Intelligence Articielle (1) Introduction
|
|
- Gaspard Delorme
- il y a 8 ans
- Total affichages :
Transcription
1 1/32 Introduction Un peu d'histoire Les nouveaux dés Intelligence Articielle (1) Introduction Pierre Gançarski Université de Strasbourg IUT Robert Schuman DUT Informatique
2 /32 Plan 1 Introduction 2 Un peu d'histoire 3 Les nouveaux dés
3 3/32 Introduction Un peu d'histoire Les nouveaux dés Introduction Qu'est ce que l'intelligence articielle? L'expression intelligence articielle est apparue en 1956 pour désigner la problématique fondamentale : Comment concevoir une machine intelligente? Construire une machine intelligente? Deux types de réponses : une machine sera considérée comme intelligente si elle reproduit le comportement d'un être humain dans un domaine spécique ou non une machine sera considérée comme intelligente si elle modélise le fonctionnement d'un être humain
4 4/32 Introduction Un peu d'histoire Les nouveaux dés Exemple du jeu d'échecs Remarques préalables 1. On admet communément que savoir jouer aux échecs est une capacité humaine qui requiert de l'intelligence 2. Le but de ce cours n'est pas de dénir ce qu'est l'intelligence
5 5/32 Introduction Un peu d'histoire Les nouveaux dés Exemple du jeu d'échecs Les deux solutions possibles 1. On essaie avant tout à obtenir un programme ecace : peut importe que la machine fasse des calculs inaccessibles à l'homme comme explorer quelques centaines (ou milliards) de positions à la seconde : complexité en O(p n ) où p est le nombre moyen de coups légaux dans une position donnée, n est la profondeur étudiée Si on veut étudier par exemple 11 coups en avance et qu'il y a en moyenne 40 coups possibles : (2 2 10) coups coups IBM Deeper Blue (1997) : opérations/s de combinaisons/s 10 9 secondes 192 jours (en fait, il ne calculait que sur 6 coups) Supercalculateur CURIE (2012) : opérations/s 10 2 secondes 1,5 minutes si on considére qu'il faut une seule opération par combinaison!!! Pocket Fritz 4 HTC (2009) : mêmes résultats en terme de victoires que Deep Blue avec seulement 4 coups et positions/seconde.
6 6/32 Introduction Un peu d'histoire Les nouveaux dés Exemple du jeu d'échecs Les deux solutions possibles 1. On essaie avant tout à obtenir un programme ecace : peut importe que la machine fasse des calculs inaccessibles à l'homme comme explorer quelques centaines (ou milliards) de positions à la seconde 2. On cherche à comprendre/imiter comment l'homme joue aux échecs : interviews des grands maîtres, étude des parties, recherche des règles plus ou moins consciemment suivies par les joueurs (occupation du centre, domination d'une couleur de case, etc.) an d'en déduire des statégies de jeu. Les deux approches de l'ia Ces deux approches illustrent bien les deux courants de pensées en IA : les pragmatistes et les cogniticiens.
7 7/32 Introduction Un peu d'histoire Les nouveaux dés Approche pragmatique Paradigme Utiliser l'ordinateur au mieux de ses capacités pour obtenir de meilleurs résultats que ceux que pourrait obtenir un humain. Une machine intelligente est une boîte noire où entrerait des données du problème et sortirait des résultats sans que l'on se préoccupe de ce qui se passe dans la boîte. La boîte serait considérée comme intelligente si elle réussit les mêmes tests que réussirait un être humain : le plus célébre est le test de Turing
8 8/32 Introduction Un peu d'histoire Les nouveaux dés Approche pragmatique Tests de Turing Jeu de l'imitation : Un homme, une femme et un observateur sont chacun dans une pièce : L'observateur doit déterminer avec des questions du type :Comment sont vos cheveux? qui est la femme et qui est l'homme. Les intervenant ne se voit pas entre eux, les voix sont déformées,... Un des deux joueurs (l'homme) doit essayer d'induire en erreur l'observateur, l'autre essaie au contraire de l'aider. On remplace l'homme par une machine
9 9/32 Introduction Un peu d'histoire Les nouveaux dés Approche pragmatique Tests de Turing Alan Turing postule alors que si la machine fait au moins aussi bien que l'humain (elle trompe l'observateur), alors elle est intelligente. Si l'on peut confondre les deux comportements alors on peut considérer que le programme exécuté est équivalent à un esprit.
10 10/32 Approche pragmatique Mise en oeuvre Dans le cadre de cette approche de nombreuses techniques d'ia (espaces d'états, parcours d'arbres, algorithmes minimaux, etc.) existent mais ils modèlisent peu le fonctionnement d'un esprit humain. On dit souvent que cette approche est de l'ia faible car la valeur du mot penser est extrêment faible.
