MOIA. Méthodes et Outils pour. 1 ère année F. BOUQUET. Master S&T - Mention Informatique. bouquet/enseignement FRE 2661
|
|
- Jean-Pascal Brunelle
- il y a 8 ans
- Total affichages :
Transcription
1 MOIA Méthodes et Outils pour UNIVERSITE DE FRANCHE COMTE l Intelligence Artificielle F. BOUQUET FRE 66 Master S&T - Mention Informatique ère année bouquet/enseignement MOIA Partie /3 p./43
2 L intelligence Artificielle Philosophie : Logique, méthode de raisonnement, esprit comme système physique, apprentissage, langage Mathématiques : Psychologie : Linguistique : Neurosciences : Théorie du contrôle : Représentations formelles et preuves, algorithmes (in)décidabilité, probabilité Adaptation, phénomène de perception et de contrôle moteur, techniques expérimentales Représentation des connaissances, grammaire Substrat physique de l activité mentale Systèmes asservis, stabilité, concept d agent MOIA Partie /3 p./43
3 Plan. Historique. Structuration de la connaissance Langue naturelle, Semi-formelle, Formelle, Logique 3. Méthodes de résolution générales Méthodes de base Évolutions et Heuristiques Satisfaction de contraintes 4. Domaine d application Système expert / Apprentissage Jeux Planification / Ordonnancement Traitement du langage naturelle MOIA Partie /3 p.3/43
4 Historique / : Papyrus premières règles de production (médecine) -350 : Aristote invente le syllogisme 679 : Leibnitz invente l arithmétique binaire 854 : Boole et son algèbre 938 : Shannon BInary digit 94 : I. Asimov écrit Robbie et les trois lois de la robotique 943 : McCulloch & Pitts modélisation neurones et cerveau 944 : ENIAC 945 : J. Von Neumann et O. Morgenstein : Solution théorique : jeux de stratégie / démo. automatique Intelligence Artificielle Bêtise naturelle MOIA Partie /3 p.4/43
5 Historique /3 950 : "Computing Machinery and Intelligence" de Turing 957 : Thème de l IA : General Problem Solver N. Chomsky (MIT, linguiste) sémantique syntaxe J. Mac Carthy : Créé le premier laboratoire IA (MIT, 958) Lisp (958), Algorithme Alpha Béta (96) 965 : Feigenbaum, Buchaman et Lederberg DENDRAL : Mécanismes de raisonnement inductifs / empiriques Problème consistant J.A Robinson invente la procédure de résolution ELIZA (MIT) simule le dialogue avec un psychologue 969 : Shakey er robot déplacer, percevoir, résoudre problèmes MOIA Partie /3 p.5/43
6 Historique 3/ : A. Colmerauer et P. Roussel écrive Prolog 980 : Création de American Association Artificial Intelligence 985 : Linguistique : Vocabulaire, reconnaissance du discourt, multi-utilisateur. 990 : Recherche linguistique / Jeux de stratégie 997 : Deep Blue bat G. Kasparov Premier match de football avec des robots : Animaux de compagnie robot Carneggie Mellon : les robots nomades (Antarctique) MOIA Partie /3 p.6/43
7 En résumé Qu est-ce les systèmes à base d IA savent faire? Jouer décemment au ping-pong Conduire un véhicule sur une route de montagne / dans la circulation Jouer aux cartes Découvrir et prouver un nouveau théorème mathématiques Inventer une histoire drôle (de façon intentionnelle) Donner des conseils avisés dans des domaines pointus Traduire des langues, parler une langue, parler en temps réel. MOIA Partie /3 p.7/43
8 Principe Donner les moyens à l ordinateur de : Acquérir de l information (connaissances) Raisonner sur les informations Donner les résultats But : Transcrire le français pour l ordinateur Codage mémoire de l information Traitement Retranscrire MOIA Partie /3 p.8/43
9 Français Machine Logique Classique : Logique propositionnelle Calcul des prédicats Logique non classique : Défaut de Reiter Logique Multi-valuée (logique floue) Règle de production Objets structurés : Réseaux bayéseins Chaînes de Markov Réseaux de neurones MOIA Partie /3 p.9/43
10 Logique propositionnelle [Aristote à Boole] Ensemble de formules : Propositions : lettres majuscules Connecteurs :, (,,...) Parenthèses : ( ) Axiomes :. F (G F). (F (G H)) ((F G) (F H)) 3. (( G) ( F)) (F G) Règle(s) d inférence (Modus ponens/ Modus Tollens) : Si (F et F G) alors G Si ( G et F G) alors F MOIA Partie /3 p.0/43
11 Logique des prédicats Extension de la Logique propositionnelle [Kleene 7] Extension des Formules : Constantes, Variables Fonctions, Prédicats Extension des Axiomes : 4. Occurrence de x dans F liée, x(f G) (F xg) 5. Occurrence de x liée, xf(x) F(t) Quantificateur(s) : Universel : Existentiel : MOIA Partie /3 p./43
12 Formalisation du discours Représentation Variables Formules Atomes Termes Constantes Fonctions Prédicats Quantificateurs Connecteurs Objets Correspondance entre objets Propriétés des objets Réel Enoncé Liaison entre énoncés Discours MOIA Partie /3 p./43
