v2.11.0 (5919)

Programme d'approfondissement - CSC_52081_EP : Apprentissage Automatique Avancé et Agents Autonomes

Domaine > Informatique.

Descriptif

En raison de percées récentes, de la croissance rapide des collections de données et d'une pléthore d'applications passionnantes, l'intelligence artificielle fait l'objet d'un intérêt et d'un investissement massifs de la part des milieux universitaires et industriels.

Ce cours sélectionne un certain nombre de sujets avancés à explorer dans le domaine de l'apprentissage automatique et des agents autonomes. Bien que ces sujets soient divers et vastes, ce cours est développé autour d'un fil conducteur qui les relie tous, de sorte que chaque sujet s'appuie sur les autres.

Les cours magistraux aborderont la théorie et les TD familiariseront les étudiants avec ces sujetsd'un point de vue pratique. Certains devoirs de TD seront notés et un groupe de travail sur l'apprentissage de renforcement constituera un élément essentiel de la note - l'objectif étant de développer et de déployer un agent dans un environnement et de rédiger un rapport analysant les résultats.

Notation : 50 % pour les travaux pratiques + (40 % + 10 %) pour le projet d'équipe (respectivement l'élement de notation d'équipe + l'élement individuel).

(Il n'y a pas d'examen final)

Format des notes

Numérique sur 20

Littérale/grade réduit

Pour les étudiants du diplôme MScT-Internet of Things : Innovation and Management Program (IoT)

Le rattrapage est autorisé (Note de rattrapage conservée)
    L'UE est acquise si Note finale >= 10
    • Crédits ECTS acquis : 4 ECTS

    La note obtenue rentre dans le calcul de votre GPA.

    Pour les étudiants du diplôme M1 DataAI - Données et intelligence artificielle

    L'UE est acquise si Note finale >= 10

      Pour les étudiants du diplôme MScT-Artificial Intelligence and Advanced Visual Computing

      Le rattrapage est autorisé (Note de rattrapage conservée)
        L'UE est acquise si Note finale >= 10
        • Crédits ECTS acquis : 4.5 ECTS

        La note obtenue rentre dans le calcul de votre GPA.

        Pour les étudiants du diplôme M2 CPS - Système Cyber Physique

        Le rattrapage est autorisé (Note de rattrapage conservée)
          L'UE est acquise si Note finale >= 10
          • Crédits ECTS acquis : 5 ECTS

          Pour les étudiants du diplôme MScT-Cybersecurity (CyS)

          Le rattrapage est autorisé (Note de rattrapage conservée)
            L'UE est acquise si Note finale >= 10
            • Crédits ECTS acquis : 4 ECTS

            La note obtenue rentre dans le calcul de votre GPA.

            Pour les étudiants du diplôme Non Diplomant

            Le rattrapage est autorisé (Note de rattrapage conservée)
              L'UE est acquise si Note finale >= 10
              • Crédits ECTS acquis : 5 ECTS

              Pour les étudiants du diplôme Programmes d'échange internationaux

              Le rattrapage est autorisé (Note de rattrapage conservée)
                L'UE est acquise si Note finale >= 10
                • Crédits ECTS acquis : 4 ECTS

                La note obtenue rentre dans le calcul de votre GPA.

                Pour les étudiants du diplôme Titre d’Ingénieur diplômé de l’École polytechnique

                Le rattrapage est autorisé (Note de rattrapage conservée)
                  L'UE est acquise si Note finale >= 10
                  • Crédits ECTS acquis : 5 ECTS

                  La note obtenue rentre dans le calcul de votre GPA.

                  Pour les étudiants du diplôme M1 CPS - Système Cyber Physique

                  L'UE est acquise si Note finale >= 10
                  • Crédits ECTS acquis : 5 ECTS

                  Programme détaillé

                  • Modèles graphiques probabilistiques (réseau bayésien, ...)
                  • Problèmes de prédiction multiple et structurée
                  • Structures d'apprentissage profond
                  • Méthodes de recherche et d'optimisation (recherche en faisceau, recherche approchée epsilon, optimisation stochastique, méthodes de Monte Carlo, ...)
                  • Prédiction séquentielle et prise de décision (MMC, méthodes de Monte Carlo séquentielles, ...)
                  • Apprentissage par renforcement (Q-Learning, Deep Q-Learning, filtrage bayésien, direction assistée par moteur, ...)
                  Veuillez patienter