Introduction à l'intelligence artificielle

Optimisation bio-inspirée

• Formalisation d'un problème d'optimisation
• Introduction aux méthodes exactes et approchées
• Méthodes de trajectoire : recherche locale, recuit simulé, recherche taboue
• Méthodes à base de population : algorithmique évolutionnaire

Algorithmique génétique

Introduction à l'apprentissage automatique

• Présentation de l’apprentissage automatique, définition des termes importants (intelligence artificielle, machine learning, optimisation, fonction de coût, entraînement et test) et des types de machine learning (supervisé, non supervisé, classification, régression)
• Classification : principaux algorithmes (régressions logistiques, arbres, forêts aléatoires, SVM) et méthodes d’évaluation
• Régression : principaux algorithmes et utilisation avancée (régression linéaire, régularisation) et méthodes d’évaluation
• Utiliser ces algorithmes : validation, sur-apprentissage

• Formaliser un problème d’optimisation en identifiant les variables de décision et les fonctions objectifs
• Différencier les méthodes d'optimisation exactes et approchées, choisir un algorithme efficace (et l'implémenter) pour résoudre le problème posé
• Reconnaître les situations où le machine learning est utile, reconnaître le type problème de machine learning et choisir un algorithme approprié
• Entraîner, évaluer et comparer des algorithmes de machine learning déjà implémentés, pour des problèmes de classification ou régression

• Algorithmique
• Programmation Python