13 Défaut [Reiter 79] Extension de la Logique des prédicats Théorie des défauts, = (D,W) : W : ensemble de faits, formules closes du er ordre D : ensemble de défauts, règles d inférence à contenu spécifique Un défaut : Soient les formules du er ordre avec x comme variable libre : u(x), prérequis v(x), la justification w(x), la conséquence u(x) : v(x) w(x) MOIA Partie /3 p.3/43
14 Multi-valuée [Kleene 38] p q p p q p q p q p q ne sont pas des tautologies I( p) = I(p) I(p q) = Max(I(p), I(q)) I(p q) = Min(I(p), I(q)) I(p q) = Max( I(p), I(q)) I(p q) = (I(q) = I(p)) Tiers exclu : p p Principe de noncontradiction (p p) MOIA Partie /3 p.4/43
15 Règles de production Si A alors B (0,8) Une règle se décompose en 3 parties : Condition d application : A Déduction obtenue : B Facteur de certitude : 0,8 Calcul d une transition A FC B : { FC(source) = FC(B) = Max(0, FC(A)) FC MOIA Partie /3 p.5/43
16 Objets structurés Basé sur les réseaux sémantiques (graphe) : Nœud représente des concepts Arc traduit les relations entre concepts Recherche de solutions dans graphe Ajouter pour l inférence : Règles de production Opérateurs logiques MOIA Partie /3 p.6/43
17 Réseau Bayésein Constitution : Graphe orienté acyclique: Noeud représente une variable aléatoire Arc les relations entre les variables Série de distributions conditionnelles Théorème de Bayes : Prob(A B) = Prob(B A) Prob(A) Prob(B) Rapport de vraisemblance : λ(b A) = Prob(B A) Prob(B Ā) Vraisemblance a priori : V (A) = Prob(A) Prob(Ā B) Vraisemblance a posteriori : V (A B) = Prob(A B) = λ(b A) V (A) Prob(Ā B) MOIA Partie /3 p.7/43
18 Chaîne de Markov (Monte carlo) Codage d évolution/transition : Probabilité déplacement de x y : p(x, y) Distribution uniforme π(x) = P π(y) p(y,x)δy Définir p(x,y) : Echantillonneur de Gibbs Algorithme de Metropolis-Hastings Satisfait : Réversibilité Irréductible Apériodique Récurrence MOIA Partie /3 p.8/43
19 Réseau de neurones X X P P... P n Σ Y X n Signal reçu : S r = Σ n i=(p i x i ) Signal émis: { si S r θ 0 si S r < θ MOIA Partie /3 p.9/43
20 Problème Définitions : Tout problème est relatif à un certain ensemble d objets que l on peut décrire sous forme de variables d état du problème Un état du problème est l ensemble des valeurs que prennent ses variables d états à un instant donné. L espace d états d un problème est l ensemble des états possibles pour le problème considéré. MOIA Partie /3 p.0/43
21 Problème Décrit par C A État initial (Initialisation) Transition (Règles) A B B C Espace de recherche/états (atteignables) C A B B A C État final (condition d arrêt) A CB A BC Résolution Parcours de l espace de recherche C B A B AC ABC C AB B C A Stratégies (Largeur, Profondeur...) B AC C AB Heuristiques (Best-First, Taboo, A A Recuit-simulé, Sac à dos...) B C C B MOIA Partie /3 p./43
22 Parcours en profondeur Principe : Explorer chemin par chemin A Instance d entrée : un nœud de sortie : renvoie Vraie s il y a un chemin solution Sol et faux sinon. D B E F C G Sol Sol {N} Si N est solution alors Retourne Vraie H I J K Sinon fin Faux Tant que non(fin) et existe successeur N de N faire fin Profondeur(N, Sol) Retourne f in Problème : Les cycles dans les graphes = Détection A B C D E F G H I J K MOIA Partie /3 p./43
23 Parcours en profondeur bornée Principe : Limiter la recherche Instance d entrée : un nœud, une profondeur l de sortie : un chemin Sol (solution) A Sol Sol {N} Si N est solution alors Retourne Vraie Sinon B C fin Faux l l Tant que non(fin) et l > 0 et existe successeur N de N faire fin Profondeur(N, l, Sol) Retourne f in D E F G H I J K MOIA Partie /3 p.3/43
24 Parcours en largeur Principe : Examiner tous les chemins Instance d entrée : une liste de chemin Instance de sortie : un chemin Sol (solution) Ch Premier(Liste); Liste Liste \ {Ch} A N derniernoeud(ch); fin Faux Tant que non(fin) et (l > 0) et existe successeur B C N de N faire Si N est solution alors D E F G Sol Ch f {N }; fin Vraie Sinon Liste Liste f {(Ch f {N })} H I J K Si not(fin) alors fin Largeur(Liste, Sol) Retourne fin MOIA Partie /3 p.4/43
25 Critères de comparaison Complétude : est-ce que la méthode garantit de trouver une solution si elle existe? Complexité en temps : combien de temps faut-il pour trouver la solution? Complexité en espace : quel espace mémoire faut-il pour effectuer la recherche? Optimalité : est-ce que la méthode trouve la meilleure solution s il en existe plusieurs? MOIA Partie /3 p.5/43
