L'université d'été sur l'intelligence artificielle vise à initier les étudiants au domaine de l'intelligence artificielle :

• en couvrant un large éventail de sujets, de méthodologies et d'applications connexes ;

• en donnant aux étudiants la possibilité d'acquérir une expérience pratique en traitant des problèmes du monde réel ;

• en organisant des visites éducatives dans des entreprises et des institutions où se déroule la recherche fondamentale en matière d'intelligence artificielle.

Nous espérons qu'à l'issue de l'université d'été sur l'IA, les étudiants auront :

• une bonne compréhension des sujets et méthodologies clés de l'apprentissage automatique et de l'intelligence artificielle en général, y compris l'apprentissage profond, la vision par ordinateur, l'apprentissage par renforcement, le traitement du langage naturel et l'analyse des réseaux ;

• renforcé leurs compétences de programmation en Python en mettant en œuvre et en évaluant divers algorithmes d'apprentissage automatique et en travaillant sur un défi de données du monde réel.

Des compétences en Python et en programmation sont requises pour le programme. Si vous n'êtes pas familier avec Python, vous devrez apprendre les bases avant le début de l'université d'été. Afin de prouver leur niveau en Python, les étudiants devront fournir dans la section d'inscription un projet déjà réalisé démontrant leurs compétences en programmation.

• Introduction à l'intelligence artificielle
  Ce cours donnera un aperçu du vaste domaine de l'intelligence artificielle en retraçant d'abord son histoire, puis en présentant les principales approches de l'intelligence artificielle : basée sur les réflexes, basée sur les états, basée sur les variables et basée sur la logique. Les étudiants appliqueront ces approches au cours d'une séance de travaux pratiques.
   

• Introduction à l'apprentissage automatique (Richard Combes)
  Ce cours présente les fondements de la théorie de l'apprentissage statistique, depuis les limites fondamentales jusqu'aux algorithmes, leur analyse et leur mise en œuvre pratique. Des concepts importants tels que la théorie de Vapnik-Chervonenkis, la minimisation empirique du risque, les algorithmes de descente de gradient stochastique et les méthodes de Kernel seront présentés en détail. Une session de laboratoire permettra aux étudiants d'appliquer le contenu théorique aux données.
   

• Apprentissage automatique sur les réseaux (Jhony Giraldo)
  Les réseaux (ou graphes) sont devenus omniprésents car les données provenant de diverses disciplines peuvent naturellement être mises en correspondance avec des structures de graphes. Parmi les exemples caractéristiques, on peut citer les réseaux sociaux (Facebook, Twitter, etc.), les réseaux d'information (Web, etc.) et les réseaux technologiques (Internet, etc.). Le problème de l'extraction d'informations significatives à partir de données graphiques à grande échelle d'une manière efficace est devenu crucial et difficile avec plusieurs applications importantes et, à cette fin, les méthodes d'exploration et d'apprentissage des graphes constituent des outils de premier plan. L'objectif de ce cours est de présenter les méthodes et algorithmes récents et de pointe pour l'analyse, l'exploration et l'apprentissage de données de réseaux à grande échelle, ainsi que leurs applications pratiques dans divers domaines (par exemple, le web, les réseaux sociaux, les systèmes de recommandation).
   

• IA générative et traitement du langage naturel (Hakim Benkirane)
   

• Introduction à l'apprentissage profond (Stergios Christodoulidis)
  Ce cours fournira aux étudiants les principes de l'apprentissage par représentation et de l'apprentissage profond en couvrant les sujets suivants : Réseaux neuronaux, rétropropagation et optimisation stochastique du gradient, auto-encodeurs, hyperparamètres et astuces d'apprentissage pour les réseaux neuronaux, régularisation, réseaux de croyance profonds et machines de Boltzmann profondes. Les étudiants appliqueront ces approches au cours d'une séance de travaux pratiques.
   

• Introduction à la vision par ordinateur (Hugues Talbot)
  Dans ce cours, les étudiants étudieront les principaux aspects de l'utilisation et des techniques de l'intelligence artificielle dans le contexte de l'imagerie médicale. L'imagerie médicale est un domaine d'application fascinant et majeur pour l'intelligence artificielle et l'apprentissage machine, où les enjeux sont importants et l'impact sur la société peut être durable et fort. Cependant, il s'agit également d'un domaine d'application qui présente de nombreux défis. En particulier, il est important que les résultats de l'IA dans ce domaine soient fiables, reproductibles et vérifiables. Les médecins ne sont généralement pas satisfaits des décisions de type « boîte noire » qui ne s'accompagnent d'aucune explication. Heureusement, il existe de nombreuses techniques novatrices pour produire exactement ce type de résultats, qui seront examinés en détail.
   

• Introduction à la vision par ordinateur et à l'imagerie médicale (Hugues Talbot)
   

• Apprentissage par renforcement (Stergios Christodoulidis)
   

• Intelligence artificielle et explicabilité (Wassila Ouerdane)
   

• Intelligence artificielle et environnement (Gilles Faÿ)