IA : Langages et Outils

• Développeurs Java
• Ingénieurs logiciels
• Consultants techniques
• Architectes souhaitant comprendre les mécanismes internes de l'IA
• Entrepreneurs techniques en IA

• Comprendre les principaux paradigmes de l'intelligence artificielle (symbolique, heuristique, bio-inspirée, apprentissage)
• Modéliser un problème d'IA et implémenter des algorithmes en Java
• Mettre en œuvre des algorithmes de recherche et d'optimisation
• Comprendre les principes fondamentaux des réseaux de neurones
• Comparer plusieurs approches algorithmiques sur un même problème

Jour 1 - Fondements de l'IA et raisonnement symbolique

Introduction à l'intelligence artificielle

• Intelligence naturelle et intelligence artificielle
• Historique et grands courants de l'IA
• IA symbolique vs IA basée sur les données
• Domaines d'application actuels

Les systèmes experts

• Principe des systèmes experts
• Bases de connaissances et bases de faits
• Moteur d'inférence
• Chaînage avant et chaînage arrière
• Gestion des règles et conflits
• Limites des systèmes experts
• TP :
  • Implémentation en Java d'un mini moteur de règles
  • Exemple : diagnostic simple ou classification de formes

Gestion de l'incertitude et logique floue

• Incertitude, imprécision et probabilité
• Ensembles flous et fonctions d'appartenance
• Opérateurs flous
• Règles floues
• Fuzzification et défuzzification
• Cas d'usage typiques
• TP :
  • Implémentation en Java d'un moteur de logique floue
  • Exemple : régulation (température, vitesse, priorité)

Jour 2 - Recherche de solutions et optimisation

Recherche de chemins et résolution de problèmes

• Modélisation par états et graphes
• Espaces de recherche
• Algorithmes non informés :
  • Parcours en largeur
  • Parcours en profondeur
  • Dijkstra
• Algorithmes informés :
  • Heuristiques
  • Algorithme A*
• TP :
  • Implémentation en Java d'algorithmes de recherche
  • Résolution d'un labyrinthe ou d'un graphe pondéré

Optimisation et métaheuristiques

• Problèmes d'optimisation
• Optimum local et global
• Algorithmes gloutons
• Descente de gradient (principe général)
• Recherche tabou
• Recuit simulé
• Critères de performance et convergence
• TP :
  • Implémentation en Java d'une métaheuristique
  • Exemple : sac à dos ou ordonnancement simple

Jour 3 — IA bio-inspirée et apprentissage

Algorithmes génétiques

• Inspiration biologique
• Représentation des solutions (chromosomes)
• Sélection, croisement, mutation
• Paramétrage et convergence
• Hybridation avec des heuristiques locales
• TP :
  • Implémentation en Java d'un algorithme génétique
  • Application au problème du voyageur de commerce ou équivalent

Systèmes multi-agents

• Origine et principes
• Définition d'un agent
• Types d'agents (réactifs, cognitifs)
• Interaction et émergence
• Exemples de comportements collectifs
• TP :
  • Simulation multi-agents en Java
  • Exemple : banc de poissons, automates cellulaires, jeu de la vie

Introduction aux réseaux de neurones

• Positionnement du machine learning dans l'IA
• Neurone formel et perceptron
• Réseaux feed-forward
• Principe de l'apprentissage supervisé
• Limites et cas d'usage
• TP :
  • Implémentation en Java d'un perceptron simple
  • Exemples : XOR, classification simple

Conclusion et synthèse

• Comparaison des approches vues
• Quand utiliser quel type d'algorithme ?
• Forces et limites de l'IA algorithmique
• Ouverture vers les frameworks et l'IA moderne (sans implémentation)

Une attestation de participation sera transmise aux participants