Contenu de l'AA

Ce cours traite du domaine à l'intersection de l'intelligence artificielle et de la théorie de probabilités, celui des modèles graphiques probabilistes, des réseaux bayésiens, et de leur mise en oeuvre via la programmation probabiliste. La prise de décision dans l'incertain (information manquante, données bruitées, etc.) par inférence statistique constitue l'un des apports majeurs des statistiques appliquées à l'IA. Ce cours proposera le contenu suivant:
- Rappels théoriques sur la théorie des probabilités et statistiques appliquées,
- Théorie générale des modèles graphiques probabilistes et des réseaux bayésiens,
- Théorie des modèles couramment exploités : HMMs (modèles de Markov cachés), filtres à particules, méthodes de regroupement non-supervisées (clustering avec variables continues et discrètes),
- Méthodes d'apprentissage/inférence avec ces modèles: inférence et apprentissage avec variables dites cachées (non mesurables mais importante à la classification ou à la prise de décision), simulation de Monte-Carlo, algorithme Espérance-Maximisation (EM), IA et modèles génératifs.

La partie pratique de ce cours comportera des TPs permettant de s'approprier la théorie.
 

Supports principaux non reproductibles

Tous les supports et outils du cours sont mis à la disposition des étudiants par Moodle, la plateforme e-learning de l'UMONS.

Support complémentaires non reproductibles

Tous les supports complémentaires seront accessibles sur Moodle, la plateforme e-learning de l'UMONS.

Autres références conseillées

Sans objet

Mode d'enseignement

• En présentiel

Types d'activités

• Cours magistraux
• Travaux pratiques
• Travaux de laboratoire
• Projet sur ordinateur

Evaluations

Les modalités d'évaluation de l'AA sont précisées dans la fiche de l'UE dont elle dépend