26 Comparaison Méthode Complexité Optimal Complet Temps Espace Largeur O(b m ) O(b m ) oui oui Largeur itératif O(b m ) O(b m) oui oui Profondeur O(b m ) O(m) non oui Profondeur bornée O(b l ) O(l) non oui si l p Bi-directionnal O(b m ) O(b m ) oui oui b : facteur de branchement m : profondeur maximal de l arbre p : profondeur de la solution l : limite de la profondeur MOIA Partie /3 p.6/43
27 Bilan sur les Parcours "aveugle" 3 méthodes explorent l espace de recherche Profondeur plus facile mais cycle (limiter recherche, marquage) Largeur plus difficile à implanter et gestion liste Problème d optimisation : associer coût aux arcs (transitions) Explosion combinatoire plus important pour la largeur = Utilisation Heuristique MOIA Partie /3 p.7/43
28 Heuristique h : U R + But: Améliorer la convergence vs Exploration aveugle Comment : prendre en compte des informations sur le graphe Type d heuristique : Parfaite : u,v h(u) = h(v) h (u) = h (v) Presque parfaite : u,v h(u) < h(v) h (u) < h (v) Monotone/consistante : u, v, h(u) h(v) k(u, v), v descendant de u Minorante/admissible : u,h(u) h (u) h(u) : heuristique, coût entre u est état final ; k(u,v) : poids des arcs MOIA Partie /3 p.8/43
29 Heuristique et propriété Une heurisitique est spécifique au problème posé Elle peut définir une relation ordre partiel Elle peut définir une relation ordre complet Si l heuristique est parfaite, alors l algorithme converge immédiatement vers le but Si l heuristique est minorante alors l algorithme A trouvera toujours le chemin optimal Si l heuristique est monotone et admissible garantie que l algorithme A pour tout nœud développé calcul le chemin optimal. MOIA Partie /3 p.9/43
30 Stratégies de recherche Deux types de développement d états : Complètement développé Partiellement développé Trois types d organisation des alternatives : LIFO FIFO Recherche ordonnée MOIA Partie /3 p.30/43
31 Les méthodes du gradient Gradient : variation - progression vers la solution. On essaie d atteindre un optimum global par une succession d optimums locaux. Exemple : pour traverser une ville du nord au sud, on essaiera de minimiser ou maximiser l écart par rapport à la direction. Algorithme du simplex en programmation linéaire Méthode par approximations successives en analyse numérique Min-Max en programmation des jeux Algorithme A*... MOIA Partie /3 p.3/43
32 But : heuristique pour converger le plus rapidement Best-Fisrt Idée : continuer la recherche avec le meilleur candidat Algorithme associé : Gourmand (Greedy) ou Escalade (hill-climbing) Algorithme A Variantes de A : IDA, SMA, AO... MOIA Partie /3 p.3/43
33 Exemple - Gourmand U U 5 U U 5 U 4 U U U U 9 4 U U 6 3 U U U U U U 6 0 Chemin solution : {U 0, U 5, U 7, U 0, U, U 3, U 6 }, Coût : f(u 6 ) = 6 MOIA Partie /3 p.33/43
34 Algorithme A G {u 0 }; D ; f(u 0 ) 0 Tant que G faire u premier(g);g G \ {u};d D {u} Si u T alors Tant que suivant(u) faire v suivant(u) Si (v D G) ou (g(v) > g(u) + k(u, v)) alors g(v) g(u) + k(u, v) f(v) g(v) + h(v) père(v) u insérer_selon_f(g, v) Fin faire Fin faire MOIA Partie /3 p.34/43
35 Exemple - A U U 5 U U 5 U 4 U U U U 9 4 U U 6 3 U U U U U U 6 0 Chemin solution : {U 0,U,U 4,U 9,U 0,U,U 3,U 6 }, Coût : f(u 6 ) = MOIA Partie /3 p.35/43
36 Terminaison de l algorithme A Pour toute h, application de U R +, et pour tout G (graphe fini à valuations positives ou nulles) A s arrête. Soit sur un état terminal, soit faute d état (G ) s il n existe pas de chemin de u 0 à T. Si G et h vérifient les hypothèses suivantes : G est un δ-graphe fini ou infini à valuations positives ou nulles dans lequel il existe au moins un chemin de longueur finie entre u 0 et un état terminal. h est une application de U R + telle qu il existe un majorant ν avec h(u i ) ν pour tout état u i sur un chemin optimal de u 0 à un état terminal. alors A s arrête après un nombre fini d étapes et fournit un chemin de u 0 à T. MOIA Partie /3 p.36/43
37 Complexité Soit n le nombre d états de l espace d états du problème. Pire des cas, la complexité est en n Si h est une heuristique minorante, complexité n. Si h est une heuristique monotone, complexité n. Remarque : Même une complexité linéaire sur le nombre d états est souvent inutilisable dans la plupart des cas pratiques Exemple : Voyageur de commerce n = v! (v = nombre de villes). MOIA Partie /3 p.37/43
38 Interative deepening A : IDA Recursif Best-First Search : RNFS Algorithme AO : Développement Mise à jour ascendante Définition de la nouvelle meilleure solution Variante A MOIA Partie /3 p.38/43
39 Graphe ET-OU Problèmes qui peuvent se décomposer en éléments mutuellement indépendants Heuristiques : (p (q (r s))) Lorsque u est un nœud ET h(u) = Σ v Successeur(u) (k(u,v) + h(v)) p (q (r s)) Lorsque u est un nœud OU h(u) = min v Successeur(u) (k(u,v) + h(v)) q r (r s) s MOIA Partie /3 p.39/43