11 11/32 Approche cognitive Paradigme L'IA est la réalisation de programmes imitant dans leur fonctionnement l'esprit humain. L'étude des raisonnements humains est une n en soi. Le but est d'étudier et de généraliser le concept d'intelligence en essayant de donner une description abstraite des mécanismes qui la rendent possible on étudie comment une capacité cognitive dénie de manière abstraite peut s'incarner dans un système informatique.
12 12/32 Approche cognitive Mise en oeuvre Dans cette approche on utilise des systèmes symboliques décrivant d'une part des connaissances et des moyens de les utiliser et surtout, d'autre part, des moyens de découvrir automatiquement de nouvelles connaissances soit par extraction de connaissances soit par inférence de nouvelles d'améliorer la façon de les utiliser Apprentissage symbolique
13 13/32 Limites des deux approches la force brute de l'ordinateur ne sut jamais à résoudre les problèmes les plus compliqués : il est nécessaire d'y adjoindre ds heuristiques, des méthodes de représentations des connaissances qui proviennent le plus souvent d'une analyse de la manière dont nous fonctionnons l'approche cognitive n'a pas donné les résultats escomptés car on a du mal à savoir comment fonctionne l'esprit humain d'autres paradigmes ont vu le jour
14 14/32 Les autres approches Connexionisme Modèlisation très grossière, très imparfaite et très réductrice du fonctionnement des neurones du cerveau humain. Un système connexionniste est formé de noeuds interconnectés capable d'apprendre automatiquement un certain nombre d'exemples puis de les généraliser d'une façon empirique sans qu'il faille à aucun moment décrire une quelconque symbolique de la connaissance.
15 15/32 Les autres approches L'algorithmique adaptative Les algorithmes génétiques sont des algorithmes dérivés de la génétique et de l'évolution naturelle : croisements, mutations,... Un algorithme génétique réalise une optimisation de la ou des solutions par évolution : 1. génération aléatoire de solutions 2. mesure de la qualité de chacune solution : fonction d'évaluation 3. reproduction des meilleures solutions 4. croisement mutation aléatoire des solutions retenues 5. si la ou les solutions sont satisfaisantes : Fin sinon retour en 2
16 Introduction Un peu d'histoire Les nouveaux dé s Les autres approches Vie arti cielle - émergence Société d'experts (approche multi-agents). Émergence : donner aux agents des mécanismes de base (manger, se déplacer, et quelques connaissances) et les laisser trouver par eux-mêmes le meilleur moyen de survivre : fourmi 16/32 apparition d'une intelligence collective.
17 17/32 Mais qu'est-ce qu'est réellement l'intelligence articielle? Une dénition actuelle L'intelligence articielle a pour but de faire exécuter par un ordinateur des tâches pour lesquelles l'homme, dans un contexte donné, est aujourd'hui meilleur que la machine. Autrement dit l'ia doit permettre de programmer des ordinateurs de façon à ce qu'ils montrent des caractéristiques normalement associées à l'intelligence humaine : compréhension du langage, apprentissage, résolution de problèmes, raisonnement... correspondant à des classes de problèmes pour lesquels on pense qu'il n'existe pas d'algorithme exact : non calculable ou NP-complet
18 8/32 Plan 1 Introduction 2 Un peu d'histoire 3 Les nouveaux dés
19 19/ Les pionners l'ia comme méthode générale : mise en oeuvre des idées déjà anciennes sur les machines intelligences Alan Turing : Computing Machinery and Intelligence et Can a machine think? : tests de turing objections contre le possibilité de l'i.a - obj. théologique, - obj de l'autruche (ce serait tellement épouvantable que les machines pensent qu'il vaut mieux croire qu'elles n'en seront jamais capables), - obj. mathématique (Théorème de Godel sur l'incomplétude), - obj. de conscience, - obj du caractère non formalisable du comportement (comment énoncer les règles par exemple que j'utilise pour conduire?)... La pensée est vue comme une manipulation de représentation discrètes des connaissances (IA symbolique)
20 20/ Les pionners Séminaire de Dartmouth (1956) apparition du terme Intelligence Articielle (proposé par J. McCarthy). Premier programme de démonstration automatique de théorème Logic Theorist par Newell, Shaw et Simon LISP (1958) : LISt Processing par J. Mac Carthy Premier traducteur Anglais/Russe GPS (1959) : logiciel General Problem Solver A. Newell et H.Simon Enthousiasme exessif : dans 5 ans, nous auront un traducteur automatique, en 1968, nous auront une machine qui arrivera au niveau du champion du monde d'échecs À comparer avec des résultats décevants.
