Le livre référence pour ce cours est "Artificial Intelligence: A Modern Approach" de Stuart Russel et Peter Norvig (éditions Pearson).
Déroulement du cours et transparents
Recherche dans des graphes d'états (
slides)
- Introduction au cours
- Résoudre un problème gréce à la recherche dans un graphe.
- recherche non-informée (parcours de graphe)
Recherche
informée dans des graphes d'états (
slides)
- fin de la discussion pour comparer les algorithmes de recherche non-informé
- Problème avec une fonction de coût
- recherche informée: A*
Problème de satisfaction de contraintes (
slides)
- Définition du problème de satisfaction de contraintes
- Un premier algorithme utilisant uniquement la recherche
- types de contraintes
- Propagation des contraintes
- Algorithme pour maintenir l'arc cohérence
- Algorithme alliant recherche et propagation (restreinte) des contraintes
- Hill climbing
- beam search
- Recuit Simulé
- Algorithmes génétiques
- minimax
- élagage alpha beta
- utiliser des fonctions d'évaluation dans la recherche alpha-beta
- Monte Carlo Tree search (version UCT)
- Généralisation aux jeux avec éléments de chance
Apprentissage d'arbre de décision (
slides)
- 1 seul neurone
- fonction d'activation est une fonction seuil: le perceptron
- fonction d'activation linéaire: exemple avec l'identité
- justifier la règle de mise à jour pour minimiser l'erreur
- passage à plusieurs couches et règle de mise à jour: rétro propagation