40 Algorithme AO {Entrée : les informations du graphe, Sortie : Solution G(u 0 ) de coût f(u 0 )} P {u 0 }; Q ; f(u 0 ) h(u 0 ); u u 0 Tant que (u null) et (f(u 0 ) ) faire P P \ {u}; Q {u} Pour i I(u) faire v s i (u) Tant que (u )faire Si non(v P Q) alors P P {v}; f(v) h(v) v s i (u) Fin Tant que f i (u) k(u, i) + Σ v Si (u)f(v) Fin pour Si I(u) = alors f(u) Sinon f(u) min{f i (u) i I(u)} I min (u) indice du minimum A S (u) Choisir v A tel que A S(v) = A A \ {v} Pour i I 0 (v) faire f i (v) k(v, i) + Σ w si (v)f(w) Si f Imin (v) min{f i (v) i I(v)} alors I min (v) indice du minimum Si f(v) f Imin (v) alors f(v) f Imin (v); A A S (v) Pour w S (v) faire I 0 (w) I 0 (w) {i I(w) v S i (w)} Fin si I 0 (v) Fin tant que G(u 0 ) Définir_Solution(u 0 ) u Choisir_Etat(G(u 0 )) MOIA Partie /3 p.40/43
41 Exemple - AO U 5 (6) 4 U 6 (5) U (0) U (0) 7 (5) (0) 0 5 U 6 (0) (0) 4 3 U U 3 U 7 U 8 U 0 5 U (30) U 7 U 8 U 9 (30) (8) 5 9 U 9 (5) () U 3 U 4 (40) 6 5 (5) U 4 (4) 5 9 (0) U 0 (4) U 0 (0) 9 U 5 (0) U (0) 35 U (0) 5 U 3 (0) Chemin solution : {U 0,U,U,U 3,U 7,U 9,U,U 3 }, Coût : f(u 0 ) = 74 MOIA Partie /3 p.4/43
42 Branch & Bound Principe : Backtracking Élagage Problème : Évaluation de la limite Complexité Avantage : Complet Optimal v 0 v 5 v 4 v3 v 4 v 5 v v7 v8 v9 v0 v v v3 v v 4 5 v6 Limite initiale : 3 Limite finale : 6 5 MOIA Partie /3 p.4/43
43 Recuit simulé Pourquoi : Eviter minimum local, effet plateau Comment : concept de température Approche : Récuit de la thermodynamique Algorithme : basé sur méthode Métropolis et distribution de Bolzmann Algorithme : s s 0, t t 0, e E(s) tant que t > Tmin et e > Emax sn voisin(s) De E(s) - E(sn) si Accept(De,T) alors s sn T Decroissance(T) Algorithme Accept : Si De < 0 alors vraie A e De T Si Alea(0,) < A alors vraie sinon faux MOIA Partie /3 p.43/43
Intelligence Artificielle et Robotique
Intelligence Artificielle et Robotique Introduction à l intelligence artificielle David Janiszek david.janiszek@parisdescartes.fr http://www.math-info.univ-paris5.fr/~janiszek/ PRES Sorbonne Paris Cité
Plus en détailCours de Master Recherche
Cours de Master Recherche Spécialité CODE : Résolution de problèmes combinatoires Christine Solnon LIRIS, UMR 5205 CNRS / Université Lyon 1 2007 Rappel du plan du cours 16 heures de cours 1 - Introduction
Plus en détailLes apports de l informatique. Aux autres disciplines
Les apports de l informatique Aux autres disciplines Le statut de technologie ou de sous-discipline est celui de l importation l et de la vulgarisation Le statut de science à part entière est lorsqu il
Plus en détailIntelligence artificielle appliquée à l automatique
Intelligence artificielle appliquée à l automatique par Sylviane GENTIL Professeur à l École nationale supérieure d ingénieurs électriciens Institut national polytechnique de Grenoble 1. Définitions et
Plus en détailSystèmes décisionnels et programmation avancée
Systèmes décisionnels et programmation avancée M1 SIR Philippe Muller et Mustapha Mojahid, Matthieu Serrurier, Marie-Christine Scheix 2014-2015 Introduction structure du cours intervenants introduction
Plus en détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détailRaisonnement probabiliste
Plan Raisonnement probabiliste IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 1 2 Contexte
Plus en détailPartenaires: w w w. c o g m a s t e r. n e t
Partenaires: w w w. c o g m a s t e r. n e t Une approche interdisciplinaire et intégrative neuropsychologie psychologie neuroanatomie linguistique philosophie SCIENCES COGNITIVES logique/probas neurosciences
Plus en détailChapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
Plus en détailAlgorithmes de recherche
Algorithmes de recherche 1 Résolution de problèmes par recherche On représente un problème par un espace d'états (arbre/graphe). Chaque état est une conguration possible du problème. Résoudre le problème
Plus en détailÉvaluation et implémentation des langages
Évaluation et implémentation des langages Les langages de programmation et le processus de programmation Critères de conception et d évaluation des langages de programmation Les fondations de l implémentation
Plus en détailJade. Projet Intelligence Artificielle «Devine à quoi je pense»
Jade Projet Intelligence Artificielle «Devine à quoi je pense» Réalisé par Djénéba Djikiné, Alexandre Bernard et Julien Lafont EPSI CSII2-2011 TABLE DES MATIÈRES 1. Analyse du besoin a. Cahier des charges
Plus en détailAlgorithmique et Programmation Fonctionnelle