21 21/ Les pionners Néanmoins cela a permis de mettre en évidence les problèmes : un algorithme doit combiner les approches combinatoires et heuristiques : utiliser les connaissances sur le problème à résoudre il faut distinguer dans un algorithme ce qui est connaissance sur le problème de ce qui est méthode de résolution (approche déclarative) les programmes d'ia doivent incorporer des modules d'apprentissage PROLOG : par J.A.Robinson pour la résolution automatique. Perceptron : premier système connexionnisme par Rosenblatt
22 22/ La connaissance est le pouvoir Représentation des connaissances : représentation structurées : réseaux sémantiques, scripts, schémas et frames extensions de la logique : non monotones, temporelles, oues, etc. Utilisation des connaissance : systèmes experts -> premières réalisations concrètes : DENDRAL (1969) : premier système expert pour l'analyse des résultats de spectographie de masse SCHRDLU (1970) : logiciel conçu par T.Winograd. Simule la manipulation de bloc géomètrique posés sur une table MYCIN (1974) : diagnostics de maladies infectieuses MACSYGMA (1977) : calcul formel PROSPECTOR (1978) : système expert d'aide à la prospection géologique R1/XON (1980) : calcul de la conguration optimal d'un système informatique
23 23/ Méthodes générales d'apprentissage Programme japonais dit Cinquième génération faire de l'ia une discipline ecace : résultats concrets plutôt mitigés sur le plan technique Méthodes symboliques : nombreuses réalisations et nouvelles techniques (algorithme d'élimination, arbres de décisions, méthode de l'étoile,...) et nouveaux principes (espace des versions,...) Renouveau du connexionnisme et du mouvement subsymbolique (popularisation des réseaux de neurones, algorithme génétique,... Apparition de l'iad : multi-agents, vie articielle
24 24/ On ne parle plus de connaissances Nouvelles méthodes subsymboliques : réseaux de neurones, algorithmes génétiques, réseaux bayésiens, chaînes de Markov Les besoins industriels inuent sur la recherche Nouvelles méthodes d'acquisition : data mining, text mining,...
25 25/ Retour aux sciences cognitives... Objectif initial de l'ia, peut être trop ambitieux Une nouvelle approche : Informatique Avancée, s'attaque aux problèmes que l'approche algorithmique classique ne peut résoudre. Mais l'objectif initial consistant à développer des machines aussi intelligentes que l'être humain continue à perdurer. = Pour le résoudre, il est cependant nécessaire d'en savoir plus sur l'intelligence humaine. L'IA s'inscrit de plus en plus dans le cadre des sciences cognitives En 2009, le MIT a lancé le Mind Machine Project consistant à revenir 30 ans en arrière pour repenser les bases de l'ia.
26 6/32 Plan 1 Introduction 2 Un peu d'histoire 3 Les nouveaux dés
27 27/32 Les nouveaux dés Données et Connaissances Capitaliser, diuser, exploiter les connaissances : Fouille de données de nature variée ; mémoires d'entreprise, commerce électronique, réseaux sociaux : Facebook et al., communautés virtuelles Web sémantique : Compréhension partagée de l'information : Entre les personnes Entre les applications et les objets Entre tous! Projet Read the Web (Carnegie Mellon, 2010) : un programme lit indéniment les pages Web et extrait des informations couvrant toutes les connaissances humaines Ontologies et métadonnées Agents
28 28/32 Les nouveaux dés Robotique Robotique mobile : Apprentissage de comportements Fusion de données de capteurs Planication (trajectoires, missions)
29 29/32 Les nouveaux dés Robotique Robotique mobile : Challenge DARPA : course de véhicules autonomes environ 200 km en 7h Gagnant : VW Stanly
30 30/32 Les nouveaux dés Robotique Robots humanoïdes Aldebaran Robotics (société française de robotique) : - robot autonome et programmable : NAO - robot destiné à l'aide aux personnes : Romeo
31 31/32 Les nouveaux dés Robotique Robotique mobile Robots humanoïdes : Robocup, coupe du monde football pour robot une équipe de robots championne du monde de football en
32 32/32 Les nouveaux dés IA et éthique Nuisance des systèmes d'ia (cf. lois d'asimov pour les robots) Statut moral des machines Propriétés requises du fait du rôle social potentiel de systèmes d'ia : prédictabilité, transparence à l'inspection... Systèmes à intelligence surhumaine : implique des comportements suréthiques...
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 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 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 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 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 détailIntroduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes.
