% INF4230 — Intelligence artificielle % UQAM — Département d'informatique % Plan de cours — Été 2023 * Horaires, locaux et enseignants: Responsable(s) du cours ======================= Coordination ------------ Beaudry, Éric PK-4170 Enseignement ------------- Beaudry, Éric PK-4170 Description =========== Objectifs --------- 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. Sommaire du contenu ------------------- 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 Contenu ======= **Introduction** Définitions. Qu'est-ce que l'IA? Test de Turing. Applications. Historique. *Weak AI* vs *Strong AI*. **Agents intelligents.** Agents et environnements. Hypothèses classiques. Décisions rationnelles. Structures des agents. Agents réactifs. Agents 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.** Agents logiques. Logique propositionnelle. Logique du premier ordre. Inférence. Unification. Systèmes experts. Chaînage avant. Chaînage arrière. Résolution. **Planification.** Planification classique. Modèles de planification. Langages de spécification dont PDDL. Variantes et relaxation d'hypothèses. **Raisonnement sous incertitude.** Rappels de la théorie des probabilités. Inférence probabiliste. Règle de Bayes. Réseaux bayésiens. Réseaux bayésiens dynamiques. Chaînes cachées de Markov. Applications : 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 automatique.** 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. Calendrier ========== Voir . Modalités d'évaluation ====================== Description Date Pondération ---------------------- ------------ ------------- TP1 29 mai 11% TP2 19 juin 11% TP3 17 juillet 11% TP4 11 août 11% Quiz 1 24 mai 0 ou 8% Quiz 2 12 juillet 0 ou 8% Examen de mi-session 14 juin 23% Examen final 9 août 25% - La meilleure note des deux quiz compte pour 8%. - Voir le site Web du cours pour les dates exactes. Médiagraphie ============ Livre obligatoire ----------------- \[RN.fr\] Stuart Russell et Peter Norvig - Intelligence artificielle : une approche moderne - 4e ed, Pearson, 2021. (*Traduction de \[RN.en\]*) \[RN.en\] Stuart Russell et Peter Norvig - Artificial Intelligence : A Modern Approach - Fourth Edition, Pearson, 2020. Autres références ----------------- \[AP1\] Ghallab, Nau et Traverso (2004). Automated Planning : Theory and Practice. Morgan Kaufmann. \[AP2\] Ghallab, Nau et Traverso (2016). Automated Planning & Acting. Morgan Kaufmann. \[DL\] Goodfellow, Bengio et Courville (2016). Deep Learning. The MIT Press. \[PA\] S. M. LaValle (2016). Planning Algorithms. Cambridge University Press. \[PR\] S. Thrun, W. Burgard et D. Fox - Probabilistic Robotics - MIT Press, 2006.