Algorithmique et Programmation Fonctionnelle RICM3 Cours 9 : Lambda-calcul Benjamin Wack Polytech 2014-2015 1 / 35 La dernière fois Typage Polymorphisme Inférence de type 2 / 35 Plan Contexte λ-termes
Plus en détailResolution limit in community detection
Introduction Plan 2006 Introduction Plan Introduction Introduction Plan Introduction Point de départ : un graphe et des sous-graphes. But : quantifier le fait que les sous-graphes choisis sont des modules.
Plus en détailL apprentissage automatique
L apprentissage automatique L apprentissage automatique L'apprentissage automatique fait référence au développement, à l analyse et à l implémentation de méthodes qui permettent à une machine d évoluer
Plus en détailObjectifs du cours d aujourd hui. Informatique II : Cours d introduction à l informatique et à la programmation objet. Complexité d un problème (2)
Objectifs du cours d aujourd hui Informatique II : Cours d introduction à l informatique et à la programmation objet Complexité des problèmes Introduire la notion de complexité d un problème Présenter
Plus en détailIntelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com
Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines
Plus en détailNouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires
Nouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires Julien Jorge, Xavier Gandibleux Laboratoire d Informatique de Nantes Atlantique
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailUtilisation des tableaux sémantiques dans les logiques de description
Utilisation des tableaux sémantiques dans les logiques de description IFT6281 Web Sémantique Jacques Bergeron Département d informatique et de recherche opérationnelle Université de Montréal bergerja@iro.umontreal.ca
Plus en détailProgrammation par contraintes. Laurent Beaudou
Programmation par contraintes Laurent Beaudou On se trouve où? Un problème, une solution : la solution est-elle une solution du problème? simulation, vérification 2 On se trouve où? Un problème, une solution
Plus en détailPlus courts chemins, programmation dynamique
1 Plus courts chemins, programmation dynamique 1. Plus courts chemins à partir d un sommet 2. Plus courts chemins entre tous les sommets 3. Semi-anneau 4. Programmation dynamique 5. Applications à la bio-informatique
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailPourquoi l apprentissage?
Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage
Plus en détailCours de Recherche Opérationnelle IUT d Orsay. Nicolas M. THIÉRY. E-mail address: Nicolas.Thiery@u-psud.fr URL: http://nicolas.thiery.
Cours de Recherche Opérationnelle IUT d Orsay Nicolas M. THIÉRY E-mail address: Nicolas.Thiery@u-psud.fr URL: http://nicolas.thiery.name/ CHAPTER 1 Introduction à l optimisation 1.1. TD: Ordonnancement
Plus en détailIntelligence Articielle (1) Introduction
1/32 Introduction Un peu d'histoire Les nouveaux dés Intelligence Articielle (1) Introduction Pierre Gançarski Université de Strasbourg IUT Robert Schuman DUT Informatique /32 Plan 1 Introduction 2 Un
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailCours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques
Université Mohammed V, Faculté des Sciences de Rabat Laboratoire de Recherche Mathématiques, Informatique et Applications Cours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques MASTER
Plus en détailMachines virtuelles Cours 1 : Introduction
Machines virtuelles Cours 1 : Introduction Pierre Letouzey 1 pierre.letouzey@inria.fr PPS - Université Denis Diderot Paris 7 janvier 2012 1. Merci à Y. Régis-Gianas pour les transparents Qu est-ce qu une
Plus en détailChapitre 2. Eléments pour comprendre un énoncé
Chapitre 2 Eléments pour comprendre un énoncé Ce chapitre est consacré à la compréhension d un énoncé. Pour démontrer un énoncé donné, il faut se reporter au chapitre suivant. Les tables de vérité données
Plus en détailIngénierie de la cognition
Ingénierie de la cognition A.Revel 2001 Sommaire 1 Introduction 6 1 But........................................ 6 2 Historique.................................... 7 3 Les principales applications de l
Plus en détailProblèmes d ordonnancement dans les systèmes de production. Journée Automatique et Optimisation Université de Paris 12 20 Mars 2003
Problèmes d ordonnancement dans les systèmes de production Michel Gourgand Université Blaise Pascal Clermont Ferrand LIMOS CNRS UMR 6158 1 Le LIMOS Laboratoire d Informatique, de Modélisation et d Optimisation
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailAnnexe 6. Notions d ordonnancement.
