3I026 - Introduction à l'Intelligence Artificielle et Data Science*10pt

3I026 - Introduction a l’Intelligence Artificielle et DataScience

Ludovic DenoyerChristophe Marsala

Universite Pierre et Marie Curie – Paris 6

21 janvier 2016

Programme du jour

1 L’UE 3I026

2 Le monde de l’IA....

3 Le monde du Big Data....

4 L’IA au service de la data science

Plan du cours

1 L’UE 3I026




IMPORTANT :

Debut des TDs et TMEs : semaine du lundi 25 janvierI TME : 14h - 17h45, salle 307, couloir 14/15I Animation : Gabriella Contardo & Ludmilla Tajtelbom

A noter :

site web de la Licence :http ://www-licence.ufr-info-p6.jussieu.fr/lmd/licence/2014/ue/LI351-2015fev/

Par le site de L.Denoyer : http://www-connex.lip6.fr/~denoyer

les cours seront disponibles sur la page Web

lisez regulierement vos emails [email protected]

allez regulierement sur le forum de l’UE (Site Piazza)

Christophe Marsala – Ludovic Denoyer (UPMC) 21 janvier 2016 4 / 37

http://www-connex.lip6.fr/~denoyer

Description de l’UE

IntervenantsI Cours :

F Ludovic Denoyer : [email protected] Christophe Marsala : [email protected]

I TME :F Gabriella Contardo + Ludmilla Tajtelbom (PhD)

PrerequisI Connaissance du langage PythonI Ne pas partir en courant en face d’une equation


Directives

La presence au cours est obligatoireI il n’y aura aucun rappel de cours en TMEI le cours doit etre lu et travaille avant d’aller en TMEI il y aura (peut etre) des interos portant exclusivement sur le cours

La presence au TME est obligatoire (note de CC)I les CR de TME seront notes - 3 rendus principauxI ils seront a rendre a la fin du TME

Calcul de la note d’UEI examen : 60% de la noteI controle continu : 40% de la note qui se decompose en


Petit rappel methodologique...

Nous retenons :I 10 % de ce que nous lisonsI 20 % de ce que nous entendonsI 30 % de ce que nous voyonsI 50 % de ce que nous entendons et voyonsI 70 % de ce que nous pratiquons

En suivant ce cours : prenez des notes !I noter aide a memoriser...

En rentrant chez vous ou le lendemain :I mettez vos notes au propreI refaites les exemples vusI allez sur la page de l’UE pour trouver une copie de ce cours

Avant les seances (TD/TME, cours)I relisez le cours et refaites les exercices


Petit rappel methodologique...

Nous retenons :I 10 % de ce que nous lisonsI 20 % de ce que nous entendonsI 30 % de ce que nous voyonsI 50 % de ce que nous entendons et voyonsI 70 % de ce que nous pratiquons

En suivant ce cours : prenez des notes !I noter aide a memoriser...

En rentrant chez vous ou le lendemain :I mettez vos notes au propreI refaites les exemples vusI allez sur la page de l’UE pour trouver une copie de ce cours

Avant les seances (TD/TME, cours)I relisez le cours et refaites les exercices


Mode de fonctionnement du cours

Liens avec la recherche :I Departement : Donnees et ApprentissageI Equipes : Machine Learning and Information Access + Learning Fuzzy

and Intelligent SystemI Autres equipes : Base de donnees + Agents Cognitifs et Apprentissage

Liens avec les master :I Master DAC - Donnees et ApprentissageI Master ANDROIDE - AgeNts Distribues, Robotique, Recherche

Operationnelle, Interaction, DEcision

Quel point commun a presque toutes ces differentesequipes/masters ?


Plan du cours

1 L’UE 3I026




Intelligence Artificielle


Apprentissage Automatique


Plusieurs Definitions

Learning is making useful changes in mind - [Marvin Minsky, 1985]

Learning is any change in a system that allows it to perform betterthe second time on repetition of the same task or another task drawnfrom the same population - [Herbert Simon, 1983]

Learning is the organization of experience - [Scott, 1983]

Learning is constructing or modifying representations of what is beingexperienced - [Riszard Michalski, 1986]


l’Apprentissage

Plusieurs definition (ecoles) de l’apprentissage :I Cognitivistes :

F Postulat : Assimilation de l’organisme a un ordinateur, a une machine atraiter des informations

F Apprentissage : L’apprentissage vise a creer un nouveau programme

I Theories ecologiques :F Postulat : Le comportement dynamique traduit l’adaptation du systeme

aux contraintes qui pesent sur luiF Apprentissage : Integrer de nouveaux etats stables

Allez voir les specialistes....


Apprentissage

C’est quoi la science de l’apprentissage ?

