Décision Markovienne appliquée à un jeu de stop ou encore : Pickomino (Heckmeck Am Bratwurmeck)

Dimension: px
Commencer à balayer dès la page:

Download "Décision Markovienne appliquée à un jeu de stop ou encore : Pickomino (Heckmeck Am Bratwurmeck)"

Transcription

1 Décision Markovienne appliquée à un jeu de stop ou encore : Pickomino (Heckmeck Am Bratwurmeck) Stéphane Cardon Nathalie Chetcuti-Sperandio Fabien Delorme Sylvain agrue CRI - Université d Artois FA - 5 nov Annecy

2 es jeux en IA es différents types de jeux jeux déterministes / indéterministes jeux à information complète / incomplète Quelques exemples échecs, dames anglaises, go les jeux de cartes (belote, bridge, poker) les jeux de dés (yams, pickomino)

3 es jeux en IA es différents types de jeux jeux déterministes / indéterministes jeux à information complète / incomplète Quelques exemples échecs, dames anglaises, go les jeux de cartes (belote, bridge, poker) les jeux de dés (yams, pickomino) Pourquoi Pickomino? jeu indéterministe à information complète règles très simples mécanisme de prise de risque de type «stop ou encore» décision dans l incertain

4 Plan 1 Introduction 2 Règles du jeu 3 Processus Décisionnel de Markov Description des états Description des actions Description des probabilités Description des récompenses 4 Expérimentations 5 Conclusion et travaux en cours

5 Plan 1 Introduction 2 Règles du jeu 3 Processus Décisionnel de Markov Description des états Description des actions Description des probabilités Description des récompenses 4 Expérimentations 5 Conclusion et travaux en cours

6 Pickomino Pickomino en bref Jeu allemand (Heckmeck am Bratwurmeck) Reiner Knizia (Zoch - Gigamic) de 2 à 8 joueurs à partir de 8 ans mécanismes du jeu : lancers de dés et stop ou encore

7 e matériel (1) 8 dés, numérotés de 1 à face «ver» les vers valent 5

8 e matériel (2) 16 dominos (les pickominos) numérotés de 21 à 36 de 1 à 4 vers

9 Exemple d un tour de jeu Premier jet, le joueur obtient : e joueur décide de garder les dés de valeur.

10 Exemple d un tour de jeu Premier jet, le joueur obtient : e joueur décide de garder les dés de valeur. Deuxième jet, le joueur lance les 5 dés restants et obtient : (dés gardés : ) e joueur ne peut pas choisir les dés de valeur les 2 dés de valeur., il décide de garder

11 Exemple d un tour de jeu Premier jet, le joueur obtient : e joueur décide de garder les dés de valeur. Deuxième jet, le joueur lance les 5 dés restants et obtient : (dés gardés : ) e joueur ne peut pas choisir les dés de valeur les 2 dés de valeur. Troisième jet :, il décide de garder (dés gardés : ) e joueur est obligé de prendre le.

12 Exemple d un tour de jeu Premier jet, le joueur obtient : e joueur décide de garder les dés de valeur. Deuxième jet, le joueur lance les 5 dés restants et obtient : (dés gardés : ) e joueur ne peut pas choisir les dés de valeur les 2 dés de valeur. Troisième jet :, il décide de garder (dés gardés : ) e joueur est obligé de prendre le. Score : = 23 STOP ou ENCORE?

13 STOP : Picorer un pickomino Peut picorer : a somme des valeurs des dés conservés doit être supérieure ou égale à la valeur du pickomino Au moins un dé avec la valeur «ver» a été conservé e pickomino picoré est placé en sommet de la pile du joueur Picorer le pickomino en sommet de pile d un adversaire : a somme doit obligatoirement être égale à la valeur du pickomino

14 ENCORE : Perdre son tour toutes les valeurs des dés lancés ont déjà été prises ou plus de dé à lancer et aucun ver gardé ou score insuffisant le pickomino en sommet de pile du joueur est remis dans la brochette le plus gros pickomino de la brochette est retourné on passe au joueur suivant sans prendre de pickomino

15 Remporter la victoire e joueur dont la pile contient le plus de vers est déclaré vainqueur En cas d égalité, les joueurs sont départagés par le pickomino de plus grande valeur possédé

16 Plan 1 Introduction 2 Règles du jeu 3 Processus Décisionnel de Markov Description des états Description des actions Description des probabilités Description des récompenses 4 Expérimentations 5 Conclusion et travaux en cours

17 Pourquoi? Modéliser la prise de décisions dans un tour de jeu : Faut-il continuer? Si oui, quelle valeur conserver? Faut-il s arrêter et picorer? Si oui, quel pickomino? es valeurs conservées jusqu à présent n influent pas sur le résultat du lancer des dés restants

18 Description des états Espace de recherche Un état est représenté par le résultat d un lancer de dés Conserver une valeur réduit au minimum d un le nombre de dés lancés Nombre d états : 8 i=1 i j=1 6j soit Temps de décision inacceptable

19 Description des états Structure l espace de recherche Intuitivement, deux successions de choix peuvent amener au même résultat :

20 Description des états Définition d un état σ : somme des dés conservés N : nombre de dés conservés V C : ensemble des valeurs conservées Un éventuel pickomino picoré Taille de l espace de recherche engendré : environ états

21 Description des actions Définition des actions STOP : a p : picorer le pickomino p ENCORE : a v : sélectionner la valeur v a : perdre son tour Nombre de transitions engendrées : environ 7 332

22 Description des actions Pré-ordre sur le graphe Structurer le graphe selon le cardinal de l ensemble des valeurs conservées

23 Introduction Règles du jeu Processus Décisionnel de Markov Expérimentations Conclusion et travaux en cours Description des actions Perdre son tour et cas particulier S. Cardon, N. Chetcuti-Sperandio, F. Delorme et S. agrue FA - 5 nov Annecy

24 Description des probabilités Calcul des probabilités Picorer est une action déterministe qui amène à un état final Probabilité de perdre ou conserver n valeurs v identiques : Dépend de l ordre dans lequel les résultats des dés sont considérés : le premier résultat est v, les suivants doivent avoir n 1 fois v le premier n est pas v, les suivants doivent avoir n fois v Une partie des valeurs sont conservées : y = V C Binôme de Newton sur dés lancés 6 = (y + (6 y)) = i=0 C i y i (6 y) i

