Intelligence Artificielle Connexionniste

 

L'intelligence artificielle est une vaste discipline puisant ses origines dans la biologie, les mathématiques, la psychologie et l'informatique. Elle vise à reproduire l'intelligence humaine pour résoudre des problèmes variés et trouve son utilisation dans de nombreux secteurs pour automatiser des tâches, analyser des données ou créer des contenus. Parmi les types d'intelligence artificielle les plus utilisés se trouve l'Intelligence Artificielle Connexionniste. Celle-ci s'inspire de la biologie du cerveau et des concepts de neurones et de synapses pour produire des modèles capable de traiter de très grandes quantités de données.

Ce cours vise à introduire l'Intelligence Artificielle Connexionniste, les Réseaux de Neurones, les concepts qui leurs sont associés et les principaux algorithmes qui permettent leur implantation. Le déroulé poursuivra deux axes entrelacés avec pour le premier, la présentation des concepts théoriques et mathématiques fondamentaux et pour le second des approches pratiques et des mises en situation sur des exemples concrets.

Une bibliographie est proposée, celle-ci regroupe des ouvrages permettant d'approfondir les notions présentées dans le cours et élargir son horizon. 

0. Intelligence

Qu'est-ce que l'intelligence ? Comment la définir ? Ces questions doivent être abordées avant de tenter d'étudier l'intelligence artificielle.

Cours 0: Théories de l'Intelligence

 

1. Réseaux de Neurones

L'intelligence connexionniste vise à la reproduction fonctionnelle de la structure et du comportement du cerveau. Cette approche formalise les éléments fondamentaux que sont les neurones et les synapses et propose des outils permettant de reproduire artificiellement des processus comme l'interrogation, la prédiction ou encore l'apprentissage. Parmi ces différents outils, les réseaux de neurones sont actuellement les plus utilisées.

Cours 1: Réseaux de Neurones

 

2. Perceptron

Proposé en 1957 par Franck Rosenblatt, le perceptron est l'association d'un neurone formel avec un algorithme d'apprentissage. Cette structure permet de résoudre des problèmes comme la classification binaire ou encore la régression linéaire en construisant un modèle non pas à partir de descriptions ou de règles mais à partir d'un ensemble de données représentatives. Il s'agit de la première avancée dans la reproduction d'un neurone biologique capable d'apprentissage.

	Cours 2: Perceptron
	TP 1: Perceptron de Rosenblatt

 

3. Gradient

En approche...

Bibliographie

Ouvrages de référence (par ordre de lecture recommandé)
	Comprendre le Deep Learning: Une introduction aux réseaux de neurones, J-C. Heudin, Science ebook / Eyrolles, 2016
	Quand la machine apprend, Y. Le Cun, Odile Jacob, 2019
	Deep Learning avec Keras et TensorFlow : à la découverte des réseaux de neurones artificiels, A. Géron, O'Reilly / Dunod, 2024
	Apprentissage Artificiel: Concepts et Algorithmes - de Bayes au Deep Learning 4e éd., V. Barra, A. Cornuéjols, L. Miclet, Eyrolles, 2021