Cours : M1 SciCo - Apprentissage Numérique

Aperçu des sections

Généralités

Tout replier Tout déplier
L'objectif du cours est de se familiariser avec plusieurs formalismes numériques largement utilisé en Intelligence Artificielle. Un accent particulier est mis sur les "Chaînes de Markov" et les "Processus Décisionnels de Markov".
On montrera comment ces formalismes permettent de modéliser, pour expliquer, prédire, simuler ou émuler des systèmes. On regardera aussi comment apprendre et valider un modèle à partir d'observations sur un système.
- Syllabus du cours Fichier
  
  Document PDF
  
  Descriptif du cours et de son organisation.
- Forum des nouvelles
Rappels sur les probabilités
Revoir les notions de probabilités jointes, conditionnelles. Les variables aléatoires, le calcul d'une espérance. Comment modéliser un phénomène avec des variables aléatoires. Comment mesurer la pertinence d'un modèle.
- hand_proba3.pdf Fichier
  
  Matériel/Exo pour manipuler les Probabilité (2013/2014)
- donnes_proba.txt Fichier
  
  Données pour les exercices de probabilité
- RusselNorvig-13 URL
  
  Intelligence Artificielle de S. Russel et P. Norvig. Pearson education. : Chap. 13.2 à 13.7, puis 14.1
- lien_vers_Chap13 URL
  
  Lien vers le Chapitre 13 du livre de Russel et Norvig
- Jourdain URL
  
  Probabilités et statistique de B. Jourdain, Eyrolles - Chap. 1.
- probConjointe.jar Fichier
  
  Archive Java pour manipuler une distribution de probabilité conjointe (et essayer de la représenter de manière compacte)
- hand_proba_1.pdf Fichier
  
  Matériel pour la séance 1 sur les probas (2012:2013)
Réseaux Bayésiens
Comprendre comment modéliser "efficacement" un phénomène en utilisant les réseaux bayésiens. L'idée principale est de tenir compte des dépendances entre les variables. Notion de vraissemblance.
- hand_proba_2.pdf Fichier
  
  Matériel plus orienté réseaux bayésiens
- miniproj_avalanche.pdf Fichier
  
  Sujet du miniprojet sur les réseaux bayésiens
- ava_statVaujany.pdf Fichier
  
  Données sur les avalanches à Vaujany
Chaînes de Markov
Comprendre comment modéliser "efficacement" un phénomène en utilisant les chaînes de Markov. L'idée principale est de modéliser un processus dynamique sans mémoire.
- poly_markov.pdf Fichier
  
  Introduction aux chaînes de Markov.
- MarkovChain.java Fichier
  
  Exemple squeletique de manipulation de chaînes de Markov en java
Chaînes de Markov Cachée
A venir (merci à vous).
- HMM.java Fichier
  
  Classe JAVA pour manipuler des HMM, certains procédures sont à compléter.
Processus Décisionnels de Markov
Qu'est qu'un Processus Décisionnel de Markov (PDM ou MDP) ? Comment l'utiliser pour choisir ses décisions ?

Liens avec l'apprentissage par renforcement.
- coursPDMRL.pdf Fichier
  
  Processus Décisionnels de Markov en Intelligence Artificielle (Groupe PDMIA, Edité par O. Sigaud et O. Buffet, Hermès éditions) - Chap 1.
- hand_mdp_2 Fichier
  
  Matériel pour la 2ème séance sur les MDP et Apprentissage par Renforcement.
- MDP.java Fichier
  
  Exemple très simple en Java de calcul de Fonction de valeur pour un MDP.
- output_boite_ar Fichier
  
  Des données pour s'exercer à l'apprentissage par renforcement

Aperçu des sections

Généralités

Rappels sur les probabilités

Réseaux Bayésiens

Chaînes de Markov

Chaînes de Markov Cachée

Processus Décisionnels de Markov