Introduction L'objectif de mon TIPE est la reconnaissance de sons ou de notes de musique à l'aide d'un réseau de neurones. Ce réseau doit être capable d'apprendre à distinguer les exemples présentés puis
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 détailIODAA. de l 1nf0rmation à la Décision par l Analyse et l Apprentissage / 21
IODAA de l 1nf0rmation à la Décision par l Analyse et l Apprentissage IODAA Informations générales 2 Un monde nouveau Des données numériques partout en croissance prodigieuse Comment en extraire des connaissances
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 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 détailO b s e r v a t o i r e E V A P M. Taxonomie R. Gras - développée
O b s e r v a t o i r e E V A P M É q u i p e d e R e c h e r c h e a s s o c i é e à l ' I N R P Taxonomie R. Gras - développée Grille d'analyse des objectifs du domaine mathématique et de leurs relations
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 détailIntroduction au datamining
Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des
Plus en détailAXES DE RECHERCHE - DOMAINE D'INTERET MAJEUR LOGICIELS ET SYSTEMES COMPLEXES
1 AXES DE RECHERCHE - DOMAINE D'INTERET MAJEUR LOGICIELS ET SYSTEMES COMPLEXES 2 Axes de recherche L activité du DIM LSC concerne la méthodologie de la conception et le développement de systèmes à forte
Plus en détailAlgèbre 40 Analyse 26 14 Stat. 1 - IES : Probabilités discrètes et calcul intégral 29,5 6 Stat. 2 - IES : Probabilités générales 54 8 UE1-02 M-E-IS
1er semestre UE1-01 E Algèbre 40 Analyse 26 14 Stat. 1 - IES : Probabilités discrètes et calcul intégral 29,5 6 Stat. 2 - IES : Probabilités générales 54 8 UE1-02 M-E-IS Introduction au système SAS 25,5
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 détailTEXT MINING. 10.6.2003 1 von 7
TEXT MINING 10.6.2003 1 von 7 A LA RECHERCHE D'UNE AIGUILLE DANS UNE BOTTE DE FOIN Alors que le Data Mining recherche des modèles cachés dans de grandes quantités de données, le Text Mining se concentre
Plus en détailGENIE STATISTIQUE GESTION DES RISQUES ET INGENIERIE FINANCIERE MARKETING QUANTITATIF ET REVENUE MANAGEMENT
Remarque : Tous les cours sont en français, sauf contre-indication. Pour des traductions anglaises des titres, des descriptifs, et plus de renseignements, consultez l intégralité du Programme des enseignements
Plus en détailCours Composant 2. Qualité logicielle et spécications algébriques
UPMC Paris Universitas Master Informatique STL Cours Composant 2. Qualité logicielle et spécications algébriques c 2005-2008 Frédéric Peschanski UPMC Paris Universitas 24 février 2008 c 2005-2008 Frédéric
Plus en détailChristophe CANDILLIER Cours de DataMining mars 2004 Page 1
Christophe CANDILLIER Cours de DataMining mars 2004 age 1 1. Introduction 2. rocessus du DataMining 3. Analyse des données en DataMining 4. Analyse en Ligne OLA 5. Logiciels 6. Bibliographie Christophe
Plus en détailRapidMiner. Data Mining. 1 Introduction. 2 Prise en main. Master Maths Finances 2010/2011. 1.1 Présentation. 1.2 Ressources
Master Maths Finances 2010/2011 Data Mining janvier 2011 RapidMiner 1 Introduction 1.1 Présentation RapidMiner est un logiciel open source et gratuit dédié au data mining. Il contient de nombreux outils
Plus en détailLe cinquième chapitre
Le cinquième chapitre Objectif : présenter les supports matériels ou immatériels permettant d'étayer cette nouvelle approche de la fonction maintenance. I. Evolution du domaine technique - Différents domaines
Plus en détailRésumé des communications des Intervenants
Enseignements de la 1ere semaine (du 01 au 07 décembre 2014) I. Titre du cours : Introduction au calcul stochastique pour la finance Intervenante : Prof. M hamed EDDAHBI Dans le calcul différentiel dit
Plus en détailProgramme scientifique Majeure INTELLIGENCE NUMERIQUE. Mentions Image et Réalité Virtuelle Intelligence Artificielle et Robotique
É C O L E D I N G É N I E U R D E S T E C H N O L O G I E S D E L I N F O R M A T I O N E T D E L A C O M M U N I C A T I O N Programme scientifique Majeure INTELLIGENCE NUMERIQUE Langage Java Mentions
Plus en détailUNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP250-97157 Pointe-à-Pitre Cedex CONTRAT 2010-2013 LE MASTER NOM DU DOMAINE STS
UNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP20-9717 Pointe-à-Pitre Cedex CONTRAT 2010-201 LE MASTER NOM DU DOMAINE STS Mention : Mathématiques Implantation : Guadeloupe FICHES DESCRIPTIVES
Plus en détailLogiciel EV3 LEGO MINDSTORMS Education
Robot éducateur : LEGO Education a le plaisir de vous présenter Robot éducateur, une sélection d'activités pédagogiques vous permettant de prendre en main votre EV3 LEGO MINDSTORMS Education de façon structurée
Plus en détailIngénierie et gestion des connaissances
Master Web Intelligence ICM Option Informatique Ingénierie et gestion des connaissances Philippe BEAUNE Philippe.Beaune@emse.fr 18 novembre 2008 Passer en revue quelques idées fondatrices de l ingénierie
Plus en détailStructure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données
Structure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données et le Data Mining Nous suivons le plan suivant : Fonctionnement de Spad Catalogue des méthodes (statistiques
Plus en détailIntroduction à l Informatique Décisionnelle - Business Intelligence (7)
Introduction à l Informatique Décisionnelle - Business Intelligence (7) Bernard ESPINASSE Professeur à Aix-Marseille Université (AMU) Ecole Polytechnique Universitaire de Marseille Septembre 2013 Emergence
Plus en détailIntroduction à L Intelligence Artificielle
Introduction à L Intelligence Artificielle Esma Aïmeur Université de Montréal Département d informatique et de recherche opérationnelle Montréal, Canada Email :aimeur: aimeur@iro.umontreal.cairo.umontreal.ca
Plus en détailAPPORT DES RESEAUX BAYESIENS DANS LA PREVENTION DE LA DELINQUANCE
SûretéGlobale.Org La Guitonnière 49770 La Meignanne Téléphone : +33 241 777 886 Télécopie : +33 241 200 987 Portable : +33 6 83 01 01 80 Adresse de messagerie : c.courtois@sureteglobale.org APPORT DES
Plus en détailEXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG
Exploitations pédagogiques du tableur en STG Académie de Créteil 2006 1 EXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG Commission inter-irem lycées techniques contact : dutarte@club-internet.fr La maquette
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 détail6 - La conscience est-elle un processus algorithmique?
