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