25 Description des probabilités Partition induite e binôme de Newton induit une partition sur le nombre de valeurs obtenues n appartenant pas à V C Probabilité d obtenir X valeurs / V C dans un lancer de dés : M X = CX y X (6 y) X 6

26 Description des probabilités Conserver n fois la valeur v / V C parmi dés Nouvelle application du binôme de Newton n 0 valeur / V C 1 valeur / V C 2 valeurs / V C... valeurs / V C 0 1 C 0 1 y 1 y

27 Description des probabilités Conserver n fois la valeur v / V C parmi dés Nouvelle application du binôme de Newton n 0 valeur / V C 1 valeur / V C 2 valeurs / V C... valeurs / V C 0 1 C1 0 y 1 C 0 (y 1) 2 y 2... C 0 (y 1) y 2 y

28 Description des probabilités Conserver n fois la valeur v / V C parmi dés Nouvelle application du binôme de Newton n 0 valeur / V C 1 valeur / V C 2 valeurs / V C... valeurs / V C 0 1 C 0 1 y 1 y C C y C 1 2 (y 1) 2... C 0 (y 1) y 2 y y 1... C 1 (y 1) 1 y 2 y

29 Description des probabilités Conserver n fois la valeur v / V C parmi dés Nouvelle application du binôme de Newton n 0 valeur / V C 1 valeur / V C 2 valeurs / V C... valeurs / V C 0 1 C1 0 y 1 C 0 (y 1) 2 y 2... C 0 (y 1) y 2 y 1 0 C1 1 1 C 1 y 1 y 2... C 1 (y 1) 1 y 2 y C C 2 (y 1) 2 y 2 y C 1 y

30 Description des probabilités Conserver n fois la valeur v / V C parmi dés Nouvelle application du binôme de Newton n 0 valeur / V C 1 valeur / V C 2 valeurs / V C... valeurs / V C 0 1 C1 0 y 1 C 0 (y 1) 2 y 2... C 0 (y 1) y 2 y 1 0 C1 1 1 C 1 y 1 y 2... C 1 (y 1) 1 y 2 y C C 2 (y 1) 2 y 2 y C 1 y = 1 = 1 = 1... = 1

31 Description des probabilités Conserver n fois la valeur v parmi dés : P n,v, Soit v V C avec une probabilité de y 6, soit v / V C : 6 y 6 Fusion des probabilités d être dans une partie de l espace partitionné avec les probabilités d obtenir n valeurs identiques sachant que v V C ou v / V C : P n,v, = y 6 { MX X=0 C X n X 0 X < n (y 1) X n y X

32 Description des probabilités Conserver n fois la valeur v parmi dés : P n,v, Soit v V C avec une probabilité de y 6, soit v / V C : 6 y 6 Fusion des probabilités d être dans une partie de l espace partitionné avec les probabilités d obtenir n valeurs identiques sachant que v V C ou v / V C : P n,v, = y y 6 { MX X=0 MX X=0 C X n X { 0 X < n (y 1) X n y X C X n X P n,v, = 1 n=0 0 X < n (5 y) X n (6 y) X

33 Description des probabilités Intuition de la preuve P n,v, = n=0 { y MX n=0 6 X=0 C X n X 0 X < n (y 1) X n +... y X

34 Description des probabilités Intuition de la preuve P n,v, = n=0 = y 6 { y MX n=0 6 X=0 X=0 X MX n=0 C X n X C X n X 0 X < n (y 1) X n +... y X (y 1) X n +... y X } {{ } =1

35 Description des probabilités Intuition de la preuve P n,v, = n=0 = y 6 = y 6 { y MX n=0 6 X=0 X=0 X MX n=0 MX X=0 } {{ } =1 C X n X C X n X 0 X < n (y 1) X n +... y X (y 1) X n +... y X } {{ } =1 +...

36 Description des probabilités Intuition de la preuve P n,v, = n=0 = y 6 = y 6 { y MX n=0 6 X=0 X=0 X MX n=0 MX X=0 } {{ } =1 = y 6 + n=0 = y y 6 C X n X C X n X 0 X < n (y 1) X n +... y X (y 1) X n +... y X } {{ } = y 6 = 1 { MX X=0 C X n X 0 X < n (5 y) X n (6 y) X

37 Description des probabilités Probabilité de perdre son tour Probabilité d obtenir aucune valeur identique / V C Pr(a ) = M 0 = y 6

38 Description des récompenses Deux fonctions récompense Binaire (BinaryMarkov) : a récompense pour picorer un pickomino est de 1 a récompense en cas de perte est de 0 En fonction des vers (NbWormsMarkov) : Picorer un pickomino de nombre de vers x chez un adversaire rapporte 2x Picorer un pickomino de nombre de vers x dans la brochette rapporte x Perdre son tour alors que sa pile n est pas vide coûte x où x désigne le nombre de vers du pickomino en sommet de pile Perdre son tour sans conséquence ne rapporte rien

39 Plan 1 Introduction 2 Règles du jeu 3 Processus Décisionnel de Markov Description des états Description des actions Description des probabilités Description des récompenses 4 Expérimentations 5 Conclusion et travaux en cours

40 Expérimentations Utilisation de l algorithme d itération de valeurs avec somme et une variante en ne considérant que l état ayant la meilleure valeur Comparaison avec les techniques décrites dans [1] N. Chetcuti-Sperandio, F. Delorme, S. agrue, and D. Stackowiack. Determination and evaluation of efficient strategies for a stop or roll dice game : Heckmeck am bratwurmeck (pickomino). In IEEE Symposium on Computational Intelligence and Games (CIG 2008), pages , 2008.

41

42 Plan 1 Introduction 2 Règles du jeu 3 Processus Décisionnel de Markov Description des états Description des actions Description des probabilités Description des récompenses 4 Expérimentations 5 Conclusion et travaux en cours

43 Conclusion et travaux en cours Conclusion Après plus de 7 millions de matchs, NbWormsMarkov s est avéré être un adversaire redoutable... Adapter une décision Markovienne sur plusieurs coups Utiliser le graphe du PDM pour calculer la probabilité de picorer un pickomino et adapter un algorithme Min-Max pondéré...