6 - La conscience est-elle un processus algorithmique? par Hervé Zwirn Le problème de la conscience est sans doute l'un des plus difficiles sinon le plus difficile auquel on puisse s'attaquer. J'en veux
Plus en détailMasses de données. 1. Introduction 2. Problématiques 3. Socle de formation (non présenté) 4. Liens avec Formation INSA
Masses de données 1. Introduction 2. Problématiques 3. Socle de formation (non présenté) 4. Liens avec Formation INSA Rédacteurs : Mjo Huguet / N. Jozefowiez 1. Introduction : Besoins Informations et Aide
Plus en détailMASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS. Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln.
MASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln.fr Plan Introduction Généralités sur les systèmes de détection d intrusion
Plus en détailmodélisation solide et dessin technique
CHAPITRE 1 modélisation solide et dessin technique Les sciences graphiques regroupent un ensemble de techniques graphiques utilisées quotidiennement par les ingénieurs pour exprimer des idées, concevoir
Plus en détail1.5 0.5 -0.5 -1.5 0 20 40 60 80 100 120. (VM(t i ),Q(t i+j ),VM(t i+j ))
La logique oue dans les PME/PMI Application au dosage de l'eau dans les bétons P.Y. Glorennec INSA de Rennes/IRISA glorenne@irisa.fr C. Hérault Hydrostop christophe@hydrostop.fr V. Hulin Hydrostop vincent@hydrostop.fr
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 détailAnalyse de grandes bases de données en santé
.. Analyse de grandes bases de données en santé Alain Duhamel Michaël Genin Mohamed Lemdani EA 2694 / CERIM Master 2 Recherche Biologie et Santé Journée Thématique Fouille de Données Plan. 1 Problématique.
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 détailMASTER LPL : LANGUE ET INFORMATIQUE (P)
MASTER LPL : LANGUE ET INFORMATIQUE (P) RÉSUMÉ DE LA FORMATION Type de diplôme := Master Domaine : Arts, Lettres, Langues Mention : LITTERATURE, PHILOLOGIE, LINGUISTIQUE Spécialité : LANGUE ET INFORMATIQUE
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université
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 détailLES CARTES À POINTS : POUR UNE MEILLEURE PERCEPTION
LES CARTES À POINTS : POUR UNE MEILLEURE PERCEPTION DES NOMBRES par Jean-Luc BREGEON professeur formateur à l IUFM d Auvergne LE PROBLÈME DE LA REPRÉSENTATION DES NOMBRES On ne conçoit pas un premier enseignement
Plus en détailL'EPS à l'école primaire aucune modification des programmes
L'EPS à l'école primaire aucune modification des programmes Les 3 objectifs sont poursuivis aussi bien à l'école maternelle, qu'à l école primaire MATERNELLE * Favoriser la construction des actions motrices
Plus en détailIntroduction à la B.I. Avec SQL Server 2008
Introduction à la B.I. Avec SQL Server 2008 Version 1.0 VALENTIN Pauline 2 Introduction à la B.I. avec SQL Server 2008 Sommaire 1 Présentation de la B.I. et SQL Server 2008... 3 1.1 Présentation rapide
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 détailORIENTATIONS POUR LA CLASSE DE TROISIÈME
51 Le B.O. N 1 du 13 Février 1997 - Hors Série - page 173 PROGRAMMES DU CYCLE CENTRAL 5 e ET 4 e TECHNOLOGIE En continuité avec le programme de la classe de sixième, celui du cycle central du collège est
Plus en détailLes défibrillateurs cardiaques implantables
Les défibrillateurs cardiaques implantables Etudes d'évaluation économique Etudes d'évaluation technologique Avant-propos Cette étude a été réalisée, à la demande de la Caisse Nationale de l'assurance
Plus en détailPROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES
Leçon 11 PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Dans cette leçon, nous retrouvons le problème d ordonnancement déjà vu mais en ajoutant la prise en compte de contraintes portant sur les ressources.
