.