Cours en ligne gratuit pour maîtriser les fondamentaux de l’IA : agents, recherche, probabilités, ML, RL, NLP et vision, avec une approche structurée.
Dans ce cours gratuit, découvrez
Agents intelligents : concepts fondamentaux Recherche heuristique : graphes et algorithme A* Recherche locale : optimisation par heuristiques Jeux à deux adversaires : minimax et élagage alpha-bêta Satisfaction de contraintes : CSP et propagation de contraintes Logique du premier ordre : représentation et inférence Raisonnement probabiliste : bases des probabilités en IA Réseaux bayésiens : modélisation et inférence Réseaux bayésiens dynamiques : modèles temporels et HMM Traitement automatique du langage : modèles et applications Processus de décision markoviens : planification sous incertitude Apprentissage automatique : des bases aux réseaux de neurones Apprentissage par renforcement : méthodes et compromis Vision par ordinateur : représentation, contours et reconnaissance
Descriptif du cours
Suivez un cours en ligne gratuit pour acquérir des bases solides en intelligence artificielle, au croisement de l’informatique et de la science des données. Conçu pour clarifier les concepts et le raisonnement derrière les méthodes modernes, il aide à comprendre comment modéliser un problème, choisir une approche et évaluer une solution de façon rigoureuse.
Le parcours met l’accent sur la notion d’agents et sur la prise de décision, avec des méthodes de recherche et d’optimisation utiles pour résoudre des tâches complexes. Il aborde aussi les jeux adversariaux, la satisfaction de contraintes et les fondements logiques nécessaires pour formaliser la connaissance et automatiser l’inférence.
Vous explorerez ensuite l’incertitude via les probabilités et les réseaux bayésiens, y compris leurs variantes dynamiques pour des phénomènes évolutifs. Le cours relie ces bases aux usages courants en traitement automatique du langage, aux processus de décision séquentielle et aux principes clés de l’apprentissage automatique et de l’apprentissage par renforcement, jusqu’aux applications en vision par ordinateur. Une ressource complète pour structurer votre compréhension de l’IA et progresser avec méthode.
Contenu du cours
Leçon vidéo : Intelligence Artificielle [1.1] : Agents intelligents - motivation
05m
Exercice: Quel est l’objectif principal mis de l’avant ici pour le cours en intelligence artificielle ?
Leçon vidéo : Intelligence Artificielle [1.2] : Agents intelligents - définition
14m
Leçon vidéo : Intelligence Artificielle [1.3] : Agents intelligents - types d'environnements
11m
Leçon vidéo : Intelligence Artificielle [1.4] : Agents intelligents - types d'agents
08m
Leçon vidéo : Intelligence Artificielle [1.5] : Agents intelligents - exemple
09m
Exercice: Dans l’analyse PEAS du monde du Wumpus, quel élément correspond à la mesure de performance ?
Leçon vidéo : Intelligence Artificielle [2.1] : Recherche heuristique - motivation
07m
Leçon vidéo : Intelligence Artificielle [2.2] : Recherche heuristique - recherche dans un graphe
09m
Exercice: Dans une formulation de recherche dans un graphe, que représente un nœud ?
Leçon vidéo : Intelligence Artificielle [2.3] : Recherche heuristique - A*
15m
Leçon vidéo : Intelligence Artificielle [2.4] : Recherche heuristique - exemple
12m
Exercice: Dans l’algorithme A*, comment se décompose la fonction d’évaluation F(n) ?
Leçon vidéo : Intelligence Artificielle [2.5] : Recherche heuristique - propriétés théoriques
11m
Leçon vidéo : Intelligence Artificielle [2.6] : Recherche heuristique - variations et applications
10m
Exercice: Quelle modification simple peut réduire l’utilisation de mémoire quand les listes OPEN et CLOSED deviennent trop grandes dans A* ?