Plus en détailL intelligence artificielle distribuée appliquée aux jeux d équipe situés dans un milieu dynamique : l exemple de la RoboCup
Maîtrise d Informatique Option Tranversale Université Paris 8 L intelligence artificielle distribuée appliquée aux jeux d équipe situés dans un milieu dynamique : l exemple de la RoboCup Benjamin DRIEU
Plus en détailMaster Informatique Aix-Marseille Université
Aix-Marseille Université http://masterinfo.univ-mrs.fr/ Département Informatique et Interactions UFR Sciences Laboratoire d Informatique Fondamentale Laboratoire des Sciences de l Information et des Systèmes
Plus en détailSoutien technique en informatique
Service de formation aux adultes Soutien technique en informatique PLAN DE COURS Utilisation et création de bases de données 420-B64-GR 2-2-2 75 heures Session automne 2010 NOM DE L ENSEIGNANT : JIE YANG
Plus en détailEnvironnement Architecture de controle. Décisions
Chapitre 1 Introduction 1.1 Robot Mobile Il existe diverses définitions du terme robot, mais elles tournent en général autour de celle-ci : Un robot est une machine équipée de capacités de perception,
Plus en détailLes enjeux du Big Data Innovation et opportunités de l'internet industriel. Datasio 2013
Les enjeux du Big Data Innovation et opportunités de l'internet industriel François Royer froyer@datasio.com Accompagnement des entreprises dans leurs stratégies quantitatives Valorisation de patrimoine
Plus en détailintelligence artificielle et cognitique"
Dialogue on Education, 11h-11h10 Course overview on "Automatisation avancée, intelligence artificielle et cognitique" Prof. Dr. Jean-Daniel Dessimoz, MBA, HES-SO / HEIG-VD 11:00-11:10, 18 November 2014
Plus en détailLE PROBLEME DU PLUS COURT CHEMIN
LE PROBLEME DU PLUS COURT CHEMIN Dans cette leçon nous définissons le modèle de plus court chemin, présentons des exemples d'application et proposons un algorithme de résolution dans le cas où les longueurs
Plus en détailAdaptabilité d un MOOC aux styles d apprentissage. Hubert Kadima Directeur de Recherche LARIS/EISTI Email : hubert.kadima@eisti.fr
Adaptabilité d un MOOC aux styles d apprentissage Hubert Kadima Directeur de Recherche LARIS/EISTI Email : hubert.kadima@eisti.fr Agenda 1. Contexte : l apprentissage dans le projet PLACIS 2. Choix du
Plus en détailUniversité de Bangui. Modélisons en UML
Université de Bangui CRM Modélisons en UML Ce cours a été possible grâce à l initiative d Apollinaire MOLAYE qui m a contacté pour vous faire bénéficier de mes connaissances en nouvelles technologies et
Plus en détailProgramme de la 1ère année
Programme de la 1ère année de master informatique Recopié du Syllabus M1 Informatique. 2004-2005 (UPS Toulouse) TC1 - Conception et Programmation Parallèle et Orientée Objet (96h) Objectif : Ce cours a
Plus en détailBrève introduction à la recherche d!information sur le Web à base d!agents logiciels
Plan Brève introduction à la recherche d!information sur le Web à base d!agents logiciels Bernard ESPINASSE Université d!aix-marseille 2010 Rappels sur les agents logiciels Problématique de la RI sur le
Plus en détailPeut-on tout programmer?
Chapitre 8 Peut-on tout programmer? 8.1 Que peut-on programmer? Vous voici au terme de votre initiation à la programmation. Vous avez vu comment représenter des données de plus en plus structurées à partir
Plus en détailANNEXE 1. Si vous souhaitez ajouter un descriptif plus détaillé de l offre à votre annonce, merci de le joindre accompagné de ce formulaire.
ANNEXE 1 Entreprises, pour proposer un sujet de thèse soutenue par le dispositif CIFRE, merci de remplir les champs suivants, et d envoyer le document à : cifre@anrt.asso.fr Si vous souhaitez ajouter un
Plus en détailUNIVERSITÉ DE LORRAINE Master MIAGE (Méthodes Informatiques Appliquées à la Gestion des Entreprises)
UNIVERSITÉ DE LORRAINE Master MIAGE (Méthodes s Appliquées à la Gestion des Entreprises) 1 Description générale L UFR Mathématiques et propose le Master avec trois spécialisations en deuxième année : ACSI
Plus en détailPrésentation du module Base de données spatio-temporelles
Présentation du module Base de données spatio-temporelles S. Lèbre slebre@unistra.fr Université de Strasbourg, département d informatique. Partie 1 : Notion de bases de données (12,5h ) Enjeux et principes
Plus en détailLe graphisme et l écriture, en lien avec les apprentissages en maternelle
Le graphisme et l écriture, en lien avec les apprentissages en maternelle Conférence de Marie-Thérèse Zerbato-Poudou : Les apprentissages à l école maternelle 12 novembre 2008, St Etienne de St Geoirs
Plus en détailRenforcement des trois compétences : compréhension orale, expression orale et expression écrite à partir de documents et vidéos.
