Intelligence artificielle

Ce cours présente les fondements scientifiques et les techniques opérationnelles de l’intelligence artificielle (IA) dans une perspective d’ingénieur logiciel. Il part de la notion d’agent rationnel et de la formalisation d’un problème en espace d’états, passe par les algorithmes de recherche aveugle et heuristique (A*, minimax, élagage alpha-bêta), la représentation des connaissances (logique, règles, systèmes experts, raisonnement incertain), puis introduit l’apprentissage automatique (arbres de décision, classification bayésienne, perceptron et réseaux de neurones) et son évaluation. Les exemples sont tirés du contexte nigérien : planification d’itinéraires entre Niamey et Zinder, scoring de crédit en microfinance, détection de fraude sur le mobile money, filtrage de SMS indésirables. Une attention particulière est portée à l’intégration de composants d’IA dans des applications logicielles et aux enjeux éthiques (biais, explicabilité, protection des données).

Objectifs d’apprentissage

• Formaliser un problème en termes d’agent, d’environnement, d’espace d’états et de fonction de coût.
• Choisir, dérouler et comparer des algorithmes de recherche (largeur, coût uniforme, glouton, A*, minimax, alpha-bêta) en justifiant complétude et optimalité.
• Représenter des connaissances en logique et en règles de production, et construire un petit système expert à chaînage avant et arrière.
• Appliquer le raisonnement probabiliste (théorème de Bayes, classifieur bayésien naïf) à un problème de décision.
• Entraîner et évaluer des modèles d’apprentissage (arbre de décision, perceptron, réseau de neurones) avec les métriques adaptées (précision, rappel, F1).
• Analyser de façon critique l’intégration d’un composant d’IA dans un système d’information (données, biais, explicabilité).

Prérequis

Algorithmique et structures de données avancées (graphes, files de priorité), logique propositionnelle, notions de probabilités et d’algèbre linéaire, programmation (Python recommandé).

Plan du cours

1. Leçon 1 — Fondements de l’IA et résolution de problèmes par recherche
2. Leçon 2 — Recherche heuristique, algorithme A* et jeux
3. Leçon 3 — Représentation des connaissances, raisonnement et systèmes experts
4. Leçon 4 — Apprentissage automatique et réseaux de neurones

Modalités d’évaluation

Volume horaire : 10 h de cours (CM), 10 h de travaux dirigés (TD), 10 h de travaux pratiques (TP) et 30 h de travail personnel (TPE), soit 60 h pour 3 crédits. Évaluation : contrôle continu (TD, comptes rendus de TP en Python, quiz en ligne : 40 %) et examen terminal écrit (60 %).

Bibliographie

• Stuart Russell, Peter Norvig, Artificial Intelligence: A Modern Approach, Pearson (trad. fr. Intelligence artificielle, Pearson Education France).
• Tom M. Mitchell, Machine Learning, McGraw-Hill, 1997.
• Aurélien Géron, Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow, O’Reilly (trad. fr. Dunod).
• Ian Goodfellow, Yoshua Bengio, Aaron Courville, Deep Learning, MIT Press, 2016.
• Documentation officielle de scikit-learn (scikit-learn.org).