Certificat de spécialisation Intelligence artificielle

Ce certificat  permettra aux auditeurs d’acquérir une triple compétence métier, puisque qu’ils maîtriseront à la fois les techniques d’apprentissage, “machine learning” (Ues RCP208 et RCP209), mais aussi les outils d’optimisation discrète, continue, et stochastique (Ues RCP210 et RCP212) ainsi que de calcul scientifique (Ues CSC109 et CSC217). La synergie entre ces différents domaines permettra de développer des modèles d’IA modernes dotés de deux propriétés essentielles pour déployer des modèles prédictifs dans des domaines d’application stratégiques. D’une part, un des enjeux du certificat consistera à étudier comment intégrer des connaissances a priori dans les modèles d’IA, par exemple sous forme d’équations aux dérivées partielles (EDO/EDP), afin de résoudre des tâches de prédiction complexes, ce qui constitue entre autre le cadre des prévisions météorologiques pour la prévention des risques, l’étude de l’impact sur le changement climatique ou l’étude de la turbulence. D’autre part, les enseignements du certificat permettront de mettre en place des modèles de prédiction plus interprétables et explicables par rapport aux méthodes d’apprentissage pures (“data-driven”) décriés de par leur aspect “boîte noire”. Ces notions de "Right to explanation" qui visent, dans un contexte plus juridique, à obtenir une explication quant au processus suivi par un algorithme pour prendre une décision constituent un des enjeux majeurs concernant les systèmes d’IA modernes, notamment pour limiter les discriminations et permettre d'éventuelles contestations. Le recours à une modélisation physique des phénomènes observés ou l'utilisation de modèles simples s’appuyant sur des techniques de recherche opérationnelle (e.g. arbres de décision) sont des solutions naturelles qui seront abordées dans le cadre du certificat pour avancer vers des modèles qui sont par construction compréhensibles. 

• Introduction
• Définition de l'intelligence artificielle.
• Agents intelligents : définition, rationalité, types d'environnements, structure des agents.
• Résolution de problèmes
• Stratégies d'exploration non informées.
• Stratégies d'exploration  informées (heuristiques) : exploration A*.
• Algorithmes d'exploration locale : hill-climbing, recuit simulé, algorithmes génétiques.
• Problèmes à satisfaction de contraintes : exploration avec backtracking, exploration locale.
• Exploration en situation d'adversité (les jeux) : algorithme minimax, élagage alpha-bêta.
• Agents fondés sur les connaissances
• Représentation des connaissances et inférence.
• Systèmes experts.
• Apprentissage
• Apprentissage supervisé : arbres de décisions, réseaux de neurones.
• Apprentissage non-supervisé.
• Apprentissage par renforcement.

Consulter le diplôme, titre ou certificat... délivrés en fin de formation ainsi que les métiers auxquels cette formation vous donne accès.