Intelligence Artificielle

Auteur·rice

Fabien Lauer

Date de publication

2025

Préface

Ce document présente des notes de cours sur l’Intelligence Artificielle.

Vous trouverez ci-dessous la liste des chapitres spécifiques à chaque cours.

Option Apprentissage supervisé (L3)

Les chapitres à étudier :

  1. Qu’est-ce que l’IA
  2. Bases de l’apprentissage supervisé
  3. Classification
  4. Arbres de décision
  5. K-plus proches voisins
  6. Perceptron
  7. Méthode des moindres carrés

Les annexes suivants peuvent être utiles :

  1. Probabilités
  2. Algèbre linéaire

Cours Intelligence Artificielle & Machine Learnig (Polytech 5A FISA)

  1. Qu’est-ce que l’IA
  2. Résolution de problèmes
  3. Jeux
  4. Bandits manchots
  5. Réseaux bayésiens
  6. Apprentissage supervisé
  7. Régression
  8. Méthode des moindres carrés
  9. Perceptron
  10. K-plus proches voisins
  11. SVM
  12. Surapprentissage et régularisation
  13. Régression ridge
  14. LASSO
  15. Méthodes à noyaux
  16. Régression ridge à noyaux

Les annexes suivants peuvent être utiles :

  1. Probabilités
  2. Algèbre linéaire
  3. Optimisation

Cours Intelligence Artificielle (M1)

  1. Qu’est-ce que l’IA
  2. Résolution de problèmes
  3. Jeux
  4. Bandits manchots
  5. Réseaux bayésiens
  6. Apprentissage non supervisé
  7. K-means
  8. Clustering spectral
  9. Apprentissage supervisé
  10. Régression
  11. Méthode des moindres carrés
  12. Analyse discriminante linéaire
  13. Classifieur naïf de Bayes
  14. K-plus proches voisins
  15. Perceptron
  16. Réseaux de neurones

Les annexes suivants peuvent être utiles :

  1. Probabilités
  2. Algèbre linéaire
  3. Calcul différentiel
  4. Optimisation

Cours Intelligence Artificielle & Machine Learnig (Polytech 5A FISE)

  1. Apprentissage supervisé
  2. Régression
  3. Méthode des moindres carrés
  4. Classification
  5. Perceptron
  6. K-plus proches voisins
  7. SVM
  8. Surapprentissage et régularisation
  9. Régression ridge
  10. LASSO
  11. Méthodes à noyaux
  12. Régression ridge à noyaux
  13. Estimation du risque
  14. Apprentissage non supervisé
  15. K-means
  16. Clustering spectral

Les annexes suivants peuvent être utiles :

  1. Probabilités
  2. Algèbre linéaire
  3. Optimisation

Cours Apprentissage statistique et deep learning (M2 IA2VR)

  1. Bases de l’apprentissage supervisé
  2. Classification
  3. Régression
  4. Estimation du risque
  5. Surapprentissage et régularisation
  6. Régression ridge
  7. LASSO
  8. SVM
  9. Méthodes à noyaux
  10. Régression ridge à noyaux

ainsi que toute la partie Théorie de l’apprentissage.

Les annexes suivants peuvent être utiles :

  1. Probabilités
  2. Algèbre linéaire
  3. Optimisation
  4. Inégalités de concentration
Mise en garde

Pour plus d’informations, certaines démontrations détaillées sont données dans des cadres de ce type. La lecture de celles qui n’ont pas été vues en cours peut être considérée comme optionnelle.