Intelligence artificielle

5.00 crédits

30.0 h + 30.0 h

> Horaire

Enseignants

Cappart Quentin; Piette Eric;

Langue
d'enseignement

Français

Préalables

LEPL1402: Programmation dans un langage de haut niveau

Thèmes abordés

Résolution de problèmes par la recherche : formulation des problèmes, stratégies de recherche informée et non informée, recherche locale, évaluation des performances et estimation des coûts, applications pratiques.
Satisfaction de contraintes : formulation des problèmes, suivi et propagation des contraintes, cas d’usage et applications diverses.
Jeux et recherche adversariale : algorithme Minimax, élagage Alpha-Beta, Monte-Carlo Tree Search, et exemples d’applications.
Logique : logique propositionnelle et du premier ordre, représentation des connaissances, inférence, raisonnement, et applications dans divers contextes.
Prise de décisions : décisions simples et complexes, décisions collectives, théorie des probabilités, réseaux de décisions, processus décisionnels de Markov, théorie des jeux, systèmes multi-agents.
Apprentissage : introduction à l’apprentissage supervisé, arbres de décision, apprentissage par renforcement, régression, et applications pratiques.

Acquis
d'apprentissage

A la fin de cette unité d’enseignement, l’étudiant est capable de :

Eu égard au référentiel AA du programme « Bachelier en Science Informatiques », ce cours contribue au développement, à l'acquisition et à l'évaluation des acquis d'apprentissage suivants :

SINFS2.2-4
SINFS3.2-3
SINFS4.3
SINFS5.1, 5.4, 5.5

Eu égard au référentiel AA du programme « Bachelier en Sciences de l’Ingénieur, orientation ingénieur civil », ce cours contribue au développement, à l’acquisition et à l’évaluation des acquis d’apprentissage suivants :

FSA1BA2.3-4, FSA1BA2.5-8
FSA1BA3.1-2
FSA1BA4.2, FSA1BA4.4
FSA1BA5.4

Les étudiants ayant suivi avec fruit ce cours seront capables de:

expliquer et utiliser de manière appropriée les concepts fondamentaux de la représentation des connaissances, de la résolution de problèmes et des méthodes de raisonnement, tels qu'employés en Intelligence Artificielle;
évaluer l'applicabilité, les forces et les limites des techniques de représentation des connaissances, de résolution de problèmes et des méthodes de raisonnement dans le contexte de la résolution de problèmes concrets en ingénierie;
développer des systèmes intelligents en intégrant diverses solutions adaptées à des problématiques concrètes;
discuter du rôle central de la représentation des connaissances, de la résolution de problèmes et des méthodes de raisonnement dans la conception et la mise en œuvre de systèmes intelligents;
comprendre et approfondir des concepts ainsi que des compétences d'application pratique à travers de nombreux projets et travaux;
faire preuve de créativité sur les solutions proposées aux différents projets.

Les étudiants auront acquis des compétences méthodologiques et opérationnelles. En particulier, ils auront développé leur capacité à :

gérer les contraintes de délais et la compétition lors du développement d'une application visant à optimiser son efficacité;
travailler en groupe sur diverses missions et projets visant à résoudre automatiquement des problèmes concrets ou à produire des systèmes artificiellement intelligents.

Contenu

Le cours est organisé autour de quatre grandes thématiques :

Les stratégies de recherche et la résolution de problèmes.
Les jeux, la prise de décision et les systèmes multi-agents.
La logique, la représentation des connaissances et le raisonnement automatisé.
L'apprentissage automatique, de ses principes fondamentaux à l'apprentissage profond.

Ces thématiques sont divisées en une séquence de modules regroupant des sujets connexes. Le contenu exact des modules pourra être légèrement adapté au cours du quadrimestre.

