Objectifs de l’enseignement:
Approfondir les techniques de représentations des connaissances et Prise de connaissance des différentes paradigmes modernes de l’IA, surtout ceux inspirés des mécanismes biologiques.
Connaissances préalables recommandées:
Module initiation à intelligence artificielle de licence.
Contenu de la matière :
Introduction aux types de connaissance: descriptive, procédurale, heuristique Techniques de représentation: déclarative, graphique, structurée.
Principaux formalismes Représentation en logique
Représentation par graphes conceptuels Représentation en logique de descriptions
Représentation et traitement de connaissances incertaines Modèles graphiques probabilistes
Propagation de l’information dans les réseaux bayésiens
Connaissances vagues et raisonnement approximatif par la logique floue Principaux domaines d’applications de l’IA
Les algorithmes de l’IA :
- Les algorithmes génétiques
- Les réseaux de neurones
- La logique floue
- Les systèmes immunitaires artificiels
- Les automates cellulaires,…
Mode d’évaluation :
60% examen et 40% travail personnel
Références:
- David Goldberg, Algorithmes génétiques, Addison Wesley, juin 1994,
- Hertz, A. Krogh & R. G. Palmer, An introduction to the theory of Neural Computation (Addison-Wesley, 1991)
- M. Bishop, Neural Networks for Pattern Recognition (Oxford: Oxford University Press, 1995)
- Jelena Godjevac, Idées nettes sur la logique floue. ISBN: 2-88074-378-8.
- Cook, Universality in Elementary Cellular Automata, Complex Systems, 15(1), 2004, pp. 1- 40.
- Ollinger, The quest for small universal cellular automata, International Colloquium on Automata, Languages and Programming (2002), Lecture Notes in Computer Science, pp. 318- 330.
- Dasgupta , Artificial Immune Systems (Special issue of the journal IEEE Transaction on EvolutionaryComputation). Vol. 6, No. 3, June 2002.