Annexe 6. Notions d ordonnancement. APP3 Optimisation Combinatoire: problèmes sur-contraints et ordonnancement. Mines-Nantes, option GIPAD, 2011-2012. Sophie.Demassey@mines-nantes.fr Résumé Ce document
Plus en détailINF601 : Algorithme et Structure de données
Cours 2 : TDA Arbre Binaire B. Jacob IC2/LIUM 27 février 2010 Plan 1 Introuction 2 Primitives u TDA Arbin 3 Réalisations u TDA Arbin par cellules chaînées par cellules contiguës par curseurs (faux pointeurs)
Plus en détailApprentissage par renforcement (1a/3)
Apprentissage par renforcement (1a/3) Bruno Bouzy 23 septembre 2014 Ce document est le chapitre «Apprentissage par renforcement» du cours d apprentissage automatique donné aux étudiants de Master MI, parcours
Plus en détailLes structures de données. Rajae El Ouazzani
Les structures de données Rajae El Ouazzani Les arbres 2 1- Définition de l arborescence Une arborescence est une collection de nœuds reliés entre eux par des arcs. La collection peut être vide, cad l
Plus en détailThéorie des Langages
Théorie des Langages Analyse syntaxique descendante Claude Moulin Université de Technologie de Compiègne Printemps 2010 Sommaire 1 Principe 2 Premiers 3 Suivants 4 Analyse 5 Grammaire LL(1) Exemple : Grammaire
Plus en détailIntelligence Artificielle Planification
Intelligence Artificielle Planification Bruno Bouzy http://web.mi.parisdescartes.fr/~bouzy bruno.bouzy@parisdescartes.fr Licence 3 Informatique UFR Mathématiques et Informatique Université Paris Descartes
Plus en détailRéalisabilité et extraction de programmes
Mercredi 9 mars 2005 Extraction de programme: qu'est-ce que c'est? Extraire à partir d'une preuve un entier x N tel que A(x). π x N A(x) (un témoin) (En fait, on n'extrait pas un entier, mais un programme
Plus en détailBases de données Cours 5 : Base de données déductives
Cours 5 : ESIL Université de la méditerranée Odile.Papini@esil.univmed.fr http://odile.papini.perso.esil.univmed.fr/sources/bd.html Plan du cours 1 Introduction 2 approche sémantique approche axiomatique
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailAlgorithme. Table des matières
1 Algorithme Table des matières 1 Codage 2 1.1 Système binaire.............................. 2 1.2 La numérotation de position en base décimale............ 2 1.3 La numérotation de position en base binaire..............
Plus en détailFondements de l informatique Logique, modèles, et calculs
Fondements de l informatique Logique, modèles, et calculs Cours INF423 de l Ecole Polytechnique Olivier Bournez Version du 20 septembre 2013 2 Table des matières 1 Introduction 9 1.1 Concepts mathématiques........................
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailMaster IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1
Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs
Plus en détail4.2 Unités d enseignement du M1
88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter
Plus en détailChapitre 1: Introduction à la théorie de l équilibre à prix fixes
Chapitre 1: Introduction à la théorie de l équilibre à prix fixes L3 Eco-Gestion/ Faculté de Droit, Sciences Economiques et de Gestion Plan 1 Rappels sur l utilité espérée La représentation des événements
Plus en détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailK. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau
Apport des modèles de krigeage à la simulation numérique K Ammar, F Bachoc, JM Martinez CEA-Saclay, DEN, DM2S, F-91191 Gif-sur-Yvette, France Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau Apport des
Plus en détailEconomie de l Incertain et des Incitations
Economie de l Incertain et des Incitations CHAPITRE 2 Eléments de théorie des jeux en information symétrique et asymétrique Equilibres Bayesiens - Université de Tours - M1 AGE - Arnold Chassagnon - Automne
Plus en détail1.1 Codage de source et test d hypothèse
Théorie de l information et codage 200/20 Cours 8février20 Enseignant: Marc Lelarge Scribe: Marc Lelarge Pour information Page webdu cours http://www.di.ens.fr/~lelarge/info.html Notations Pour des variables
Plus en détailData Mining. Vincent Augusto 2012-2013. École Nationale Supérieure des Mines de Saint-Étienne. Data Mining. V. Augusto.
