INF7841 - Intelligence artificielle

Professeur

Éric Beaudry
beaudry.eric@uqam.ca

Horaire et Local

Voir l'horaire et les locaux du cours.

Calendrier

Ce calendrier est une ébauche et sujet à changements.

# Date Sommaire de l'activité

7 septembre

Pas de cours.

14 septembre

9h00: Début du cours

Plan de cours officiel: HTML | PDF .
Entente d'évaluation.
Notions de base:

10h30: Séminaire du DIC

21 septembre

Résolution de problèmes par recherche.

Rappel théorie des graphes et algorithmes de base.
Formalisation d'un problème.
Stratégies non informées.

En largeur, en profondeur, profondeur limité (itérative).

Recherche heuristique / Algorithme A* [ PDF | PPTX ].

Stratégies informées.
Meilleur d'abord.
Heuristiques.
Algorithme A*.

Exercice 1. Solutions

Démo 1 : algorithmes de recherche. Si l'applet Java ne se lance pas essayez en ligne de commande:
appletviewer http://ericbeaudry.ca/INF4230/demos/search/.
Démo 2 : algorithmes de recherche.

28 septembre

Recherche en situation d'adversité [PDF | PPTX].

Jeux / Jeux à sommes nulles.
Adaptation de la recherche à des jeux : Algorithme MiniMax.
MiniMax avec Élagage Alpha-Beta (Alpha-Beta pruning).
Prise de décisions imparfaites en temps réel.
Généralisation aux jeux avec du hasard.

5 octobre

Quiz/Devoir (5%) : questionnaire | annexe Q27 à Q30 | grilles Sokoban.

Raisonnement probabiliste. [PPTX | PDF]

Théorie des probabilités (rappels).
Règle de Bayes.
Inférence probabiliste.

Réseaux bayésiens. [PPTX| PDF]

12 octobre

Processus décisionnels de Markov (MDP).

Réseaux bayésiens dynamiques.

Robotique.

19 octobre

9h10: Distribution des articles + Instructions.
Lecture et présentation d'articles: Instructions (en classe), Grille d'évaluation + Quoi remettre.

Étudiant.e	Thème	Article(s)
Akkari Thomas	Anytime Dynamic A*	Maxim Likhachev, Dave Ferguson, Geoff Gordon, Anthony Stentz, and Sebastian Thrun. (2005) Anytime Dynamic A*: An Anytime, Replanning Algorithm AAAI.
Des Rosiers Jonathan	IA, Jeux, Poker	Matej Moravcik, Martin Schmid, Neil Burch, Viliam Lisy, Dustin Morrill, Nolan Bard, Trevor Davis, Kevin Waugh, Michael Johanson, and Michael Bowling. (2017) DeepStack: Expert-Level Artificial Intelligence in Heads-Up No-Limit Poker . Science. Darse Billings, Lourdes Peña, Jonathan Schaeffer, Duane Szafron. (1999) Using Probabilistic Knowledge and Simulation to Play Poker. AAAI. Darse Billings, Denis Papp, Lourdes Pena, Jonathan Schaeffer, and Duane Szafron. (1999) Using Selective-Sampling Simulations in Poker. AAAI Spring Symposium on Search Techniques for Problem Solving under Uncertainty and Incomplete Information.
El Mahdaoui Chafik	MDP online	Bonet, B, Geffner, H. (2003) Labeled RTDP: Improving the Convergence of Real-Time Dynamic Programming ICAPS.
Fennani Wafa	IA appliquée aux jeux sérieux	Alexandre Menif, Christophe Guettier and Tristan Cazenave. (2013) Planning and Execution Control Architecture for Infantry Serious Gaming
Guiraute Marie	Simulation multi-agents	Michael J. Lanham, Geoffrey P. Morgan et Katleen M. Carley (2014). Social Network Modeling and Agent-Based Simulation in Support of Crisis De-Escalation. IEEE Transactions on Systems, man, cybernetics systems. 44(1). D. Karaboga et B. Basturk (2008). On the performance of artificial bee colony (ABC) algorithm. Applied Soft Computing, Elsvier, 8(1).
Haddaji Mohamed Amine	Planification de chemin coopératif (nouveau sujet) ~~(Reinforcement) Learning~~	David Silver (2005). Cooperative Pathfinding. AIIDE. C. Zhou, B.B. Balle, J. Pineau. (2016) Learning Time Series Models for Pedestrian Motion Prediction. International Conference on Robotics and Automation (ICRA). Beomjoon Kim & Joelle Pineau. (2016) Socially Adaptive Path Planning in Human Environments Using Inverse Reinforcement Learning International Journal of Social Robotics (SORO). M. Ghavamzadeh, S. Mannor, J. Pineau, A. Tamar. (2015) Bayesian Reinforcement Learning: A Survey. Foundations and Trends in Machine Learning. Vol. 8: No. 5-6, pp 359-483.
Hay Valérie	AI appliquée médecine/bio.	Christos Dimitrakopoulosa, Konstantinos Theofilatosa, Andreas Pegkasb, Spiros Likothanassisab, Seferina Mavroudi. Predicting overlapping protein complexes from weighted protein interaction graphs by gradually expanding dense neighborhoods. Artificial Intelligence in Medicine, Volume 71, July 2016, Pages 62-69.
Lefebvre Jean-Philippe	POMDP et Système tutoriel intelligent	Rafferty, A. N., Brunskill, E., Griffiths, T. L., and Shafto, P. (2011) Faster teaching by POMDP planning Proceedings of The 15th International Conference on Artificial Intelligence in Education (AIED2011) (p. 280-287).
Massardi Jean	Robotique	Cashmore, M., Fox, M., Long, D., Magazzeni, D., Ridder, B., Carrera, A., ... & Carreras, M. (2015) ROSPlan: Planning in the Robot Operating System . ICAPS.
Hugues McNeil-Duval	Détection motifs temporels	Mathieu Beaudoin, Froduald Kabanza, Vincent Nault, Louis Valiquette (2013). An Antimicrobial Prescription Surveillance System that Learns from Experience Innovative Applications of Artificial Intelligence (IAAI conjointement avec AAAI).

