Section outline

  • Collapse Expand

    General

    Collapse all Expand all
    Méthodes et outils pour l’Intelligence artificielle
    AI

    Permettre à l’étudiant de se familiariser avec les techniques de l’intelligence artificielle appliquées au domaine de la commande, du diagnostic, de la prévision et de l’optimisation des systèmes

  • Collapse Expand

    Section 1 : Fiche Contact

    • Enseignant de la matière : Dr. Hamoudi Yanis              Contact : 0658277483      Disponibilité:  mardi a 13h00-14h00 labo LMER
      Tuteurs : …………………………….. Contacts : ......……… Disponibilité(horaire et lieu) ……………
      Coefficient :1
      Crédits : 2
      Volume horaire global : 22h30
      Volume horaire de travail personnel requis/semaine: 1h30
      Modalité d’évaluation: examen 100%
      Modalité de suivi : ...............................
  • Collapse Expand

    Section 2 : Objectifs Généraux

    • Connaître les concepts fondamentaux de l’intelligence artificielle,

      Comprendre les principales méthodes et techniques utilisées en intelligence artificielle.

      Identifier les différents types d’apprentissage (supervisé, non supervisé et par renforcement).

      Analyser un problème réel afin de déterminer l’approche d’intelligence artificielle la plus adaptée.

      Manipuler les données nécessaires à la conception d’un modèle d’intelligence artificielle.

      Appliquer les algorithmes de base de l’apprentissage automatique pour résoudre des problèmes de classification et de régression.

      Utiliser les outils et environnements de développement dédiés à l’intelligence artificielle.

      Évaluer les performances d’un modèle d’intelligence artificielle à l’aide d’indicateurs appropriés.

      Interpréter les résultats obtenus et proposer des améliorations du modèle.

      Développer des solutions simples basées sur l’intelligence artificielle pour répondre à des problématiques d’ingénierie.

  • Collapse Expand

    Section 3 : Pré-requis

    • Connaissances de base en systèmes dynamiques.

      Notions fondamentales d’analyse mathématique.

      Notions d’optimisation et de résolution de problèmes d’optimisation.

      Notions de probabilités et de statistiques.

      Bases en algorithmique et en programmation.

    • test de pré-requis Quiz
  • Collapse Expand

    Section 4 : Plan de cours

    • chapitre 1 : généralités sur l'intelligence artificielle

      chapitre 2 : Réseaux de Neurones Artificiels

      chapitre 3 : Algorithmes Génétiques

    • programme à enseigner Page
  • Collapse Expand

    Section 5 : visioconférence

  • Collapse Expand

    Section 6 : Chapitre 1: Généralités sur l’intelligence artificielle

    objectifs spécifiques

    Définir l’intelligence artificielle (IA) et comprendre ses principes fondamentaux.

    Présenter l’évolution historique de l’IA ainsi que les principales étapes de son développement.

    Identifier les différents domaines de l’IA, tels que l’apprentissage automatique, l’apprentissage profond, et les réseaux de neurones artificiels.

    Comprendre les concepts de base liés à la représentation des connaissances, au raisonnement et à la prise de décision intelligente.
  • Collapse Expand

    Section 7 : Chapitre 2: Réseaux de Neurones Artificiels

    objectifs spécifiques

    Comprendre le principe de fonctionnement des réseaux de neurones artificiels (RNA) et leur inspiration à partir du neurone biologique.

    Identifier les différentes architectures de réseaux de neurones, notamment les réseaux monocouches et multicouches.

    Décrire les éléments constitutifs d’un neurone artificiel, tels que les poids, le biais et les fonctions d’activation.

    Comprendre l’algorithme de rétropropagation de l’erreur (Backpropagation) utilisé pour l’entraînement des réseaux multicouches.
  • Collapse Expand

    Section 8 : Activités d'apprentissage

  • Collapse Expand

    Section 9 : Test de sortie

  • Collapse Expand

    Section 10 : Bibliographie

    • 1. P. A. Bisgambiglia, La logique floue et ses applications, Hermès-science

      2. H. Buhler, Commande par logique floue, PPR

      3. David E. Goldberg, Algorithmes Génétiques,  Edit. Addison Wesley, 1994.

      4. HansruediBühler, « Réglage par logique floue »

      5. Pierre-yvesGlorennec, « Algorithmes d'apprentissage pour systèmes d'inférence floue »

      6. P. Borne, J. Rozinoer, J.-Y. Dieulot, L. Dubois, « Introduction à la commande floue »

      7. Bernadette Bouchon-Meunier, Laurent FOULLOY, MOHAMMED RAMDANI, « Logique floue. Exercices corrigés et exemples d’applications »

      8. Bernadette Bouchon-Meunier, « La logique floue et ses applications »

      9. Hung T. NguyenNadipuram R. Prasad, Carol L. Walker • Elbert A. Walker,« A First Course in Fuzzy and Neural Control »

      10. FAKHREDDINE O. KARRAY, CLARENCE DE SILVA, « Soft computing and intelligent systems design. Theory, tools and applications »

      11. PIERRE. BORNE, MOHAMED BENREJEB, JOSEPH HAGGÈGE, « Les réseaux de neurones. Présentation et applications »

      12. Beghdadi Hadj Ali, Senouci Mohamed, « Réseaux de neurones : Théorie et pratique »

      13. G. Dreyfus, J. –M. Martinez, M. Samuelides, M. B. Gordon, F. Badran, S. Thiria, L. Hérault, « Réseaux de neurones. Méthodologie et applications »

      14. LÉon Personnaz,Isabelle Rivals, « Réseaux de neurones formels pour la modélisation, la commande et la classification »

      15. Christine Solnon, « Optimisation par colonies de fourmis »

      16. Stuart Russell, Peter Norvig, « Intelligence artificielle, avec plus de 500 exercices »

      17. Johann DrÉo, Alain PÉtrowski, Patrick Siarry, Éric Taillard, « Métaheuristiques pour l'optimisation difficile : Recuit simulé, recherche avec tabous, algorithmes évolutionnaires et algorithmes génétiques, colonies de fourmis … »

      18. Patrick Siarry et all, « Métaheuristiques : Recuit simulé, recherche avec tabous, recherche à voisinages variables, méthodes GRASP, algorithmes évolutionnaires, fourmis artificielles, essaims particulaires et autres méthodes d’optimisation »