des des Data Mining Vincent Augusto École Nationale Supérieure des Mines de Saint-Étienne 2012-2013 1/65 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 2/65 des des Définition générale Le
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en détailExemples de problèmes et d applications. INF6953 Exemples de problèmes 1
Exemples de problèmes et d applications INF6953 Exemples de problèmes Sommaire Quelques domaines d application Quelques problèmes réels Allocation de fréquences dans les réseaux radio-mobiles Affectation
Plus en détailUne brève introduction aux Sciences Cognitives
Une brève introduction aux Sciences Cognitives Sommaire Une brève introduction aux Sciences Cognitives... 1 1. Introduction... 1 2. Objet et enjeux des Sciences Cognitives... 2 2.1. Historique... 2 2.2.
Plus en détailNouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires
Nouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires Julien Jorge julien.jorge@univ-nantes.fr Laboratoire d Informatique de Nantes Atlantique,
Plus en détailThéorie des Jeux Et ses Applications
Théorie des Jeux Et ses Applications De la Guerre Froide au Poker Clément Sire Laboratoire de Physique Théorique CNRS & Université Paul Sabatier www.lpt.ups-tlse.fr Quelques Définitions de la Théorie des
Plus en détailModel checking temporisé
Model checking temporisé Béatrice Bérard LAMSADE Université Paris-Dauphine & CNRS berard@lamsade.dauphine.fr ETR 07, 5 septembre 2007 1/44 Nécessité de vérifier des systèmes... 2/44 Nécessité de vérifier
Plus en détailGrammaires d unification
Cours sur le traitement automatique des langues (IV) Violaine Prince Université de Montpellier 2 LIRMM-CNRS Grammaires d unification Grammaire catégorielle Grammaire syntagmatique généralisée (GPSG) Les
Plus en détailL analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :
La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.
Plus en détailMIS 102 Initiation à l Informatique
MIS 102 Initiation à l Informatique Responsables et cours : Cyril Gavoille Catherine Pannier Matthias Robine Marc Zeitoun Planning : 6 séances de cours 5 séances de TD (2h40) 4 séances de TP (2h40) + environ
Plus en détailQuatrième partie IV. Test. Test 15 février 2008 1 / 71
Quatrième partie IV Test Test 15 février 2008 1 / 71 Outline Introduction 1 Introduction 2 Analyse statique 3 Test dynamique Test fonctionnel et structurel Test structurel Test fonctionnel 4 Conclusion
Plus en détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailLogique. Plan du chapitre
Logique Ce chapitre est assez abstrait en première lecture, mais est (avec le chapitre suivant «Ensembles») probablement le plus important de l année car il est à la base de tous les raisonnements usuels
Plus en détailRappels sur les suites - Algorithme
DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................
Plus en détailL utilisation d un réseau de neurones pour optimiser la gestion d un firewall
L utilisation d un réseau de neurones pour optimiser la gestion d un firewall Réza Assadi et Karim Khattar École Polytechnique de Montréal Le 1 mai 2002 Résumé Les réseaux de neurones sont utilisés dans
Plus en détailReprésentation d un entier en base b
Représentation d un entier en base b 13 octobre 2012 1 Prérequis Les bases de la programmation en langage sont supposées avoir été travaillées L écriture en base b d un entier est ainsi défini à partir
Plus en détailModélisation multi-agents - Agents réactifs
Modélisation multi-agents - Agents réactifs Syma cursus CSI / SCIA Julien Saunier - julien.saunier@ifsttar.fr Sources www-lih.univlehavre.fr/~olivier/enseignement/masterrecherche/cours/ support/algofourmis.pdf
Plus en détailAlgorithmes d'apprentissage
Algorithmes d'apprentissage 1 Agents qui apprennent à partir d'exemples La problématique : prise de décision automatisée à partir d'un ensemble d'exemples Diagnostic médical Réponse à une demande de prêt
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailCouplage efficace entre Optimisation et Simulation stochastique Application à la maintenance optimale d une constellation de satellites
Couplage efficace entre Optimisation et Simulation stochastique Application à la maintenance optimale d une constellation de satellites Benoît Beghin Pierre Baqué André Cabarbaye Centre National d Etudes
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détail4AI04 - RIA Initiation à l Intelligence Artificielle. Raja Chatila Raja.Chatila@isir.upmc.fr Instructeurs TP: Mata Khalili, Alexandre Bazin
4AI04 - RIA Initiation à l Intelligence Artificielle Raja Chatila Raja.Chatila@isir.upmc.fr Instructeurs TP: Mata Khalili, Alexandre Bazin Organisation Dates cours, TD et contrôle continu: Mardi 28/01
