Introduire les notions fondamentales des réseaux de neurones artificiels et des systèmes flous, et présenter les principaux modèles de façon à ce qu'il(elle) puisse en analyser les avantages et les limitations pour une application donnée.
Réseaux de neurones artificiels: définitions, caractéristiques, fondements biologiques, structure et fonctionnement de base; méthodologie de construction et description des principaux modèles: perceptron, réseaux de neurones multicouches sans rétroaction, algorithmes d’apprentissage profonds.
Systèmes flous: définitions; opérations sur les sous-ensembles flous; les α-coupes, produit cartésien, principe d'extension, normes et co-normes triangulaires; relations et quantités floues; mesure d'imprécision; variables linguistiques et propositions floues.
Reconnaissance avec données partiellement annotées: apprentissage non-supervisé et modèles de catégorisation, apprentissage faiblement supervisé, adaptation domaine de classifieurs.
Méta heuristique et optimisation évolutionnaire: algorithmes génétiques; optimisation par essaims particulaires; optimisation avec multiples critères; applications aux systèmes neuronales et flous.
- Enseignant: Éric Granger