IFT 615

Intelligence artificielle

Département d'informatique

Université de Sherbrooke

Hiver 2018

Professeur: Froduald Kabanza

Courriel: kabanza@usherbrooke.ca
Local: D4-1022-2
Téléphone: +1 819 821-8000 (62865)
Site: planiart.usherbrooke.ca/cours/ift615
Disponibilité: Jeudi 15h00 à 16h00 ou sur rendez-vous.

Auxiliaire: Mariane Maynard

Horaire

Jeudi 13h30 à 14h20 Salle D3-2037
Vendredi 8h30 à 10h20 Salle D3-2037

Travaux Pratiques

(Suivre le lien dans la colonne TP pour télécharger l'énnoncé)
TP Date de l'énoncé Date limite de remise Pondération Sujet
TP 1 Vendredi 12 janvier Jeudi 1er février à minuit 10%  Recherche heuristique
TP 2 Vendredi 2 février Jeudi 15 février à minuit 10%  Algorithmes multiagents
TP 3 Vendredi 16 février Jeudi 15 mars à minuit 10%  Inférences probabilistes
TP 4 Vendredi 16 mars Jeudi 29 mars à minuit 10%  Apprentissage par renforcement
TP 5 Jeudi 29 mars Lundi 16 avril à minuit 10%  Classification

Liens

Contenu (Suivre les liens pour télécharger les présentations)

Les dates dans le calendrier suivant pourraient varier en fonction du rythme dans le cours. Les sections font référence au livre Artificial Intelligence : A Modern Approach (AIMA) de Stuart Russel & Peter Norvig. Third Edition publié par Prentice Hall en 2009.

Date Cours Magistraux Sections dans le livre AIMA
JE 11/1 Introduction [PPT, PDF] 1

Plan de cours [PDF]

VE 12/1

Agents intelligents [PPT, PDF]

  • Définition
  • Types d'environnements
2, 7.1

Recherche heuristique globale: Comment utiliser la recherche heuristique pour trouver un chemin optimal? [PPT, PDF]

  • Recherche dans un graphe
  • Algorithme A*
  • Heuristiques admissibles et monotonnes
3
Preuves des propriétés de A*  
Exercices  
JE 18/1

Recherche heuristique locale: Comment utiliser une recherche heuristique locale pour trouver rapidement un bon chemin? [PPT, PDF]

  • Algorithme hill-climbing
  • Algorithme recuit-simulé
  • Algorithmes génétiques.
4.1
VE 19/1

Satisfaction des contraintes: Comment modéliser et solutionner des problèmes par une approche de satisfaction de contraintes? [PPT, PDF]

  • backtracking search
  • AC-3
6.1 à 6.4
Exercices  
JE 25/1

Recherche heuristique pour les jeux compétitifs: Comment utiliser la recherche heuristique pour décider les bonnes actions qu’un système doit prendre face à un joueur (adversaire)?

  • Algorithme Minmax
5.1 à 5.5
VE 26/1

Recherche heuristique pour les jeux compétitifs (suite)

  • Alpha-beta pruning
  • Expectimax
5.1 à 5.5
Exercices
JE 1/2

Logique du premier ordre : Comment modéliser le raisonnement déductif avec la logique du premier ordre ?

  • Syntaxe et sémantique
  • Modus ponens
7, 8
VE 2/2

Exemples d'inférences avec de la logique du premier ordre

  • Algorithme d’unification (pattern matching)
  • Preuve par résolution comme illustration du raisonnement déductif
9.1 à 9.2,
9.5
JE 8/2 Planification avec des modèles d'action logiques 10
VE 9/2

Raisonnement probabiliste : Comment modéliser le raisonnement probabiliste avec des réseaux bayésiens?

  • Rappel de la théorie des probabilités
  • Réseaux Bayésiens
  • Inférences dans un réseau bayésien
  • Indépendannce et D-séparation
  • Apprentissage dans un réseau bayésien
13
14.1 à 14.5
JE 15/2

Raisonnement probabiliste (suite)

  • Apprentissage dans un réseau bayésien
 
Exercices  
VE 16/2

Raisonnement probabiliste temporel

  • Modèles de Markov cachés
  • Inférence par programmation dynamique
15.1 à 15.3
JE 22/2

Raisonnement probabiliste temporel (suite)

  • Filtres particulaires
15.5
Exercices  
VE 23/2

Temps libre pour travailler sur le dernier TP

9.1 à 9.2,
9.5
Du samedi 24 février au 3 mars : Examens périodiques et levée de cours

Du lundi 5 mars au 9 mars : Relâche des activités pédagogiques

JE 15/3 Correction de l'intra
VE 16/3

Processus de décision Markoviens: Comment planifer des décisions séquentielles à l’aide des processus de décision Markoviens?

  • Algorithme value-iteration.
  • Algorithme policy-iteration.
17.1 à 17.4
Exercices  
JE 22/3

Apprentissage par renforcement

  • Apprentissage passif (différence temporelle)
18.1, 21.1 à 21.3
VE 23/3

Apprentissage par renforcement

  • Apprentissage actif (Q-learning)
  • Dilemme exploration vs exploitation
 
JE 29/3

Apprentissage supervisé avec les réseaux de neurones

  • Perceptron
  • Régression logistique
18.7
VE 30/3 Congé : Vendredi saint.
JE 5/4

Apprentissage supervisé avec les réseaux de neurones (suite)

  • Réseau de neurones artificiels
 
VE 6/4

Apprentissage supervisé avec les réseaux de neurones (suite)

 
JE 12/4 Temps libre pour compléter le dernier TP
VE 13/4 Temps libre pour compléter le dernier TP

Fin des cours et des travaux pratiques à partir du 16 avril

Les examens finaux ont lieu du 18 au 28 avril.

Examen final: 35 % de la note finale. Couvre toute la matière.