Contenu du cours

Voici la liste des sujets traités durant le cours, accompagnés de vidéos explicatives. La colonne "Date" correspond à la date à laquelle vous devez avoir visionné les vidéos.

Pour toute question concernant le contenu, n'hésitez pas à poser une question sur le forum de discussion du cours!

Date Contenu Diapositives
JE 02/05 Introduction et présentation du plan de cours [pdf]
VE 03/05 Introduction au langage Python [html]
MA 07/05 Agents intelligents (section 1)
 • Motivation (5:12)
 • Définition (14:44)
 • Types d'environnements (11:14)
 • Types d'agents (8:59)
 • Exemple (9:33)

[pdf]
[pdf]
[pdf]
[pdf]
[pdf]
Recherche heuristique (sections 2, 7.1)
 • Motivation (7:01)
 • Recherche dans un graphe (9:13)
 • A* (15:45)
 • Exemple (12:26)
 • Propriétés théoriques (11:30)
 • Variations et applications (10:47)

Exercices
 • A*

[pdf]
[pdf]
[pdf]
[pdf]
[pdf]
[pdf]
MA 14/05 Recherche locale (section 4.1)
 • Motivation (5:52)
 • Hill climbing (14:16)
 • Simulated annealing (12:46)
 • Algorithme génétique (15:55)

[pdf]
[pdf]
[pdf]
[pdf]
Jeux à deux adversaires (sections 5.1-5.5)
 • Motivation (5:40)
 • Algorithme minimax (17:40)
 • Élagage alpha-bêta (16:36)
 • Exemple (13:01)
 • Décisions à temps réel (10:47)

Exercices
 • Recherche locale
 • Alpha-bêta

[pdf]
[pdf]
[pdf]
[pdf]
[pdf]
MA 21/05 Satisfaction de contraintes (sections 6.1-6.4)
 • Motivation (6:01)
 • Définition (11:06)
 • Backtracking search (14:27)
 • Améliorations à backtracking search (22:50)
 • Algorithme AC-3 (17:34)
 • Recherche locale (6:03)

Exercices
 • Satisfaction de contraintes

[pdf]
[pdf]
[pdf]
[pdf]
[pdf]
[pdf]
MA 28/05 Logique du premier ordre (sections 7, 8, 9.2, 9.5)
 • Motivation (12:55)
 • Syntaxe (20:47)
 • Inférence (6:08)
 • Substitution (10:06)
 • Unification (16:39)
 • Forme normale conjonctive (13:52)
 • Preuve par résolution (23:56)
 • Autres concepts (11:49)

Exercices
 • Unification
 • Formules en logique du premier ordre
 • Preuve par résolution

[pdf]
[pdf]
[pdf]
[pdf]
[pdf]
[pdf]
[pdf]
[pdf]
MA 04/06 Raisonnement probabiliste (section 13)
 • Motivation (8:00)
 • Définitions (10:00)
 • Calcul de probabilités (17:46)
 • Distribution de probabilités (6:00)
 • Règles de chaînage et de Bayes (12:53)
 • Indépendance (14:06)

Exercices
 • Probabilités marginales
 • Probabilités conditionnelles
 • Probabilités conditionnelles (2)
 • Indépendance

[pdf]
[pdf]
[pdf]
[pdf]
[pdf]
[pdf]
MA 11/06 Réseaux bayésiens (sections 14.1-14.5)
 • Motivation (9:23)
 • Définition (9:21)
 • Calcul de probabilités (16:34)
 • Indépendance (16:45)
 • D-séparation (10:06)
 • Inférence (26:02)
 • Spécifier les tables de probabilités (12:35)
 • Spécifier la structure (17:04)

Exercices
 • Probabilités conditionnelles
 • Probabilités conditionnelles (2)
 • Indépendance
 • Indépendance (2)