44 Bientôt en ligne... Pickomania

45 Fête de la science le jeudi 19 novembre 2009 à partir de 14h00 faculté des sciences Jean Perrin - ens

V Recherche dans les arbres de jeux

V Recherche dans les arbres de jeux V Recherche dans les arbres de jeux Damien Olivier Damien.Olivier@univ-lehavre.fr Faculte des Sciences et Techniques du Havre Maitrise d informatique - Intelligence Artificielle p.1/30 Plan 1. Quels jeux?

Plus en détail

Intelligence Artificielle Jeux

Intelligence Artificielle Jeux Intelligence Artificielle Jeux Bruno Bouzy http://web.mi.parisdescartes.fr/~bouzy bruno.bouzy@parisdescartes.fr Licence 3 Informatique UFR Mathématiques et Informatique Université Paris Descartes Programmation

Plus en détail

Calculs de probabilités

Calculs de probabilités Calculs de probabilités Mathématiques Générales B Université de Genève Sylvain Sardy 13 mars 2008 1. Définitions et notations 1 L origine des probabilités est l analyse de jeux de hasard, tels que pile

Plus en détail

Les Jeux. Plan. Introduction. Le minimax. Le minimax α / β. Bilan

Les Jeux. Plan. Introduction. Le minimax. Le minimax α / β. Bilan Les Jeux Plan Introduction Qu est-ce qu un jeu? Pourquoi les jeux et quels jeux? Aperçu historique Informatisation Complexité Le minimax Création d un arbre ET / OU Fonction d évaluation Version simplifiée

Plus en détail

HAPPY PIGS! RÈGLES DU JEU

HAPPY PIGS! RÈGLES DU JEU HAPPY PIGS! RÈGLES DU JEU Nombre de joueurs : 3~6 Durée : 30~45 minutes Age : 8+ L HISTOIRE Après avoir fait de l élevage de dindons (voir notre jeu précédent Happy Turkey Day ), les fermiers ont maintenant

Plus en détail

I. Cas de l équiprobabilité

I. Cas de l équiprobabilité I. Cas de l équiprobabilité Enoncé : On lance deux dés. L un est noir et l autre est blanc. Calculer les probabilités suivantes : A «Obtenir exactement un as» «Obtenir au moins un as» C «Obtenir au plus

Plus en détail

PROBABILITÉS CONDITIONNELLES

PROBABILITÉS CONDITIONNELLES PROBABILITÉS ONDITIONNELLES Exercice 01 On considère une roue partagée en 15 secteurs angulaires numérotés de 1 à 15. es secteurs sont de différentes couleurs. On fait tourner la roue qui s'arrête sur

Plus en détail

Les Cartes et leur Valeur

Les Cartes et leur Valeur RÈGLES CANASTA Règle du Jeu de la Canasta Canasta est le nom d une combinaison de 7 cartes qui donne son nom à cette variante de Rami. Le but du Jeu: Le gagnant est le joueur qui est le premier à atteindre

Plus en détail

Dénombrement Probabilité uniforme sur un ensemble fini

Dénombrement Probabilité uniforme sur un ensemble fini UPV - MathsL1S1 1 II Dénombrement Dénombrement Probabilité uniforme sur un ensemble fini I Dénombrement 1) Factorielles : Pour n entier 1, il y a : n! = n.(n - 1). (n - 2) 2.1 façons d aligner n objets

Plus en détail

Poker. A rendre pour le 25 avril

Poker. A rendre pour le 25 avril Poker A rendre pour le 25 avril 0 Avant propos 0.1 Notation Les parties sans * sont obligatoires (ne rendez pas un projet qui ne contient pas toutes les fonctions sans *). Celles avec (*) sont moins faciles

Plus en détail

A R D V V 10 9 8 7 6 5 4 3. Pour jouer au bridge, Quatre joueurs Un jeu de 52 cartes et c'est tout!! Nord. Est. Ouest. Sud

A R D V V 10 9 8 7 6 5 4 3. Pour jouer au bridge, Quatre joueurs Un jeu de 52 cartes et c'est tout!! Nord. Est. Ouest. Sud Pour jouer au bridge, Quatre joueurs Un jeu de 52 cartes et c'est tout!! Nord Ouest Est Sud Est est le partenaire d'ouest Nord est la partenaire de Sud Chaque camp constitue une paire. La position des

Plus en détail

IFT 615 Intelligence artificielle

IFT 615 Intelligence artificielle Département d informatique IFT 615 Intelligence artificielle Plan de cours Hiver 201 Professeur Auxiliaire Froduald Kabanza Courriel : kabanza@usherbrooke.ca Local : D-1022-2 Téléphone : (819) 821-8000,

Plus en détail

Cours de spécialité mathématiques en Terminale ES

Cours de spécialité mathématiques en Terminale ES Cours de spécialité mathématiques en Terminale ES O. Lader 2014/2015 Lycée Jean Vilar Spé math terminale ES 2014/2015 1 / 51 Systèmes linéaires Deux exemples de systèmes linéaires à deux équations et deux

Plus en détail

1. Déterminer l ensemble U ( univers des possibles) et l ensemble E ( événement) pour les situations suivantes.

1. Déterminer l ensemble U ( univers des possibles) et l ensemble E ( événement) pour les situations suivantes. Corrigé du Prétest 1. Déterminer l ensemble U ( univers des possibles) et l ensemble E ( événement) pour les situations suivantes. a) Obtenir un nombre inférieur à 3 lors du lancer d un dé. U= { 1, 2,

Plus en détail

Exercices sur le chapitre «Probabilités»

Exercices sur le chapitre «Probabilités» Arnaud de Saint Julien - MPSI Lycée La Merci 2014-2015 1 Pour démarrer Exercices sur le chapitre «Probabilités» Exercice 1 (Modélisation d un dé non cubique) On considère un parallélépipède rectangle de

Plus en détail

Resolution limit in community detection

Resolution 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 détail

S initier aux probabilités simples «Jets de dé»

S initier aux probabilités simples «Jets de dé» «Jets de dé» 29-21 Niveau 2 Entraînement 1 Objectifs - S entraîner à être capable de déterminer une probabilité. - S initier aux fractions. Applications En classe : envisager un résultat sous l angle d

Plus en détail

2A-SI 4 - Bases de Données 4.4 - Normalisation de schémas relationnels

2A-SI 4 - Bases de Données 4.4 - Normalisation de schémas relationnels 2A-SI 4 - Bases de Données 4.4 - Normalisation de schémas relationnels Stéphane Vialle Stephane.Vialle@supelec.fr http://www.metz.supelec.fr/~vialle Avec l aide du cours de Y. Bourda Intérêt de la «normalisation»

Plus en détail

Ce rêve est devenu réalité.

