1 option au choix

• Maîtriser l'analyse et la conception d'applications par une approche orientée objet
• S'initier à la conduite de projet par une mise en pratique sur un cas réel
• Mettre en pratique les enseignements de communications écrites et orales

• Approche objet pour les systèmes d'informations
• Modèles et diagrammes UML
• Présentation d'un processus de développement basé sur UML
• Présentation et utilisation d'un outil support de l'approche : Rational Rose

Ancré en intelligence artificielle, l'apprentissage automatique s'intéresse à la conception de systèmes capables de s'améliorer à partir de l'expérience. Employés en robotique comme en reconnaissance des formes ou en fouille de données, les concepts et les algorithmes de l'apprentissage automatique  prennent actuellement une place très importante en Intelligence Artificielle. Cet enseignement offre une introduction avancée aux techniques de l'apprentissage automatique. L'objectif est de familiariser l'étudiant avec la théorie et la pratique de l'apprentissage à partir de données afin qu'il soit capable de résoudre des problèmes typiques de reconnaissance de formes, d'apprentissage symbolique et numérique dans des domaines d'application variés comme la bio-informatique, le traitement automatique de textes ou la reconnaissance d'images.

• Introduction à l'intelligence artificielle
• Motivations pour l'apprentissage automatique
• Exemples : navigation de robots, reconnaissance d'images, Diagnostic médical, prévision d'une série temporelle, classification de textes
• Eléments de la théorie de l'apprentissage
• Modèles et algorithmes :
  • Arbres de décision
• Méthodes à noyaux :
  • Machines à vecteurs de support, kernel-PCA, kernel-SOM etc…
  • Introduction aux modèles graphiques probabilistes par l'exemple des réseaux bayésiens :
    • Modèles graphiques discrets et continus
    • Modèles graphiques statiques et dynamiques
    • Propagation de l'information dans les modèles graphiques
    • Eléments d'apprentissage statistique pour les modèles graphiques
    • Apprentissage de paramètres et de structures
    • Mélanges et hiérarchies de modèles
  • Applications à différents types de données structurées : textes, images, génomique etc