CPE Lyon · John Samuel · 2026–2027
Plan du cours
Intelligence artificielle et Deep Learning : des fondements logiques aux réseaux de neurones et à leurs applications.
Avant de commencer
Introduction : objectifs, organisation et évaluation · 16 h de cours, 24 h de TP et 8 h de projet.
Cours 1
Les fondements de l'IA
Logique propositionnelle, du premier ordre et modale ; raisonnement automatisé avec Z3 ; graphes de connaissances ; agents réactifs, à buts, hybrides et fondés sur les LLM.
- 1.1 · Logique et raisonnement
- 1.2 · Représentation des connaissances
- 1.3 · Agents intelligents
- 1.4 · Apprentissage machine
- 1.5 · Apprentissage profond
Cours 2
Apprentissage machine
Du neurone biologique au réseau artificiel : perceptron et MLP en NumPy, fonctions d’activation, entropie croisée, rétropropagation, descente de gradient et généralisation.
- 2.1 · Neurones biologiques
- 2.2 · Perceptron
- 2.3 · Perceptron multicouches
- 2.4 · Réseaux de neurones artificiels
Cours 3
Apprentissage profond
Pipeline Keras : préparation des données, entraînement, validation et évaluation ; hyperparamètres, pertes et optimiseurs ; DNN, GAN, ResNet, autoencodeurs, Transformers et diffusion ; réseaux en aval, RNN, LSTM, GRU et CNN.
- 3.1 · Apprentissage profond
- 3.2 · Feedforward neural network
- 3.3 · Réseaux de neurones récurrents
- 3.4 · Réseaux de neurones convolutionnels
Cours 4
L'IA symbolique et certaines applications
Traitement automatique des langues avec NLTK et spaCy : racinisation, étiquetage, lemmatisation et morphologie ; embeddings, Word2Vec (CBOW et Skip-gram), NER, sentiments, traduction, BERT et GPT ; recommandation, connaissances, web sémantique et règles.
- 4.1 · TAL
- 4.2 · Embeddings
- 4.3 · Word2Vec
- 4.4 · NER
- 4.5 · Sentiments
- 4.6 · Traduction
- 4.7 · Transformers
- 4.8 · Recommandation
- 4.9 · KRR
- 4.10 · Web sémantique
- 4.11 · Moteurs de règles
- 4.12 · Prolog
Compléments
Sujets supplémentaires
Histoire de l’IA et modèles génératifs ; approches d’apprentissage, classification et évaluation ; hyperparamètres des CNN, noyaux d’image, détection d’objets R-CNN et traduction automatique historique.
- A.1 · Histoire de l'IA
- A.2 · Apprentissage machine
- A.3 · Classification
- A.4 · Hyperparamètres
- A.5 · Noyaux d'image
- A.6 · Détection d'objets
- A.7 · Traduction : historique
Pratiquer et visualiser
Perceptron Perceptron multicouche Réseau de neurones profond Pipeline d’apprentissage profond