Leçon vidéo : Intelligence Artificielle [3.1] : Recherche locale - motivation
05m
Leçon vidéo : Intelligence Artificielle [3.2] : Recherche locale - hill climbing
14m
Leçon vidéo : Intelligence Artificielle [3.3] : Recherche locale - simulated annealing
12m
Leçon vidéo : Intelligence Artificielle [3.4] : Recherche locale - algorithme génétique
15m
Exercice: Dans un algorithme génétique, comment appelle-t-on l'ensemble de solutions maintenu et mis à jour au fil des générations ?
Leçon vidéo : Intelligence Artificielle [4.1] : Jeux à deux adversaires - motivation
05m
Leçon vidéo : Intelligence Artificielle [4.2] : Jeux à deux adversaires - algorithme minimax
17m
Exercice: Dans un jeu à somme nulle, quel objectif poursuit le joueur « min » par rapport à la récompense du joueur « max » ?
Exercice: Comment définit-on la valeur minimax d’un nœud terminal ?
Exercice: Quelle est la complexité en temps de minimax en fonction du facteur de branchement B et de la profondeur maximale M ?
Leçon vidéo : Intelligence Artificielle [4.3] : Jeux à deux adversaires - élagage alpha-bêta
16m
Leçon vidéo : Intelligence Artificielle [4.4] : Jeux à deux adversaires - exemple
13m
Exercice: Dans l’élagage alpha-bêta, quelle est la condition d’arrêt (coupure) typique à un nœud MAX ?
Leçon vidéo : Intelligence Artificielle [4.5] : Jeux à deux adversaires - décisions en temps réel
10m
Leçon vidéo : Intelligence Artificielle [5.1] : Satisfaction de contraintes - motivation
06m
Exercice: Dans un problème de satisfaction de contraintes (CSP), que représente typiquement un nœud du graphe ?
Leçon vidéo : Intelligence Artificielle [5.2] : Satisfaction de contraintes - définition
11m
Leçon vidéo : Intelligence Artificielle [5.3] : Satisfaction de contraintes - backtracking search
14m
Exercice: Dans un problème de satisfaction de contraintes (CSP), que doit vérifier une assignation solution ?
Leçon vidéo : Intelligence Artificielle [5.4] : Satisfaction de contraintes - améliorations à backtracking search
22m
Leçon vidéo : Intelligence Artificielle [5.5] : Satisfaction de contraintes - algorithme AC-3
17m
Exercice: Que garantit la notion d’arc compatible (X → Y) dans un CSP ?
Leçon vidéo : Intelligence Artificielle [5.6] : Satisfaction de contraintes - recherche locale
06m
Leçon vidéo : Intelligence Artificielle [6.1] : Logique du premier order - motivation
12m
Exercice: Quel est l’objectif principal de l’utilisation de la logique du premier ordre en IA ?
Leçon vidéo : Intelligence Artificielle [6.2] : Logique du premier order - syntaxe
20m
Leçon vidéo : Intelligence Artificielle [6.3] : Logique du premier order - inférence
06m
Leçon vidéo : Intelligence Artificielle [6.4] : Logique du premier order - substitution
10m
Leçon vidéo : Intelligence Artificielle [6.5] : Logique du premier order - unification
16m
Exercice: Quel est l’objectif de l’unification entre deux littéraux α1 et α2 ?
Leçon vidéo : Intelligence Artificielle [6.6] : Logique du premier order - forme normale conjonctive
13m
Leçon vidéo : Intelligence Artificielle [6.7] : Logique du premier order - preuve par résolution
23m
Exercice: Dans une preuve par résolution, quel résultat indique qu'on a obtenu une contradiction et donc que F1 implique F2 ?
