Ce cours est une introduction à l’IA. Il en passera en revue les techniques fondamentales notamment en matière d’apprentissage machine. On y présentera les premières techniques ayant obtenu de bons résultats comme les systèmes experts, des notions fondamentales comme celle de l’entropie de Shannon puis ses applications dans la construction d’arbres de décision. On poursuivra l’exploration des techniques d’apprentissage en présentant le k-means et les diagrammes de Voronoï, les réseaux bayesiens, suivis d'une présentation des réseaux neuronaux et leur architecture. Pour finir, on présentera des méthodes stochastiques massivement parallèles inspirées de la nature (optimisation par essaim particulaire, optimisation par colonies de fourmis, évolution artificielle).

A l'issue de cette UE, un étudiant est capable de pré-traiter les données pour les rendre compatibles avec des algorithmes d'apprentissage, d'identifier le besoin de faire de l'apprentissage supervisé ou non, de mettre en oeuvre un arbre de décision permettant d'aboutir à un système expert, de naviguer dans les hyper-paramètres d'un réseau neuronal pour en comprendre les impacts sur l'apprentissage du réseau. Il aura aussi compris les bases des algorithmes inspirés de la nature massivement parallèles.

Références ; Stuart Russel, Peter Norvig: Artificial Intelligence, a modern approach, Pearson

A l'entrée dans cette UE, l'étudiant doit connaitre:
- la programmation objet;
- les structures de données et algorithmes;
- la programmation Python;
- les notions d'algèbre linéaire : calcul matriciel.