Intelligence artificielle : de l'apprentissage statistique au traitement des données

Ces dernières années ont vu s’accélérer considérablement des progrès réalisés dans les domaines de la vision par ordinateur, de la reconnaissance vocale ou encore de la recherche automatique d’information. Une machine réalise automatiquement une tâche au moyen d’un programme «appris» en résolvant la version statistique d’un problème d’optimisation, à partir de données relatives à un grand nombre d’observations. La disponibilité d’exemples que la machine peut elle-même solliciter dans certains cas pour mieux apprendre, stockés sous forme de bases de mégadonnées et offrant une description quasi exhaustive de la variabilité du phénomène à analyser, combinée à la puissance de calcul des clusters d’ordinateurs modernes, a permis de rendre véritablement effectives des méthodes d’apprentissage statistique. Ces méthodes sont aujourd’hui à l’œuvre dans de nombreux «systèmes intelligents», pour des domaines aussi variés que la biométrie, le véhicule à délégation partielle, le diagnostic médical automatique, les moteurs de recommandation associés aux sites Web commerciaux ou les assistants virtuels. L'ère du big data et de l’intelligence artificielle généralisée a, donc, débuté grâce aux briques technologiques modernes qui nous permettent désormais de stocker et traiter de façon automatisée, dans des temps très courts, des données massives de nature et format divers. L’ensemble de ces éléments ont fait naître de nouvelles compétences. Cette certification aborde les différentes composantes de l'intelligence artificielle : l’apprentissage statistique (machine Learning, deep learning), le traitement de données massives (image, parole, etc.) et la robotique avec les objectifs suivants : * Employer les méthodes avancées d’apprentissage statistique pour résoudre des problématiques d’intelligence artificielle * Utiliser les réseaux de neurones et les architectures associées * Concevoir et analyser des expériences pour évaluer les systèmes HRI (Interaction Homme – Robot) * Mettre en œuvre des méthodes d’apprentissage profond en s’appuyant sur des bibliothèques logicielles

C1- Utiliser des méthodes statistiques à grande échelle lors de projets afin de résoudre des problématiques d’intelligence artificielle en utilisant des techniques évolutives adaptées C2- Analyser la place de l’Intelligence Artificielle et de la science de données au sein des enjeux sociétaux C3- Utiliser les réseaux de neurones dans les méthodes d’apprentissage profond afin de modéliser et d’optimiser le traitement de l’information C4-Déterminer les différents types de familles logiques grâce à des outils adaptés afin de résoudre des problèmes C5-Déterminer les principes fondamentaux de l’interaction homme-robot grâce à des méthodes afin de développer l’apprentissage par renforcement C6- Identifier les différents modèles graphiques probabilistes afin de les utiliser dans des applications statistiques en grande dimension C7- Intégrer les méthodes de l’Intelligence Artificielle dans un système audio cible en prenant en considération les évolutions du système C8-Mettre en œuvre les techniques de représentation d’une image numérique afin de déterminer les enjeux et les limites de la vision par ordinateur C9- Proposer une modélisation utilisant les différentes méthodes de traitement de la langue et d'apprentissage automatique sous-jacentes à l'analyse des textes