Ce rêve est devenu réalité. Vous venez de trouver une règle mise en ligne par un collectionneur qui, depuis 1998, partage sa collection de jeux de société et sa passion sur Internet. Imaginez que vous puissiez accéder, jour et nuit,

Plus en détail

Curriculum Vitae. version complète

Curriculum Vitae. version complète Curriculum Vitae version complète Stéphane Cardon Juin 2013 Table des matières CV............................................ 3 Enseignement................................... 5 1 - Synthèse des activités

Plus en détail

Contenu et préparation

Contenu et préparation Une palpitante chasse aux cartes à grands coups de dés Pour 2 à 6 experts en moutons à partir de 10 ans Depuis qu on lui a offert les nouveaux ciseaux «Kicoup 2010», Jacques, le coiffeur du troupeau, est

Plus en détail

Ce rêve est devenu réalité.

Ce rêve est devenu réalité. Vous venez de trouver une règle mise en ligne par un collectionneur qui, depuis 1998, partage sa collection de jeux de société et sa passion sur Internet. Imaginez que vous puissiez accéder, jour et nuit,

Plus en détail

Ce rêve est devenu réalité!

Ce rêve est devenu réalité! Vous venez de trouver une règle mise en ligne par un collectionneur qui, depuis 1998, partage sa collection de jeux de société et sa passion sur Internet. Imaginez que vous puissiez accéder, jour et nuit,

Plus en détail

Un algorithme de composition musicale

Un algorithme de composition musicale Un algorithme de composition musicale Table des matières Présentation Le compositeur. Le code PMX.................................................. Structures de données utilisées........................................

Plus en détail

L3-2014/2015 Mercredi 14 janvier Mathématiques Discrètes. Examen. Exercice 1.

L3-2014/2015 Mercredi 14 janvier Mathématiques Discrètes. Examen. Exercice 1. Examen Exercice 1. Soit N un entier naturel 2. On dispose de trois jeux de N cartes (numérotées de 1 à N), chaque jeu étant d une couleur différente : rouge, bleue et verte. On se propose de distribuer

Plus en détail

Probabilités Loi binomiale Exercices corrigés

Probabilités Loi binomiale Exercices corrigés Probabilités Loi binomiale Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : épreuve de Bernoulli Exercice 2 : loi de Bernoulli de paramètre

Plus en détail

Il y a trois branches avec un seul pile pour un total de 8 branches donc la probabilité d avoir exactement une fois pile est de 3/8 = 0,375

Il y a trois branches avec un seul pile pour un total de 8 branches donc la probabilité d avoir exactement une fois pile est de 3/8 = 0,375 OILITES Un arbre permet de modéliser une situation et de déterminer une probabilité dans le cas où on étudie plusieurs événements. Il est particulièrement bien adapté à la répétition d expériences, aux

Plus en détail

Probabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2

Probabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2 Probabilités Table des matières I Petits rappels sur le vocabulaire des ensembles 2 I.1 s................................................... 2 I.2 Propriétés...................................................

Plus en détail

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini.

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. 1 Introduction Des actions comme lancer un dé, tirer une carte d un jeu, observer la durée de vie d une ampoule électrique, etc...sont

Plus en détail

Support du cours de Probabilités IUT d Orléans, Département d informatique

Support du cours de Probabilités IUT d Orléans, Département d informatique Support du cours de Probabilités IUT d Orléans, Département d informatique Pierre Andreoletti IUT d Orléans Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences) - Bureau 126 email: pierre.andreoletti@univ-orleans.fr

Plus en détail

Cours 1: lois discrétes classiques en probabilités

Cours 1: lois discrétes classiques en probabilités Cours 1: lois discrétes classiques en probabilités Laboratoire de Mathématiques de Toulouse Université Paul Sabatier-IUT GEA Ponsan Module: Stat inférentielles Définition Quelques exemples loi d une v.a

Plus en détail

Théorie des Langages

Théorie des Langages Théorie des Langages Automates Claude Moulin Université de Technologie de Compiègne Printemps 2013 Sommaire 1 Automate fini 2 Automate et langages réguliers 3 Automate à pile Automate fini déterministe

Plus en détail

CHAPITRES 5 et 6 PROBABILITÉS ET DÉNOMBREMENTS

CHAPITRES 5 et 6 PROBABILITÉS ET DÉNOMBREMENTS 1 re EFG hapitres et Probabilités et dénombrements HAPITRES et PROBABILITÉS ET DÉNOMBREMENTS Exercice 1 Dans un magasin les modes de paiement et les montants des achats sont répartis de la façon suivante

Plus en détail

But du jeu. Mise en place. Déroulement du jeu

But du jeu. Mise en place. Déroulement du jeu 2-4 Joueurs - 30/45 mn Les règles qui suivent sont pour 3 et 4 joueurs. En fin de livret, vous trouverez la règle pour 4 joueurs en équipe ainsi que la règle pour 2 joueurs. 1808 Mer de Chine Jeune pirate

Plus en détail

Introduction aux jeux combinatoires

Introduction aux jeux combinatoires Laurent Beaudou Institut Fourier - CNRS Université Joseph Fourier Grenoble, France Semaine Sport-Etude des MIM Les 7 Laux, Janvier 2008 1 / 39 De quoi il parle déjà? Les Jeux combinatoires : Grande famille

Plus en détail

Antoine Cornuéjols AgroParisTech

Antoine Cornuéjols AgroParisTech Antoine Cornuéjols AgroParisTech antoine.cornuejols@agroparistech.fr http://www.lri.fr/~antoine Cours IA 1. Introduction 2. Cas des jeux entièrement explorables 3. L algorithme du MinMax 4. Amélioration

Plus en détail

Stand Probabilite s et football

Stand Probabilite s et football Stand Probabilite s et football Dominos... A la de couverte des probabilite s On joue avec deux de s a 6 faces. Essayez de trouver intuitivement quelle est la probabilite : - d obtenir un avec un de a

Plus en détail

Espace de probabilité, indépendance et probabilité conditionnelle

Espace de probabilité, indépendance et probabilité conditionnelle Chapter 2 Espace de probabilité, indépendance et probabilité conditionnelle Sommaire 2.1 Tribu et événements........................................... 15 2.2 Probabilité................................................