Leçon vidéo : Intelligence Artificielle [6.8] : Logique du premier order - autres concepts
11m
Leçon vidéo : Intelligence Artificielle [7.1] : Raisonnement probabiliste - motivation
08m
Leçon vidéo : Intelligence Artificielle [7.2] : Raisonnement probabiliste - définitions
10m
Leçon vidéo : Intelligence Artificielle [7.3] : Raisonnement probabiliste - calcul de probabilités
17m
Leçon vidéo : Intelligence Artificielle [7.4] : Raisonnement probabiliste - distribution de probabilités
05m
Leçon vidéo : Intelligence Artificielle [7.5] : Raisonnement probabiliste - règles de chaînage et de Bayes
12m
Exercice: À quoi sert principalement la règle de chaînage en probabilités ?
Leçon vidéo : Intelligence Artificielle [7.6] : Raisonnement probabiliste - indépendance
14m
Leçon vidéo : Intelligence Artificielle [8.1] : Réseaux bayésiens - motivation
09m
Exercice: Pourquoi une table de probabilités conjointes devient-elle impraticable quand on a beaucoup de variables binaires (ex. 1000 variables) ?
Leçon vidéo : Intelligence Artificielle [8.2] : Réseaux bayésiens - définition
09m
Leçon vidéo : Intelligence Artificielle [8.3] : Réseaux bayésiens - calcul de probabilités
16m
Exercice: Dans un réseau bayésien, comment s’écrit la probabilité conjointe de toutes les variables du réseau ?
Leçon vidéo : Intelligence Artificielle [8.4] : Réseaux bayésiens - indépendance
16m
Leçon vidéo : Intelligence Artificielle [8.5] : Réseaux bayésiens - D-séparation
10m
Exercice: Selon la règle de d-séparation, quand peut-on conclure que X et Y sont indépendants sachant Z ?
Leçon vidéo : Intelligence Artificielle [8.6] : Réseaux bayésiens - inférence
26m
Leçon vidéo : Intelligence Artificielle [8.7] : Réseaux bayésiens - spécifier les tables de probabilités
12m
Exercice: Quelles sont les deux composantes nécessaires pour construire un réseau bayésien ?
Exercice: Comment estime-t-on une probabilité conditionnelle P(X=x | Parents(X)=p) à partir de données complètes ?
Exercice: Quel est le rôle de la constante de lissage δ lors de l’estimation des probabilités ?
Leçon vidéo : Intelligence Artificielle [8.8] : Réseaux bayésiens - spécifier la structure
17m
Leçon vidéo : Intelligence Artificielle [9.1] : Réseaux bayésiens dynamiques - motivation
07m
Exercice: Dans un réseau bayésien dynamique, que représentent généralement les variables X_t ?
Leçon vidéo : Intelligence Artificielle [9.2] : Réseaux bayésiens dynamiques - définitions
12m
Leçon vidéo : Intelligence Artificielle [9.3] : Réseaux bayésiens dynamiques - type d'inférences
08m
Exercice: Dans un modèle dynamique, quel type d'inférence vise à estimer la distribution a posteriori de l'état caché le plus récent à l'instant t, étant donné toutes les observations jusqu'à t ?
Leçon vidéo : Intelligence Artificielle [9.4] : Réseaux bayésiens dynamiques - chaîne de Markov
07m
Leçon vidéo : Intelligence Artificielle [9.5] : Réseaux bayésiens dynamiques - modèle de Markov caché
09m
Exercice: Dans un modèle de Markov caché (HMM), quel type de variables supplémentaires apparaît par rapport à une chaîne de Markov ?
Leçon vidéo : Intelligence Artificielle [9.6] : Réseaux bayésiens dynamiques - probabilité marginale et filtrage
23m
Leçon vidéo : Intelligence Artificielle [9.7] : Réseaux bayésiens dynamiques - lissage
19m
Exercice: Dans un HMM, que représente β(j,t) ?
Leçon vidéo : Intelligence Artificielle [9.8] : Réseaux bayésiens dynamiques - prédiction
10m
Leçon vidéo : Intelligence Artificielle [9.9] : Réseaux bayésiens dynamiques - explication la plus plausible
15m
Exercice: Dans un HMM, que cherche-t-on lors de l’inférence de « l’explication la plus plausible » ?