Master Mathématiques et Applications Spécialité : Ingénierie mathématique et modélisation Parcours : Mathématique et Informatique : Statistique, Signal, Santé (MI3S) 2015-2016 RÉSUMÉ DES COURS : (dernière
Plus en détailFormation continue. Ensae-Ensai Formation Continue (Cepe)
CertifiCat de data scientist Formation continue Ensae-Ensai Formation Continue (Cepe) CertifiCat de data scientist La demande de data scientists est croissante mais peu de formations existent. Ce certificat
Plus en détailbasée sur le cours de Bertrand Legal, maître de conférences à l ENSEIRB www.enseirb.fr/~legal Olivier Augereau Formation UML
basée sur le cours de Bertrand Legal, maître de conférences à l ENSEIRB www.enseirb.fr/~legal Olivier Augereau Formation UML http://olivier-augereau.com Sommaire Introduction I) Les bases II) Les diagrammes
Plus en détailFilière Fouille de Données et Décisionnel FDD (Data Mining) Pierre Morizet-Mahoudeaux www.hds.utc.fr/~pmorizet pierre.morizet@utc.
Filière Fouille de Données et Décisionnel FDD (Data Mining) Pierre Morizet-Mahoudeaux www.hds.utc.fr/~pmorizet pierre.morizet@utc.fr Plan Motivations Débouchés Formation UVs spécifiques UVs connexes Enseignants
Plus en détailBachelier Bibliothécaire- Documentaliste!
Bachelier Bibliothécaire- Documentaliste Structure du profil d'enseignement et du programme d'études détaillé Année académique : 2015-2016 Haute Ecole Paul-Henri Spaak Catégorie sociale (IESSID) 1 1. Le
Plus en détailL informatique comme discipline au gymnase. Renato Renner Institut für Theoretische Physik ETH Zürich
L informatique comme discipline au gymnase Renato Renner Institut für Theoretische Physik ETH Zürich Comment puis-je transférer des fichiers de musique sur mon nouvel iphone? Comment puis-je archiver mes
Plus en détailEcole des Hautes Etudes Commerciales HEC Alger. par Amina GACEM. Module Informatique 1ière Année Master Sciences Commerciales
Ecole des Hautes Etudes Commerciales HEC Alger Évolution des SGBDs par Amina GACEM Module Informatique 1ière Année Master Sciences Commerciales Evolution des SGBDs Pour toute remarque, question, commentaire
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 détailRÉSUMÉ DESCRIPTIF DE LA CERTIFICATION (FICHE RÉPERTOIRE)
RÉSUMÉ DESCRIPTIF DE LA CERTIFICATION (FICHE RÉPERTOIRE) Intitulé (cadre 1) Domaine : Sciences, Technologies, Santé Licence professionnelle : Dénomination Nationale «Systèmes informatiques et logiciels»
Plus en détailIntroduction. Informatique décisionnelle et data mining. Data mining (fouille de données) Cours/TP partagés. Information du cours
Information du cours Informatique décisionnelle et data mining www.lia.univ-avignon.fr/chercheurs/torres/cours/dm Juan-Manuel Torres juan-manuel.torres@univ-avignon.fr LIA/Université d Avignon Cours/TP
Plus en détaile-biogenouest CNRS UMR 6074 IRISA-INRIA / Plateforme de Bioinformatique GenOuest yvan.le_bras@irisa.fr Programme fédérateur Biogenouest co-financé
e-biogenouest Coordinateur : Olivier Collin Animateur : Yvan Le Bras CNRS UMR 6074 IRISA-INRIA / Plateforme de Bioinformatique GenOuest yvan.le_bras@irisa.fr Programme fédérateur Biogenouest co-financé
Plus en détailLES INTERFACES HOMME-MACHINE
LES INTERFACES HOMME-MACHINE 1 ère Partie : Introduction aux Interfaces Homme-Machine 2 ème Partie : Notions de base sur les Sciences Cognitives 3 ème Partie : Recommandations ergonomiques 4 ème Partie
Plus en détailSECTION 5 BANQUE DE PROJETS
SECTION 5 BANQUE DE PROJETS INF 4018 BANQUE DE PROJETS - 1 - Banque de projets PROJET 2.1 : APPLICATION LOGICIELLE... 3 PROJET 2.2 : SITE WEB SÉMANTIQUE AVEC XML... 5 PROJET 2.3 : E-LEARNING ET FORMATION
Plus en détailTHOT - Extraction de données et de schémas d un SGBD
THOT - Extraction de données et de schémas d un SGBD Pierre-Jean DOUSSET (France), Benoît ALBAREIL (France) pj@miningdb.com, benoit@miningdb.com Mots clefs : Fouille d information, base de données, système
Plus en détailINF 1250 INTRODUCTION AUX BASES DE DONNÉES. Guide d étude