Plus en détail

Fonctions d évaluation

Fonctions d évaluation Chapitre 1 Fonctions d évaluation 1.1 In uence de la représentation du problème La façon dont on représente un jeu et les coups de ce jeu peut avoir une grande in- uence sur la dif culté d un jeu. De même,

Plus en détail

Modèles et simulations informatiques des problèmes de coopération entre agents

Modèles et simulations informatiques des problèmes de coopération entre agents Modèles et simulations informatiques des problèmes de coopération entre agents Bruno Beaufils LIFL Axe CIM Équipe SMAC Laboratoire d'informatique Plan 1. Motivations 2. Dilemme itéré du prisonnier 3. Simulations

Plus en détail

Inter'Action 2014 : Jeux de Nim sur les graphes.

Inter'Action 2014 : Jeux de Nim sur les graphes. Qu'est-ce qu'un jeu combinatoire 9 mai 204 Qu'est-ce qu'un jeu combinatoire 2 Le jeu de Nim : un exemple de partie. Le jeu de Nim : Deux joueurs : Plusieurs piles de jetons. On retire alternativement autant

Plus en détail

y y Contenu du jeu v Mélangez les Ranchs avec les Titres de propriété. Faitesen

y y Contenu du jeu v Mélangez les Ranchs avec les Titres de propriété. Faitesen Regles du jeu 1 2 La petite ville de Dice Town voit s installer de plus en plus d aventuriers attirés par l or et l argent facile. Pour satisfaire tout ce beau monde, les divers lieux de la ville offrent

Plus en détail

Simulation centrée individus

Simulation centrée individus Simulation centrée individus Théorie des jeux Bruno BEAUFILS Université de Lille Année 4/5 Ce document est mis à disposition selon les termes de la Licence Creative Commons Attribution - Partage dans les

Plus en détail

Chap. 2. Langages et automates

Chap. 2. Langages et automates Chapitre 2. Langages et automates 1. Quelques définitions et description d un langage. 2. Les expressions régulières. 3. Les automates fini déterministes et non-déterministes. 4. Construction automatique

Plus en détail

Jeux mathématiques pour des apprentissages numériques

Jeux mathématiques pour des apprentissages numériques Jeux mathématiques pour des apprentissages numériques Miryam Massot Leprince Josiane Pétard Juin 2005 Jeux de dominos 1. Les dominos en Normandie 2. Dominos 3. Les dominos hongrois 4. Matador 5. Le chicago

Plus en détail

Apprendre la stratégie de l adversaire

Apprendre la stratégie de l adversaire M1 Master d informatique 28/29 Apprentissage à Partir d Exemples janvier 29 Apprendre la stratégie de l adversaire 1 But Soit un jeu à deux joueurs quelconque. Supposons que l un des deux joueurs suive

Plus en détail

Chapitre 6. Modélisation en P.L.I. 6.1 Lien entre PL et PLI. 6.1.1 Approximation de la PLI

Chapitre 6. Modélisation en P.L.I. 6.1 Lien entre PL et PLI. 6.1.1 Approximation de la PLI Chapitre 6 Modélisation en P.L.I. 6.1 Lien entre PL et PLI (P) problème de PL. On restreint les variables à être entières : on a un problème de PLI (ILP en anglais). On restreint certaines variables à

Plus en détail

Analyse Combinatoire

Analyse Combinatoire Analyse Combinatoire 1) Équipes On dispose d un groupe de cinq personnes. a) Combien d équipes de trois personnes peut-on former? b) Combien d équipes avec un chef, un sous-chef et un adjoint? c) Combien

Plus en détail

Automatisation de la certification formelle de systèmes critiques par instrumentation d interpréteurs abstraits

Automatisation de la certification formelle de systèmes critiques par instrumentation d interpréteurs abstraits 1 d Automatisation de la certification formelle de systèmes critiques par instrumentation d sous la direction de Michaël Périn Soutenance de Thèse de Doctorat Université de Grenoble - Laboratoire Verimag

Plus en détail

Théorie des graphes. Introduction. Programme de Terminale ES Spécialité. Résolution de problèmes à l aide de graphes. Préparation CAPES UCBL

Théorie des graphes. Introduction. Programme de Terminale ES Spécialité. Résolution de problèmes à l aide de graphes. Préparation CAPES UCBL Introduction Ces quelques pages ont pour objectif de vous initier aux notions de théorie des graphes enseignées en Terminale ES. Le programme de Terminale (voir ci-après) est construit sur la résolution

Plus en détail

Intelligence Artificielle Introduction

Intelligence Artificielle Introduction Intelligence Artificielle Introduction Bruno Bouzy http://web.mi.parisdescartes.fr/~bouzy bruno.bouzy@parisdescartes.fr Licence 3 Informatique UFR Mathématiques et Informatique Université Paris Descartes

Plus en détail

1 Introduction. 2 Algorithmes sans élagage. 2.1 Minimax. Chapitre 3 : Jeux (Février 2007, Pierre Gançarski)

1 Introduction. 2 Algorithmes sans élagage. 2.1 Minimax. Chapitre 3 : Jeux (Février 2007, Pierre Gançarski) Chapitre 3 : Jeux (Février 2007, Pierre Gançarski) 1 Introduction Quatre caractérisques pour les jeux étudiés : jeux à deux : deux adversaires eectuent alternativement des coups, chaque défaillance de

Plus en détail

Calcul élémentaire des probabilités

Calcul élémentaire des probabilités Myriam Maumy-Bertrand 1 et Thomas Delzant 1 1 IRMA, Université Louis Pasteur Strasbourg, France Licence 1ère Année 16-02-2006 Sommaire Variables aléatoires. Exemple 1. (Jeu d argent) Exemple 2. Loi de

Plus en détail

Probabilités. Une urne contient 3 billes vertes et 5 billes rouges toutes indiscernables au toucher.

