Intelligence artificielle et Deep learning

Plan du cours - Année: 2024-2025

1. Les fondements de l'IA

• 1.1. Logique et raisonnement
• 1.2. Représentation des connaissances
• 1.3. Agents intelligents
• 1.4. Apprentissage machine
• 1.5. Apprentissage profond

2. Apprentissage Machine

• 2.1. Neurones biologiques
• 2.2. Perceptron
• 2.3. Perceptron multicouches
• 2.4. Réseaux de neurones artificiels

3. Apprentissage Profond

• 3.1. Introduction à l'apprentissage profond (révision)
• 3.2. Feedforward Neural Networks (Réseaux de neurones à propagation avant)
• 3.3. Réseaux de neurones récurrents (RNN)
  • 3.3.1. LSTM (Long Short-Term Memory)
  • 3.3.2. GRU (Gated Recurrent Unit)
• 3.4. Réseaux de neurones convolutionnels (CNN)
• 3.5. Réseaux de neurones récurrents convolutifs (RCNN)
• 3.6. Réseaux de neurones récurrents convolutifs bidirectionnels (Bi-RCNN)

4. L'IA symbolique et certaines applications

• 4.1. Traitement automatique des langues naturelles (NLP)
  • 4.1.1. Racinisation
  • 4.1.2. Étiquetage morpho-syntaxique
  • 4.1.3. Lemmatisation
  • 4.1.4. Morphologie
• 4.2. Word Embeddings
• 4.3. Word2Vec
  • 4.3.1. Context Bag of Words (CBOW)
  • 4.3.2. Skip-grams
• 4.4. Reconnaissance d'entités nommées (NER)
• 4.5. Analyse des sentiments (Sentiment Analysis)
• 4.6. Traduction automatique (Machine Translation)
• 4.7. Modèles de langage Transformer
• 4.8. Systèmes de recommandation (Recommender Systems)
• 4.9. Représentation des connaissances et raisonnement (Knowledge Representation & Reasoning)
• 4.10. Web sémantique (Semantic Web)
• 4.11. Moteur de règles (Rule Engines)
• 4.12. Programmation logique et IA

A. Sujets supplémentaires

• A.1. Histoire scientifique: Intelligence Artificielle
• A.2. Introduction à l'apprentissage machine
• A.3. Méthodes de classification