v2.11.0 (5518)

Programme d'approfondissement - INF581 : 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 choisi un nombre de sujets avancés pour explorer l'apprentissage machine et les agents autonomes. Bien que ces sujets soit divers et flexibles, ce cours est développé autour d'un thème commun qui les connecte tous, /////////////////////

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.

Format des notes

Numérique sur 20

Littérale/grade réduit

Pour les étudiants du diplôme M1 CPS - Système Cyber Physique

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 transposée >= C
    • Crédits ECTS acquis : 4.5 ECTS

    Pour les étudiants du diplôme M2 EN - Énergie

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

      Pour les étudiants du diplôme Non Diplomant

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

        Pour les étudiants du diplôme MScT-Cybersecurity

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

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

          Vos modalités d'acquisition :

          2.5 ECTS si l'élève fait la version "courte" soit 24h du cours  .

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

            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 transposée >= C
              • Crédits ECTS acquis : 5 ECTS

              Pour les étudiants du diplôme M2 DataAI - Données et intelligence artificielle

              Vos modalités d'acquisition :

              2.5 ECTS si l'élève fait la version "courte" soit 24h du cours  .

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

                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 transposée >= C
                  • Crédits ECTS acquis : 5 ECTS

                  La note obtenue rentre dans le calcul de votre GPA.

                  Pour les étudiants du diplôme Programmes d'échange internationaux

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

                    La note obtenue rentre dans le calcul de votre GPA.

                    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