Probabilités. Une urne contient 3 billes vertes et 5 billes rouges toutes indiscernables au toucher. Lycée Jean Bart PCSI Année 2013-2014 17 février 2014 Probabilités Probabilités basiques Exercice 1. Vous savez bien qu un octet est une suite de huit chiffres pris dans l ensemble {0; 1}. Par exemple 01001110

Plus en détail

Feuille d exercices 2 : Espaces probabilisés

Feuille d exercices 2 : Espaces probabilisés Feuille d exercices 2 : Espaces probabilisés Cours de Licence 2 Année 07/08 1 Espaces de probabilité Exercice 1.1 (Une inégalité). Montrer que P (A B) min(p (A), P (B)) Exercice 1.2 (Alphabet). On a un

Plus en détail

Modèles stochastiques et applications à la finance

Modèles stochastiques et applications à la finance 1 Université Pierre et Marie Curie Master M1 de Mathématiques, 2010-2011 Modèles stochastiques et applications à la finance Partiel 25 Février 2011, Durée 2 heures Exercice 1 (3 points) On considère une

Plus en détail

Marchands de Venise MATÉRIEL LES SURFACES DE JEU -La pile de biens La carte La piste des points Ducats (score) La main du joueur La pile Cargaison

Marchands de Venise MATÉRIEL LES SURFACES DE JEU -La pile de biens La carte La piste des points Ducats (score) La main du joueur La pile Cargaison Marchands de Venise Par Emanuele Ornells Traduit de l anglais par www.coronetdragon.com MATÉRIEL -98 cartes biens -1 carte Venise -5 cartes d aide de jeu -5 cartes marchand (dans cinq couleurs) -10 cubes

Plus en détail

Projet Techniques de Programmation en C

Projet Techniques de Programmation en C Projet Techniques de Programmation en C PokerStat DESCRIPTION DU PROJET : 1 REALISATION DU PROJET 2 ROBUSTESSE DU GENERATEUR DE HASARD DE L'ORDINATEUR PROBABILITE BRUTE D'OBTENIR UNE COMBINAISON CALCUL

Plus en détail

Jeux de dés et de dominos

Jeux de dés et de dominos Règles Jeux de dés et de dominos pour des apprentissages numériques à l école maternelle M. Massot-Leprince CPC D. Auvray - S. Oursel-Cailly PE Falaise (14) Mai 2013 1 Table des matières Jeux à 1 dé...

Plus en détail

Algorithmes de tri. 1 Introduction

Algorithmes de tri. 1 Introduction Algorithmes de tri L objectif de ce document est de présenter plusieurs algorithmes classiques de tri. On commence par présenter chaque méthode de manière intuitive, puis on détaille un exemple d exécution

Plus en détail

Apprentissage par exploration

Apprentissage par exploration Apprentissage par exploration 1/32 Introduction Méthode particulière d acquisition de connaissance : apprentissage artificiel, à partir d induction. obtention des connaissances à partir d exemples. On

Plus en détail

PROBABILITÉS. I) Introduction, aperçu historique. Loi de probabilité

PROBABILITÉS. I) Introduction, aperçu historique. Loi de probabilité Table des matières PROBABILITÉS Résumé de cours I) Introduction, aperçu historique 1 II) Loi de probabilité 1 III)Probabilité d évènement 2 1. Le vocabulaire des probabilités................................

Plus en détail

UNIVERSITÉ DE CERGY. LICENCE d ÉCONOMIE et FINANCE LICENCE de GESTION. Seconde année - Semestre 3 PROBABILITÉS. Cours de M. J.

UNIVERSITÉ DE CERGY. LICENCE d ÉCONOMIE et FINANCE LICENCE de GESTION. Seconde année - Semestre 3 PROBABILITÉS. Cours de M. J. Année 2013-2014 UNIVERSIÉ DE CERGY LICENCE d ÉCONOMIE et FINANCE LICENCE de GESION Seconde année - Semestre 3 PROBABILIÉS Cours de M. J. Stéphan ravaux Dirigés de Mme M. Barrié, M. J-M. Chauvet et M. J.

Plus en détail

Chaînes de Markov au lycée

Chaînes de Markov au lycée Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat

Plus en détail

Jeux-Langages-Logique Jeux extensifs, jeux stratégiques

Jeux-Langages-Logique Jeux extensifs, jeux stratégiques Université de Bordeaux Master Informatique, 2015/2016 Jeux extensifs, à information complète Jeux-Langages-Logique Jeux extensifs, jeux stratégiques Exercice 2.1 Th. de Von Neumann Soit un graphe orienté

Plus en détail

S initier aux probabilités simples «Question de chance!»

S initier aux probabilités simples «Question de chance!» «Question de chance!» 29-11 Niveau 1 Entraînement 1 Objectifs - S entraîner à activer la rapidité du balayage visuel. - Réactiver le comptage par addition jusqu à 20. - Développer le raisonnement relatif

Plus en détail

LUCKY LOOP. Le Clube. 2 à 6 joueurs + 8 ans 60 mn

LUCKY LOOP. Le Clube. 2 à 6 joueurs + 8 ans 60 mn LUCKY LOOP [ Venise ] 2 à 6 joueurs + 8 ans 60 mn CONTENU K. Hartwig and W. Panning 2003 Queen traduction Vil Coyote 1.0 Matériel : 64 cartes acrobatie représentant 4 figures différentes, chacune avec

Plus en détail

Introduction aux automates

Introduction aux automates Introduction aux automates Principes et exemples Pascal André IRIN Université de Nantes 2 rue de la Houssinière ; B.P. 92208 44322 Nantes Cedex 03 Pascal.Andre@irin.univ-nantes.fr Introduction aux automates

Plus en détail

Module GS «Numération et jeux de société»