Introduction générale à l'intelligence artificielle (agents intelligents, rationalité, interaction entre l'agent et son environnement, environnements de tâche et principaux paradigmes de l'IA).
Stratégies de recherche non informée (formulation d'un problème, espaces d'états, recherche en largeur, recherche en profondeur, recherche à coût uniforme, recherche avec profondeur limitée et approfondissement itératif).
Stratégies de recherche informée (fonctions heuristiques, recherche gloutonne, algorithme A*, admissibilité, cohérence, optimalité et conception d'heuristiques).
Recherche adversariale et recherche arborescente Monte-Carlo (arbres de jeu, Minimax, élagage Alpha-Bêta, fonctions d'évaluation heuristiques, MCTS et Upper Confidence Bounds for Trees).
Prise de décision simple dans l'incertain (raisonnement probabiliste, préférences, fonctions d'utilité, utilité espérée, réseaux de décision et valeur de l'information).
Prise de décision complexe et séquentielle (processus de décision markoviens, politiques, fonctions de valeur, équations de Bellman, itération sur les politiques et itération sur les valeurs).
Systèmes multi-agents (interactions coopératives et compétitives, jeux sous forme normale, stratégies, utilités, stratégies dominantes, équilibres de Nash, coordination et prise de décision collective).
Logique propositionnelle et raisonnement (agents fondés sur les connaissances, syntaxe et sémantique, équivalence logique, validité, satisfaisabilité, conséquence logique, forme normale conjonctive, vérification de modèles et résolution).
Logique du premier ordre et raisonnement automatisé (prédicats, fonctions, variables, quantificateurs, unification, substitution, chaînage avant et arrière, et résolution).
Apprentissage automatique supervisé (classification, régression, régressions linéaire et logistique, fonctions de perte, descente de gradient, backpropagation).
Apprentissage profond (réseaux de neurones multicouches, fonctions d'activation et de perte, initialisation des poids, théorème d'approximation universelle).

Méthodes d'enseignement

Ce cours comprend des cours magistraux, un travail de groupe, et des tâches individuelles.

Modes d'évaluation
des acquis des étudiants

En première session, l'évaluation se compose de deux parties:
Examen final individuel et récapitulatif (50%). L'utilisation de l'IA n'est pas permise pour cette évaluation. L'examen peut être répondu en anglais ou en français.
Exercices personnels (20%) : des exercices à réaliser individuellement seront demandés tout au long de la session. L'utilisation de l'IA n'est pas permise pour cette évaluation.
Projet en équipe (30%): implémentation d'un agent basé sur l'apprentissage par renforcement. L'utilisation de l'IA est permise pour cette évaluation, suivant les règles définies par la faculté.
Mise en garde: pour obtenir une note de passage au cours (>= 10/20), il est nécessaire d'avoir au minimum une note supérieure ou égale à 20/50 pour l'examen final. Si cette condition n'est pas respectée, seule la note de l'examen est comptabilisée. En effet, l'examen final évalue des compétences critiques non couvertes par les autres évaluations, indispensables à la validation de l'UE.
En seconde session, l'examen et les exercices personnels peuvent être refaits selon la même pondération et modalités. La note de projet est acquise pour l'ensemble des sessions et ne peut pas être refait pour l'année académique.
En cas de réinscription, toute évaluation (incluant le projet) doit être repassée.

Ressources
en ligne

https://moodle.uclouvain.be/course/view.php?id=1338

Bibliographie

Part of the course content is based on the following book:

Artificial Intelligence: A Modern Approach (4th Edition): https://aima.cs.berkeley.edu/

The book is not required to follow the course, and material covered exclusively in the book is not part of the exam material. It is, however, an excellent and comprehensive reference on artificial intelligence, covering many of the topics studied in the course, including problem solving, search, constraint satisfaction, knowledge representation, reasoning, decision making, and machine learning. The companion website provides additional resources related to the book. Further course material, exercises, and complementary resources will be made available throughout the semester on Moodle.

Faculté ou entité
en charge

> INFO

Programmes / formations proposant cette unité d'enseignement (UE)

Intitulé du programme

Sigle

Crédits

Prérequis

Acquis
d'apprentissage

Master [120] : ingénieur civil en chimie et science des matériaux

KIMA2M

Master [120] : ingénieur civil des constructions

GCE2M

Master [120] : ingénieur civil biomédical

GBIO2M

Filière en Informatique

FILINFO

Master [120] : ingénieur civil mécanicien

MECA2M

Master [120] : ingénieur civil électricien

ELEC2M

Master [120] : ingénieur civil physicien

FYAP2M

Bachelier en sciences informatiques

SINF1BA

Master [120] : ingénieur civil électromécanicien

ELME2M

Master [120] : ingénieur civil en science des données

DATE2M

Master [120] en science des données, orientation technologies de l'information

DATI2M

Master [120] : ingénieur civil en génie de l'énergie

NRGY2M

Mineure Polytechnique

MINPOLY