[pdf]
[pdf]
[pdf]
[pdf]
[pdf]
[pdf]
[pdf]
[pdf]
17-21/06 Examens périodiques
 • Matière à l'examen
 • Intra H2009
 • Intra E2009
 • Intra H2010
MA 25/06 Réseaux bayésiens dynamiques (sections 15.1-15.3)
 • Motivation (7:42)
 • Définition (12:56)
 • Types d'inférences (8:13)
 • Chaîne de Markov (7:33)
 • Modèle de Markov caché (9:48)
 • Probabilité marginale et filtrage (23:47)
 • Lissage (19:32)
 • Prédiction (10:23)
 • Explication la plus plausible (15:27)

Exercices
 • Définition
 • Tableau alpha
 • Tableau beta

[pdf]
[pdf]
[pdf]
[pdf]
[pdf]
[pdf]
[pdf]
[pdf]
[pdf]
MA 02/07 Traitement automatique de la langue (sections 22.1, 22.2)
 • Motivation (8:00)
 • Classification de documents (19:40)
 • Apprentissage en classification de documents (19:32)
 • Modèle de langage (17:14)
 • Évaluation d'un modèle de langage (17:09)
 • Étiquetage syntaxique (12:14)
 • Extraction d'information (6:28)

Processus de décision Markoviens (sections 17.1-17.3)
 • Motivation (5:37)
 • Définitions (14:26)
 • Valeur d'un plan (10:51)
 • Itération par valeurs (13:49)
 • Itération par politiques (16:56)

Exercices
 • Classification de documents
 • Itération par valeurs


[pdf]
[pdf]
[pdf]
[pdf]
[pdf]
[pdf]
[pdf]


[pdf]
[pdf]
[pdf]
[pdf]
[pdf]
MA 09/07 Apprentissage automatique (sections 18.1, 18.2, 18.4, 18.6-18.8)
 • Motivation (7:35)
 • Définitions (6:18)
 • k plus proches voisins (10:04)
 • Perceptron (12.58)
 • Exemple du perceptron (7:05)
 • Propriétés du perceptron (8:07)
 • Dérivées (11:16)
 • Dérivées partielles et gradient (18:42)
 • Minimisation de perte (24:10)


[pdf]
[pdf]
[pdf]
[pdf]
[pdf]
[pdf]
[pdf]
[pdf]
[pdf]
MA 16/07 Apprentissage automatique (suite)
 • Régression logistique (11:03)
 • Réseau de neurones (13:28)
 • Rétropropagation (23:49)
 • Exemple de réseau de neurones (12:59)
 • Généralisation (18:33)

Exercices
 • k plus proches voisins
 • Perceptron
 • Dérivées de fonction
 • Dérivées partielles de fonction
 • Régression logistique vs. perceptron

[pdf]
[pdf]
[pdf]
[pdf]
[pdf]
MA 23/07 Apprentissage par renforcement (sections 21.1-21.4)
 • Motivation (10:35)
 • Estimation directe (14:04)
 • Programmation dynamique adaptative (21:41)
 • Différence temporelle (13:18)
 • Passif vs. actif (9:16)
 • Dilemme exploration vs. exploitation (10:32)
 • Q-learning (17:06)
 • Recherche de plan (11:39)
 • Généralisation (15:19)

Exercices
 • Estimation directe
 • Q-learning
 • Recherche locale en apprentissage par renforcement

[pdf]
[pdf]
[pdf]
[pdf]
[pdf]
[pdf]
[pdf]
[pdf]
[pdf]
MA 30/07 Vision par ordinateur (sections 24.2, 24.3)
 • Motivation (6:16)
 • Représentation d'images (5:29)
 • Gradients d'images (19:12)
 • Contours d'images (12:33)
 • Histogrammes de gradients (11:36)
 • Reconnaissance d'objets (10:17)

Exercices
 • Convolution
 • Reconnaissance d'objets

[pdf]
[pdf]
[pdf]
[pdf]
[pdf]
[pdf]
JE 01/08 Révision
 • Final E2012
 • Final H2012
 • Final E2010 [solutions]
 • Final H2009
 • Final A2006 [solutions]
 • Final H2003 [solutions]
 [pdf]