Aller au contenu

Fondamentaux de l'IA

PDF icon Télécharger en PDF

  • Responsable de l'UE : Daniel Racoceanu (daniel.racoceanu@sorbonne-universite.fr)
  • Code UE : UM4RBI10-FondIA
  • Volumes horaires / étu : 14 h Cours, h TD, 14 h TP
  • Nombre de crédits de l'UE/EC : 3 ECTS
  • Parcours-type :
  • Semestre où l'enseignement est proposé : S1 S2 S3 S4
  • Langue d'enseignement : Français Anglais
  • Public concerné : Département SDI Autre (préciser) :
  • Localisation : Campus PMC Autre (préciser) :

Thématique

Cette UE propose un approfondissement des concepts de base utilisés en intelligence artificielle et apprentissage machine, avec un focus sur les paradigmes / algorithmes fondamentaux et un renforcement théorique et méthodologique

Mots-clés : Apprentissage supervisé, non-supervisé, auto-supervisé ; processus markoviens, approches bayesiennes, approches fréquentistes, problèmes inverses, arbres de décision, forte aléatoire, apprentissage ensembliste (ensemble learning), machines à vecteurs de support (support vector machines), astuce du noyau (kernel trick), fonction de perte (loss function), méthodologies d'évaluation, biais, optimisation stochastique, approches gloutonnes.

Prérequis

Afin de suivre cette UE, doivent être acquis précédemment :

  • Mathématiques : Algèbre linéaire, calcul vectoriel et matriciel, optimisation numérique de fonctions continues à plusieurs variables, probabilités
  • Informatique : Programmation (sous Python : numpy, etc...), algorithmie
  • Apprentissage machine (souhaitable) : Bases de l'apprentissage machine, évaluation des performances en apprentissage machine (faux-positif, faux-négatifs, rappel / recall, précision, F1-score)

Acquis d'apprentissage visés (AAV)

À l'issue de cette UE, les étudiantes ou étudiants seront capables de :

  1. Analyser un problème : Choisir un algorithme adapté à la tâche, aux données, et aux ressources
  2. Conception : Fondements algorithmiques
  3. Conception : Choisir le processus d’apprentissage
  4. Mise en oeuvre : Maîtriser une librairie haut niveau dédiée à l’apprentissage pour implémenter l’algorithme
  5. Mise en œuvre : Préparer les données pour l’apprentissage
  6. Mise en œuvre : Réaliser l’apprentissage défini dans la phase de conception pour optimiser les paramètres et les méta-paramètres de l’algorithme
  7. Mise en oeuvre : Reproduire des apprentissages et des résultats expérimentaux

  8. Evaluation : Elaborer un protocole expérimental adéquat pour évaluer les performances d’un modèle

  9. Evaluation : Diagnostiquer les causes d’un comportement sous-optimal du réseau afin de proposer des solutions y remédiant

  10. Evaluation : Interpréter et expliquer les décisions d’un modèle : carte d’attention, vérification des biais, etc...

Séquencement et modalités de l'enseignement (indicatif)

Semaine C/TD/TP Contenu Préparation AAV associé(s)
S1 C1 Processus markoviens, programmation dynamique, équations de Bellman, lien avec l’apprentissage par renforcement Propriété de markov, processus markoviens, programmation dynamique, apprentissage par renforcement. AAV1,2,3
S2 TP1 (3h) Apprentissage par renforcement : utilisation des processus markovien et de la programmation dynamique dans ce contexte. Cas d'utilisation typiques. Regarder en détail les concepts abordés en C1 AAV1-6,8
S3 C2 Approches bayésiennes vs. fréquentistes, réseaux bayésiens, lien avec les problèmes inverses. Théorème de Bayes, définition des problèmes inverses. AAV1,2,3
S4 TP2 (3h) Systèmes bayésiens et approches bayésiennes vs. approches fréquentistes, problèmes inverses Regarder en détail les concepts abordés en C2 AAV1-6,8
S5 C3 Optimisation stochastique dans un espace discret AAV1,2,3
S6 TP3 (3h) Optimisation stochastique: espaces discret et continue Regarder en détail les concepts abordés dans les cours C1 à C3 AAV1-6,8
S7 C4 Optimisation stochastique dans \(R^n\) espace discret, espace continu AAV1,2,3
S8 TP4 (3h) Optimisation stochastique et apprentissage par renforcement Regarder en détail les concepts abordés au dans le cours C1 à C4 AAV1-6,8
S9 C5 Arbre de décision, forets aléatoires, apprentissage ensembliste Arbre de décision, forêts aléatoires AAV1,2,3
S10 C6 Machines à vecteurs de support (SVM) : nature fondamentalement statistique de l’approche, astuce du noyau (kernel trick) ; SVM - astuce du noyaux AAV1,2,3
S11 C7 Méthodologies d’évaluation / validation et de vérification de biais. Evaluation, vérification, biais AAV 5,6,7,8, 10
S12 TP5 (2h) Méthodologies de validation et de vérification de biais. Cas d'utilisation inspirées des avancées récentes dans le domaine. Regarder en détail les concepts abordés en C7 AAV 5,6,7,8,10

Déroulement de l'UE

L’UE se déroule en 3 séquences successives :

  • Séquence 1 : processus markoviens / approches bayesiennes (C1/2 + TP1/2 + Quiz1)

  • Séquence 2 : optimisation stochastique (C4/5 + TP3/4 + Quiz 2)

  • Séquence 3 : convergence / fonction de perte + evaluation - biais (C5/6/7 + TP5) + ER global (ensemble des cours et TP)

Les TP auront une partie TME (sur machine) au début de la séance, afin de pouvoir instantier les concepts du cours, d'une manière aisée, avant le démarage proprenment-dit de l'excercise du TP.

Modalités d'évaluation des acquis d'apprentissage (1ère session)

Semaine Indiv/collectif Présentiel/distanciel Type d'examen AAV évalué(s) Barème %
S6 Collectif Présentiel Quiz AAV1-6,8 25%
S8 Collectif Présentiel Quiz AAV1-6,8 12%
S10 Collectif Présentiel Quiz AAV1-6,8 12%
S15 Collectif Présentiel Écrit AAV 1-10 50%

2nde session

Session Indiv/collectif Présentiel/distanciel Type d'examen AAV évalué(s) Barème %
2 Collectif Présentiel Écrit AAV 1-10 50%
1 Collectif Présentiel Quiz AAV1-8 50%

Références bibliographiques

  • Stuart Russell \& Peter Norvig, Artificial Intelligence : A Modern Approach, Fourth edition, 2020
  • Richard S. Sutton et Andrew G. Barto, Reinforcement Learning : An Introduction, second edition , 2018

Logo SDI Date de génération de la fiche d'UE : 14/01/2026 Logo SDI