Module GS «Numération et jeux de société» Compétences travaillées : Module GS «Numération et jeux de société» Connaître la comptine numérique Reconnaître globalement et exprimer des petites quantités organisées en configuration connues Dénombrer

Plus en détail

Terminale S-SI Probabilités conditionnelles

Terminale S-SI Probabilités conditionnelles robabilités conditionnelles Table des matières 1 Introduction 2 2 Définitions 2 3 Formule des probabilités totales 3 4 Indépendance et principe du produit 5 5 Exercices 5 1 1 Introduction Lorsque 7 élèves

Plus en détail

b) Exprimer B à l aide des événements A n et en déduire la probabilité de B Exercice 1.4. Inégalité de Bonferroni.

b) Exprimer B à l aide des événements A n et en déduire la probabilité de B Exercice 1.4. Inégalité de Bonferroni. MP 205/6 Feuille d exercices - Probabilités généralités). Univers, généralités Exercice.. Langage des probabilités. Soit Ω, A) un espace probabilisable. Soit A n ) n N une famille d événements et A, B,

Plus en détail

Faces des Dés de Donjon. Faces des Dés de Groupe

Faces des Dés de Donjon. Faces des Dés de Groupe Prototype du livre de règles Veuillez noter que ces règles ne sont pas finales. Les règles présentées ici le sont à 99.9%, mais les illustrations le sont à 0%! Ce livre de règles à l état de prototype

Plus en détail

10 Jeu. Chapitre. Pour votre divertissement l appareil PV contient deux jeux. Ces jeux sont intitulés Game-1 et Game-2.

10 Jeu. Chapitre. Pour votre divertissement l appareil PV contient deux jeux. Ces jeux sont intitulés Game-1 et Game-2. Chapitre 10 Jeu Pour votre divertissement l appareil PV contient deux jeux. Ces jeux sont intitulés Game-1 et Game-2. Entrée dans le mode Jeu et sélection d un jeu... 130 Jeu 1... 130 Règle du jeu... 131

Plus en détail

UVHC - ENSIAME CP1 - Probabilités - Interrogation Enseignante : Madame BOURLARD-JOSPIN Calculatrice autorisée

UVHC - ENSIAME CP1 - Probabilités - Interrogation Enseignante : Madame BOURLARD-JOSPIN Calculatrice autorisée UVHC - ENSIAME CP1 - Probabilités - Interrogation Enseignante : Madame BOURLARD-JOSPIN Calculatrice autorisée 1. On tire successivement et sans remise deux cartes d un jeu de 52 cartes. Soit A l événement

Plus en détail

Théorie des langages. Automates à pile. Elise Bonzon http://web.mi.parisdescartes.fr/ bonzon/ elise.bonzon@parisdescartes.

Théorie des langages. Automates à pile. Elise Bonzon http://web.mi.parisdescartes.fr/ bonzon/ elise.bonzon@parisdescartes. Automates à pile Elise Bonzon http://web.mi.parisdescartes.fr/ bonzon/ elise.bonzon@parisdescartes.fr 1 / 62 Automates à pile Introduction Rappels sur les piles Automates à pile : définition Automates

Plus en détail

Intelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com

Intelligence 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 détail

Arbres binaires de recherche

Arbres binaires de recherche Chapitre 6 Arbres binaires de recherche 6.1 Introduction On a étudié le problème de la recherche dans une collection d éléments ordonnés entre eux : on a montré que Pour une liste contiguë, la recherche

Plus en détail

Cours de Probabilités et de Statistique

Cours de Probabilités et de Statistique Cours de Probabilités et de Statistique Licence 1ère année 2007/2008 Nicolas Prioux Université Paris-Est Cours de Proba-Stat 2 L1.2 Science-Éco Chapitre Notions de théorie des ensembles 1 1.1 Ensembles

Plus en détail

Chapitre 5 Les Probablilités

Chapitre 5 Les Probablilités A) Introduction et Définitions 1) Introduction Chapitre 5 Les Probablilités De nombreuses actions provoquent des résultats qui sont dus en partie ou en totalité au hasard. Il est pourtant nécessaire de

Plus en détail

Page 2 : Règle du jeu Poker (3-4 joueurs) Page 4 : Les faces Page 5 : Tapis D-foot à imprimer (3-4 joueurs)

Page 2 : Règle du jeu Poker (3-4 joueurs) Page 4 : Les faces Page 5 : Tapis D-foot à imprimer (3-4 joueurs) Page 2 : Règle du jeu Poker (3-4 joueurs) Page 4 : Les faces Page 5 : Tapis D-foot à imprimer (3-4 joueurs) www.dfoot.fr contact@dfoot.fr Regles du jeu Dfoot Poker 3-4 joueurs D Foot, c est quoi? D Foot

Plus en détail

Nouvelles 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 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 détail

Processus Décisionnels Markoviens

Processus Décisionnels Markoviens 1 Patrice Perny RHAD Cours 4.2 - Processus décisionnels Markoviens Processus Décisionnels Markoviens Représentation d une interaction synchrone entre un agent et le monde États Monde Agent Actions Planification

Plus en détail

Rallye Mathématiques de liaison 3 ème /2 nde et 3 ème /2 nde pro Epreuve finale Jeudi 21 mai 2015 Durée : 1h45

Rallye Mathématiques de liaison 3 ème /2 nde et 3 ème /2 nde pro Epreuve finale Jeudi 21 mai 2015 Durée : 1h45 Rallye Mathématiques de liaison 3 ème /2 nde et 3 ème /2 nde pro Epreuve finale Jeudi 21 mai 2015 Durée : 1h45 Précisions pour les problèmes 1 et 2 : Pour ces problèmes, on attend une narration de recherche

Plus en détail

«Argumentaire» À propos d un type d affrontement

«Argumentaire» À propos d un type d affrontement Formation initiale «Argumentaire» À propos d un type d affrontement Nous vous proposons une situation extraite du livre «la formation initiale» (page 80-81) de Maurice Portes auquel cet article fait référence.