Leçon vidéo : Intelligence Artificielle [10.1] : Traitement automatique du langage - motivation
07m
Leçon vidéo : Intelligence Artificielle [10.2] : Traitement automatique du langage - classification de documents
19m
Leçon vidéo : Intelligence Artificielle [10.3] : Traitement automatique du langage - apprentissage classif. doc.
19m
Leçon vidéo : Intelligence Artificielle [10.4] : Traitement automatique du langage - modèle de langage
17m
Exercice: Dans un modèle n-gram, de combien de mots précédents dépend la probabilité du mot à la position i ?
Leçon vidéo : Intelligence Artificielle [10.5] : Traitement automatique du langage - évaluation modèle langage
17m
Leçon vidéo : Intelligence Artificielle [10.6] : Traitement automatique du langage - étiquetage syntaxique
12m
Leçon vidéo : Intelligence Artificielle [10.7] : Traitement automatique du langage - extraction d'information
06m
Leçon vidéo : Intelligence Artificielle [11.1] : Processus de décision markovien - motivation
05m
Exercice: Quel est l’objectif principal d’un processus de décision markovien (MDP) dans le cadre d’un agent ?
Leçon vidéo : Intelligence Artificielle [11.2] : Processus de décision markovien - définitions
14m
Leçon vidéo : Intelligence Artificielle [11.3] : Processus de décision markovien - valeur d'un plan
10m
Exercice: Quel est le rôle principal du facteur d’escompte (γ) dans la définition de la valeur d’un plan ?
Leçon vidéo : Intelligence Artificielle [11.4] : Processus de décision markovien - itération par valeurs
13m
Leçon vidéo : Intelligence Artificielle [11.5] : Processus de décision markovien - itération par politiques
16m
Exercice: Dans l’itération par politique, quelle étape est réalisée à chaque itération pour la politique courante ?
Leçon vidéo : Intelligence Artificielle [12.1] : Apprentissage automatique - motivation
07m
Leçon vidéo : Intelligence Artificielle [12.2] : Apprentissage automatique - définitions
06m
Exercice: En apprentissage supervisé, que contient principalement l’ensemble d’entraînement ?
Leçon vidéo : Intelligence Artificielle [12.3] : Apprentissage automatique - k plus proches voisins
10m
Leçon vidéo : Intelligence Artificielle [12.4] : Apprentissage automatique - perceptron
12m
Exercice: Quel est un désavantage important de la méthode des k plus proches voisins pour faire une prédiction ?
Exercice: Dans le perceptron binaire décrit, quelle est la sortie de la fonction seuil si l’entrée est ≥ 0 ?
Exercice: Quelle est la règle de mise à jour (scalaire) d’un poids wi lors d’une erreur de prédiction ?
Leçon vidéo : Intelligence Artificielle [12.5] : Apprentissage automatique - exemple du perceptron
07m
Leçon vidéo : Intelligence Artificielle [12.6] : Apprentissage automatique - propriétés du perceptron
08m
Exercice: Dans un perceptron, à quoi correspond la surface de décision ?
Leçon vidéo : Intelligence Artificielle [12.7] : Apprentissage automatique - dérivées
11m
Leçon vidéo : Intelligence Artificielle [12.8] : Apprentissage automatique - dérivées partielles et gradient
18m
Exercice: Dans une dérivée partielle par rapport à x, comment traite-t-on les autres variables (ex. y) ?
Leçon vidéo : Intelligence Artificielle [12.9] : Apprentissage automatique - minimisation de perte
24m
Leçon vidéo : Intelligence Artificielle [12.10] : Apprentissage automatique - régression logistique
11m
Exercice: Quel est l’avantage principal de la régression logistique par rapport au perceptron concernant l’optimisation ?
Exercice: Quelle fonction est utilisée pour transformer le produit scalaire w·x en probabilité dans la régression logistique ?