On etudie les apprentissage :I naturelsI artificiels

Des theories

Des modeles

Des Algorithmes

Differentes ecoles :

Les Symbolistes

Les Connexionnistes (rejoint par les statisticiens)I Statistical Machine Learning


Ordinateurs intelligents (par apprentissage)

Problematique :

Nous souhaitons avoir des ordinateursI intelligentsI adaptatifsI avec un comportement robuste

Programmer de tels comportement est souvent impossibleI Par exemple : Intelligence artificielle dans les jeux (scripts)

Solution :

Faire un ordinateur capable de se programmer lui-meme

a partir d’exemples (apprentissage classique / par imitation)

a partir de son ”experience” (apprentissage par renforcement)


Exemple

Exercice

Ecrivez un programme JAVA permettant de ....


Exemple

Exercice



Exemple

Exercice



Exemple

Exercice



Exemple

Exercice



Exemple

Exercice



Exemple

Exercice



Exemple

Exercice



Exemple

Exercice



Exemple

Exercice



Exemple

Exercice



Exemple

Exercice



Plan du cours

1 L’UE 3I026




Contexte


Contexte


L’apprentissage et la Data Science

Data driven science : le 4e paradigme (Jim Gray - Prix Turing)

Extrait : ”A l’heure actuelle, la science vit une revolution qui conduit a nouveauparadigme selon lequel ’la science est dans les donnees’, autrement dit laconnaissance emerge du traitement des donnees [...] Le traitement de donneeset la gestion de connaissances representent ainsi le quatrieme pilier de lascience apres la theorie, l’experimentation et la simulation. L’extraction deconnaissances a partir de grands volumes de donnees (en particulier quand lenombre de donnees est bien plus grand que la taille de l’echantillon) ,l’apprentissage statistique, l’agregation de donnees heterogenes, la visualisation etla navigation dans de grands espaces de donnees et de connaissances sont autantd’instruments qui permettent d’observer des phenomenes, de valider deshypotheses, d’elaborer de nouveaux modeles ou de prendre des decisions ensituation critique”


Plan du cours

1 L’UE 3I026




IA et Data Science

Voila ce que ca donne (avant)


IA et Data Science

Voila ce que ca donne (apres)


IA et Data Science

Et ca aussi


IA et Data Science

Qu’est-ce que l’IA et la DS partagent


IA et Data Science

Qu’est-ce que l’IA et la DS partagent

Un ensemble de modeles (predictifs) de l’apprentissageI SVM, Reseaux de neurones (Deep), Modeles bayesiens, arbres de

decisions (flous), forets, processus gaussiens, bandits, ....

Une ”demarche” (scientifique)I Voir cours 2

Des applications ”classiques”I Analyse de texte, analyse d’images, de paroles, ...

Des formations ! !


IA et Data Science

Qu’est-ce que l’IA et la DS ne partagent pas


IA et Data Science

Qu’est-ce que l’IA et la DS ne partagent pas

L’objectif

Les salaires


Panorama des domaines


Objectifs de l’UE

L’enjeu des data sciences et l’apprentissage automatique

C’est quoi une donnee ?I donnees incompletes, donnees numeriques, donnees qualitativesI CR 0 : Les outils de la data Science

Apprentissage non superviseI ClusteringI Clustering FlouI Visualisation de donneesI CR 1 : Analyse de donnees urbaines (Paris)

Apprentissage supervise (introduction)I Modeles statistiques (reseaux de neurones)I Modeles symboliques (arbres et forets)I CR 2 : Prediction de mobilite (Paris)

Resolution de problemesI Algorithmes de planificationI CR 3 : Planification de mobilite (Paris)


Quelques livres conseilles sur l’intelligence artificielle

Elements de baseI “Intelligence Artificielle : resolution de problemes par l’homme et la machine”, J.L.

Lauriere, 1987I “Intelligence Artificielle”, P. Winston, 1988I “Principes d’intelligence artificielle”, N. Nilsson, 1988

I “Artificial intelligence, a modern approach”, S. Russel & P. Norvig, 1995

Livres plus generaux (format poche)I “L’intelligence artificielle”, J.-P. Haton & M.-C. Haton, 1993 (Que-sais-je ?)I “Les sciences de l’artificiel”, , H. Simon, 1996 (Folio essais)I “A la recherche de l’intelligence artificielle”, D. Crevier, 1999 (Champs Flamm.)I “La machine de Turing”, A. Turing (& J.-P. Girard), ed. 1999 (Points Sciences)

I “L’intelligence artificielle”, J.-G. Ganascia, 2007 (Le cavalier bleu)

Pour aller plus loin...I “Godel, Escher, Bach : Les Brins d’une Guirlande Eternelle”, D. Hofstadter, 1979I “Metaconnaissance : futur de l’intelligence artificielle”, J. Pitrat, 1990

I “De la machine a l’intelligence artificielle”, J. Pitrat, 1995


Documents

3I026 - Introduction à l'Intelligence Artificielle et Data Science*10pt