Plus en détail

PROBABILITÉS CONDITIONNELLES

PROBABILITÉS CONDITIONNELLES PROBABILITÉS CONDITIONNELLES A.FORMONS DES COUPLES Pour la fête de l école, les élèves de CE 2 ont préparé une danse qui s exécute par couples : un garçon, une fille. La maîtresse doit faire des essais

Plus en détail

Processus Markoviens Déterministes par Morceaux et Fiabilité Dynamique

Processus Markoviens Déterministes par Morceaux et Fiabilité Dynamique Processus Markoviens Déterministes par Morceaux et Fiabilité Dynamique Karen Gonzalez Benoîte de Saporta et François Dufour IMB, Université Bordeaux Neuvième Colloque Jeunes Probabilistes et Statisticiens

Plus en détail

Probabilités sur un univers fini

Probabilités sur un univers fini [http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur

Plus en détail

1 Force brute. 2 Analyse. 3 Conception préliminaire. 4 Conception détaillée. 5 Développement. 6 Conclusion. Architecture des Systèmes d Information

1 Force brute. 2 Analyse. 3 Conception préliminaire. 4 Conception détaillée. 5 Développement. 6 Conclusion. Architecture des Systèmes d Information Plan Puissance 4 intelligent I3 Algorithmique Nicol Delestre 1 Force brute 2 Analyse 3 Conception préliminaire 4 Conception détaillée 5 Développement 6 Conclusion Puissance 4. v2.0 1 / 29 Puissance 4.

Plus en détail

Caylus : Magna Carta - Règles d initiation. Il était une fois... But du Jeu. Préparation

Caylus : Magna Carta - Règles d initiation. Il était une fois... But du Jeu. Préparation Caylus : Magna Carta - Règles d initiation Un jeu de William Attia Illustrations d Arnaud Demaegd Design de Cyril Demaegd FAQ et forum : http://www.ystari.com Bienvenue dans la version d initiation des

Plus en détail

collège des flandres : http://www5.ac-lille.fr/~clgflandres/maths/mathscours.html Activité cours : Probabilité

collège des flandres : http://www5.ac-lille.fr/~clgflandres/maths/mathscours.html Activité cours : Probabilité Le cours de M. Haguet collège des flandres : http://www5.ac-lille.fr/~clgflandres/maths/mathscous.html Activité cours : Probabilité I) Expérience aléatoire a) Exemples d'expériences pile ou face jeu de

Plus en détail

Chapitre 1 - Suites. Suites géométriques. I.1 Définition et propriétés

Chapitre 1 - Suites. Suites géométriques. I.1 Définition et propriétés Chapitre 1 - Suites I Suites géométriques I.1 Définition et propriétés TD 1 : Évolutions de populations Le premier janvier 2011, une ville A compte 350 000 habitants. A la même date, une ville B compte

Plus en détail

Exercices : VAR discrètes

Exercices : VAR discrètes Exercices : VAR discrètes Exercice 1: Une urne contient 2 boules blanches et 4 boules noires. On tire les boules une à une sans les remettre jusqu à ce qu il ne reste que des boules d une seule couleur

Plus en détail

Ce rêve est devenu réalité!

Ce rêve est devenu réalité! Vous venez de trouver une règle mise en ligne par un collectionneur qui, depuis 1998, partage sa collection de jeux de société et sa passion sur Internet. Imaginez que vous puissiez accéder, jour et nuit,

Plus en détail

Nombre de joueurs : 2 joueurs à + Nombre de dés : 5 Âge : De 8 à +

Nombre de joueurs : 2 joueurs à + Nombre de dés : 5 Âge : De 8 à + Le Yams Nombre de joueurs : 2 joueurs à + Nombre de dés : 5 Âge : De 8 à + Prévoir un crayon et imprimer autant de grille que de joueurs. But du jeu : Avoir le plus de point à la fin d une manche. La manche

Plus en détail

Ch.12 : Loi binomiale

Ch.12 : Loi binomiale 4 e - programme 2007 - mathématiques ch.12 - cours Page 1 sur 5 1 RÉPÉTITION D'EXPÉRIENCES INDÉPENDANTES Lancer plusieurs fois un dé et noter les résultats successifs. Ch.12 : Loi binomiale Prélever des

Plus en détail

Algorithmique et Programmation Projets 2012/2013

Algorithmique et Programmation Projets 2012/2013 3 Dames 3. Objectif Il s agit d écrire un programme jouant aux Dames selon les règles. Le programme doit être le meilleur possible. Vous utiliserez pour cela l algorithme α β de recherche du meilleur coup

Plus en détail

Fluctuation d une fréquence selon les échantillons - Probabilités

Fluctuation d une fréquence selon les échantillons - Probabilités Fluctuation d une fréquence selon les échantillons - Probabilités C H A P I T R E 3 JE DOIS SAVOIR Calculer une fréquence JE VAIS ÊTRE C APABLE DE Expérimenter la prise d échantillons aléatoires de taille

Plus en détail

Puissance 4 intelligent I3 Algorithmique

Puissance 4 intelligent I3 Algorithmique Puissance 4 intelligent I3 Algorithmique Nicol Delestre Puissance 4. v2.0 1 / 29 Plan 1 Force brute 2 Analyse 3 Conception préliminaire 4 Conception détaillée 5 Développement 6 Conclusion Puissance 4.

Plus en détail

Sujet à finir pour le jeudi 8 janvier 2015 23h59 À rendre par mail à aurelie.lagoutte@ens-lyon.fr

Sujet à finir pour le jeudi 8 janvier 2015 23h59 À rendre par mail à aurelie.lagoutte@ens-lyon.fr ENS Lyon L3 Info PROJ1 2014 2015 Projet Caml : Jeux de cartes 1 Consignes Sujet à finir pour le jeudi 8 janvier 2015 23h59 À rendre par mail à aurelie.lagoutte@ens-lyon.fr Forme Vous devez rendre le fichier.ml

Plus en détail

Répresenter l uncertain: Réseaux Bayesiens

Répresenter l uncertain: Réseaux Bayesiens Répresenter l uncertain: Réseaux Bayesiens M1 Miage 2015 2016 Intelligence Artificielle Stéphane Airiau LAMSADE M1 Miage 2015 2016 Intelligence Artificielle (Stéphane Airiau) Répresenter l uncertain: Réseaux

Plus en détail