INF 1250 INTRODUCTION AUX BASES DE DONNÉES Guide d étude Sous la direction de Olga Mariño Télé-université Montréal (Québec) 2011 INF 1250 Introduction aux bases de données 2 INTRODUCTION Le Guide d étude
Plus en détailMastère spécialisé MS : «Ingénierie de l innovation et du produit nouveau
Mastère spécialisé MS : «Ingénierie de l innovation et du produit nouveau De l idée à la mise en marché» 1- Présentation détaillée du programme d enseignement Répartition par modules et crédits ECTS :
Plus en détailRelever les défis des véhicules autonomes
EMM 2014 12eme rencontre européenne de mécatronique Relever les défis des véhicules autonomes Mathias Perrollaz Ingénieur expert Inria Christian Laugier Directeur de recherche Inria E-Motion Team Annecy,
Plus en détailProgrammation d'agents intelligents Vers une refonte des fils de raisonnement. Stage de fin d'études Master IAD 2006
vendredi 8 septembre 2006 Programmation d'agents intelligents Vers une refonte des fils de raisonnement Stage de fin d'études Master IAD 2006 Benjamin DEVEZE Responsable : M. Patrick TAILLIBERT Plan Plan
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 détailChapitre 10. Intelligence artificielle et jeux. http://ow.ly/5iiy8
L'informatique au lycée http://ow.ly/5iiy8 Intelligence artificielle : Partie de l'informatique qui a pour but la simulation de facultés cognitives afin de suppléer l'être humain pour assurer des fonctions
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 détailLes nombres entiers. Durée suggérée: 3 semaines
Les nombres entiers Durée suggérée: 3 semaines Aperçu du module Orientation et contexte Pourquoi est-ce important? Dans le présent module, les élèves multiplieront et diviseront des nombres entiers concrètement,
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 détailla virtualisation pour quoi faire?
J. F. DAVID Ingénieur Commercial Agence Paris Industrie de Base et de Transformation 24 Mai 1975 la virtualisation pour quoi faire? "Etre transparent, c'est exister et ne pas se voir. Etre virtuel, c'est
Plus en détailAlphonse Carlier, Intelligence Économique et Knowledge Management, AFNOR Éditions, 2012.
1 Du même auteur chez le même éditeur Alphonse Carlier, Intelligence Économique et Knowledge Management, AFNOR Éditions, 2012. AFNOR 2013 Couverture : création AFNOR Éditions Crédit photo 2011 Fotolia
Plus en détailExercices de dénombrement
Exercices de dénombrement Exercice En turbo Pascal, un entier relatif (type integer) est codé sur 6 bits. Cela signifie que l'on réserve 6 cases mémoires contenant des "0" ou des "" pour écrire un entier.
Plus en détailÉlaborer des objectifs d apprentissage SMART
Élaborer des objectifs d apprentissage SMART Introduction Ce guide vous aidera à élaborer et à rédiger des objectifs d apprentissage «SMART». Un objectif d apprentissage énonce ce que vous souhaitez apprendre
Plus en détailLe développement cognitif selon Jean Piaget. Les stades du développement cognitif selon Piaget
Le développement cognitif selon Jean Piaget Piaget (BIO) et ses collaborateurs sont sans conteste les auteurs qui ont le plus contribué à notre compréhension du développement des capacités mentales durant
Plus en détailL OUTIL NUMERIQUE CARACTERISTIQUES ET FONCTIONNALITES
L OUTIL NUMERIQUE CARACTERISTIQUES ET FONCTIONNALITES Aujourd hui, le numérique est partout. Il se retrouve principalement dans les nouvelles technologies, mais également dans l art, les livres, notre
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
Plus en détailFICHE UE Licence/Master Sciences, Technologies, Santé Mention Informatique
NOM DE L'UE : Algorithmique et programmation C++ LICENCE INFORMATIQUE Non Alt Alt S1 S2 S3 S4 S5 S6 Parcours : IL (Ingénierie Logicielle) SRI (Systèmes et Réseaux Informatiques) MASTER INFORMATIQUE Non
Plus en détailDe la captation de données à la Datavisualisation
De la captation de données à la Datavisualisation [Synopsis de l événement] Objets connectés : générateurs de données à visualiser! «En fait de calculs et de proportion, le plus sûr moyen de frapper l
Plus en détail