Exercice: Avec la règle de décision décrite, quelle classe prédit-on si h(x) ≥ 0,5 ?
Leçon vidéo : Intelligence Artificielle [12.11] : Apprentissage automatique - réseau de neurones
13m
Leçon vidéo : Intelligence Artificielle [12.12] : Apprentissage automatique - rétropropagation
23m
Exercice: Quel principe mathématique permet de calculer efficacement les gradients dans un réseau de neurones (rétropropagation) ?
Leçon vidéo : Intelligence Artificielle [12.13] : Apprentissage automatique - exemple de réseau de neurones
12m
Leçon vidéo : Intelligence Artificielle [12.14] : Apprentissage automatique - généralisation
18m
Exercice: Pourquoi l’erreur mesurée sur l’ensemble d’entraînement est-elle souvent trop optimiste ?
Exercice: Quel ensemble de données sert principalement à choisir les hyperparamètres (ex. nombre de neurones cachés, taux d’apprentissage) ?
Exercice: Avec k-plus proches voisins, que vaut typiquement l’erreur d’entraînement quand k = 1 (données correctement étiquetées) ?
Leçon vidéo : Intelligence Artificielle [13.1] : Apprentissage par renforcement - motivation
10m
Leçon vidéo : Intelligence Artificielle [13.2] : Apprentissage par renforcement - estimation directe
14m
Exercice: Dans l'estimation directe en apprentissage par renforcement passif, comment estime-t-on la valeur d'un état pour une politique donnée ?
Leçon vidéo : Intelligence Artificielle [13.3] : Apprentissage par renforcement - prog. dyn. adaptative
21m
Leçon vidéo : Intelligence Artificielle [13.4] : Apprentissage par renforcement - différence temporelle
13m
Exercice: Quel problème principal l’algorithme TD (différences temporelles) cherche-t-il à éviter par rapport à l’approche de type résolution d’équations (modèle de transition) ?
Leçon vidéo : Intelligence Artificielle [13.5] : Apprentissage par renforcement - passif vs. actif
09m
Leçon vidéo : Intelligence Artificielle [13.6] : Apprentissage par renforcement - exploration vs. exploitation
10m
Exercice: Dans l'apprentissage par renforcement, que décrit principalement le dilemme exploration vs exploitation ?
Leçon vidéo : Intelligence Artificielle [13.7] : Apprentissage par renforcement - Q-learning
17m
Leçon vidéo : Intelligence Artificielle [13.8] : Apprentissage par renforcement - recherche de plan
11m
Exercice: Quel est l’objectif principal de la recherche de plans (recherche de politique) ?
Leçon vidéo : Intelligence Artificielle [13.9] : Apprentissage par renforcement - généralisation
15m
Leçon vidéo : Intelligence Artificielle [14.1] : Vision par ordinateur - motivation
06m
Exercice: Quel est l’objectif principal de cette partie du cours sur la vision par ordinateur ?
Leçon vidéo : Intelligence Artificielle [14.2] : Vision par ordinateur - représentation d'images
05m
Leçon vidéo : Intelligence Artificielle [14.3] : Vision par ordinateur - gradients d'images
19m
Exercice: Comment calcule-t-on une mesure d’intensité de contour à partir des variations horizontales et verticales ?
Leçon vidéo : Intelligence Artificielle [14.4] : Vision par ordinateur - contours d'images
12m
Leçon vidéo : Intelligence Artificielle [14.5] : Vision par ordinateur - histogrammes de gradients
11m
Exercice: Quel est l’objectif principal des histogrammes de gradients (HOG) en vision par ordinateur ?
Leçon vidéo : Intelligence Artificielle [14.6] : Vision par ordinateur - reconnaissance d'objets
10m
Ce cours gratuit comprend:
21 heure et 1 minutes du cours vidéo en ligne
Certificat numérique de réussite du cours (gratuit)
Exercices pour développer vos connaissances
100% gratuit, du contenu au certificat