Plus en détailCOORDINATION NON COOPÉRATIVE: MÉTHODES D ENCHÈRES
COORDINATION NON COOPÉRATIVE: MÉTHODES D ENCHÈRES Cours 6c Principe Protocole centralisé, un commissaire-priseur/vendeur (auctioneer) et plusieurs enchérisseurs/acheteurs (bidders) Le commissaire-priseur
Plus en détailInitiation à la Programmation en Logique avec SISCtus Prolog
Initiation à la Programmation en Logique avec SISCtus Prolog Identificateurs Ils sont représentés par une suite de caractères alphanumériques commençant par une lettre minuscule (les lettres accentuées
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailFrancis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) IFT702 Planification en intelligence artificielle
Francis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) PLANIFICATION DE TÂCHES DANS MS PROJECT IFT702 Planification en intelligence artificielle Présenté à M. Froduald KABANZA
Plus en détailCH.6 Propriétés des langages non contextuels
CH.6 Propriétés des langages non contetuels 6.1 Le lemme de pompage 6.2 Les propriétés de fermeture 6.3 Les problèmes de décidabilité 6.4 Les langages non contetuels déterministes utomates ch6 1 6.1 Le
Plus en détailOrdonnancement robuste et décision dans l'incertain
Ordonnancement robuste et décision dans l'incertain 4 ème Conférence Annuelle d Ingénierie Système «Efficacité des entreprises et satisfaction des clients» Centre de Congrès Pierre Baudis,TOULOUSE, 2-4
Plus en détailCONFIGURATION DE L AUTOMATE SIEMENS
CONFIGURATION DE L AUTOMATE SIEMENS Créer un projet Dans le bureau de Windows, double-cliquer sur l icône «SIMATIC Manager» : Cliquer ensuite sur l icône «nouveau» : Choisir un nom de projet et valider
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailARBRES BINAIRES DE RECHERCHE
ARBRES BINAIRES DE RECHERCHE Table de symboles Recherche : opération fondamentale données : éléments avec clés Type abstrait d une table de symboles (symbol table) ou dictionnaire Objets : ensembles d
Plus en détailInformatique Générale
Informatique Générale Guillaume Hutzler Laboratoire IBISC (Informatique Biologie Intégrative et Systèmes Complexes) guillaume.hutzler@ibisc.univ-evry.fr Cours Dokeos 625 http://www.ens.univ-evry.fr/modx/dokeos.html
Plus en détailChap 4: Analyse syntaxique. Prof. M.D. RAHMANI Compilation SMI- S5 2013/14 1
Chap 4: Analyse syntaxique 1 III- L'analyse syntaxique: 1- Le rôle d'un analyseur syntaxique 2- Grammaires non contextuelles 3- Ecriture d'une grammaire 4- Les méthodes d'analyse 5- L'analyse LL(1) 6-
Plus en détailProgrammation Par Contraintes
Programmation Par Contraintes Cours 2 - Arc-Consistance et autres amusettes David Savourey CNRS, École Polytechnique Séance 2 inspiré des cours de Philippe Baptiste, Ruslan Sadykov et de la thèse d Hadrien
Plus en détailCours 1 : Qu est-ce que la programmation?
1/65 Introduction à la programmation Cours 1 : Qu est-ce que la programmation? Yann Régis-Gianas yrg@pps.univ-paris-diderot.fr Université Paris Diderot Paris 7 2/65 1. Sortez un appareil qui peut se rendre
Plus en détailIntroduction à la Théorie des Jeux p.1/77
Introduction à la Théorie des Jeux Sébastien Konieczny konieczny@cril.univ-artois.fr CRIL-CNRS Université d Artois - Lens Introduction à la Théorie des Jeux p.1/77 Théorie des Jeux Définition La théorie
Plus en détailJean-Philippe Préaux http://www.i2m.univ-amu.fr/~preaux
Colonies de fourmis Comment procèdent les colonies de fourmi pour déterminer un chemin presque géodésique de la fourmilière à un stock de nourriture? Les premières fourmis se déplacent au hasard. Les fourmis
Plus en détailOptimisation Combinatoire (Méthodes approchées) II. Recherche Locale simple (Les bases)
Optimisation Combinatoire (Méthodes approchées) II. Recherche Locale simple (Les bases) Heuristique Constructive Itérativement, ajoute de nouvelles composantes à une solution partielle candidate Espace
Plus en détailDéfinitions. Numéro à préciser. (Durée : )
Numéro à préciser (Durée : ) On étudie dans ce problème l ordre lexicographique pour les mots sur un alphabet fini et plusieurs constructions des cycles de De Bruijn. Les trois parties sont largement indépendantes.
Plus en détailIntroduction à la théorie des graphes. Solutions des exercices
CAHIERS DE LA CRM Introduction à la théorie des graphes Solutions des exercices Didier Müller CAHIER N O 6 COMMISSION ROMANDE DE MATHÉMATIQUE 1 Graphes non orientés Exercice 1 On obtient le graphe biparti
Plus en détailProcessus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
Plus en détail