10h30: Séminaire du DIC (optionnel)

Conférencier: David Labbé de l'ÉTS.
Titre: La réalité virtuelle pour prévenir les blessures sportives et améliorer la réadaptation motrice.
Résumé: La réalité virtuelle permet un grand contrôle de tous les éléments de l’environnement de l’utilisateur, permettant ainsi de créer des contextes d’apprentissage qui sont impossibles dans la réalité physique. Le professeur David Labbé présentera les résultats de ses récents travaux où il utilise la réalité virtuelle pour faire l’entrainement cognitif d’athlètes afin de réduire leur risque de blessure ligamentaire et augmenter leurs performances sportives. Il présentera aussi les résultats de ses études portant sur l’utilisation d’égo-avatars virtuels pour améliorer la réadaptation motrice, notamment suite à un accident vasculaire cérébral (AVC).

26 octobre

9h30 - 11h30: Consultations sur les articles (à mon bureau PK-4285).

11h30 - 12hxx: Révision (je réponds à vos questions au PK-4665).
Exercices proposés:

Partie 1 : inf4230-2016H-exam1.pdf | solutions (Q1, Q3, Q5)
Partie 2 : inf4230-2016H-exam2.pdf | solutions (Q3, Q4)

12hxx -- 12h30: Consultations sur les articles (à mon bureau PK-4285).

2 novembre

h30: Examen de synthèse.

Documentation autoriée: jusqu'à 4 pages (format lettre US ou A4) de notes personnelles. (4 pages = 2 feuilles recto-verso ou 4 feuilles recto seulement)

Il n'y aura pas d'ébauche fourni avant l'examen.

9 novembre

9h00: Présentations des articles 1.

Jean
Valérie

10h30: Présentation de Elizabeth Allyn Smith dans le cadre des séminaires du doctorat en informatique cognitive (DIC).

16 novembre

9h00: Présentations des articles 2.

Hugues
Mohamed Amine
Marie
Jonathan
Chafik
Jean-Philippe

23 novembre

9h00: Présentations des articles 3.

Thomas
Wafa

Quiz2 : Les copies des présentations sont ici

10h30 : Séminaire du DIC
Conférencier invité : Hugo Larochelle de Google Brain Montréal.
Titre: Généralisation à partir de peu d'exemples à l'aide du méta-apprentissage.
Résumé: La majorité des progrès récents sur de nombreuses tâches d'IA ont été rendus possible grâce à la disponibilité de grandes quantités de données étiquetées. Pourtant, les humains sont capables d'apprendre des concepts à partir d'une poignée d'exemples. Le méta-apprentissage est un cadre très prometteur pour aborder ce problème de la généralisation à partir de petites quantités de données ('few-shot learning'). Dans ce cadre, le modèle à entraîner est lui-même un algorithme d'apprentissage: il prend en entrée un ensemble d'entraînement et retourne en sortie un classificateur. Pour la généralisation à partir de peu d'exemples, le modèle est (méta-)entraîné directement à produire des classificateurs ayant une bonne performance de généralisation pour des problèmes ayant très peu de données étiquetées. Dans cette présentation, je vais passer en revue la recherche récente ayant permis des progrès excitants sur ce sujet.

24 novembre

Détails du projet

30 novembre

9h30 : Présentations des problématiques. Maximum: 8 minutes + 7 minutes de questions.

7 décembre

Consultations sur les mini-projets.

14 décembre

9h30 - 12h30: Présentations des mini-projets.

Wafa
Thomas
Jean-Philippe
Jonathan
Jean

15 décembre

9h30 - 12h30: Présentations des mini-projets.

Chafik
Marie
Mohamed Amine
Hugues
Valérie

Avant 16h00: Vous devez remettre votre:

rapport sous la forme d'article scientifique;
présentation (source + PDF);
code source du projet.

En soirée, vous recevrez 2 rapports à critiquer ainsi que des instructions à suivre sur comment évaluer ces deux rapports.

21 décembre

Vous devez remettre vous 2 critiques avant 17h00.

Bibliographie

[RN.en] Stuart Russell et Peter Norvig (2010). Artificial Intelligence : A Modern Approach (Third Edition). Pearson. [Lien COOPUQAM] [Site du livre] [ Bibliothèque UQAM]
[RN.fr] Stuart Russell et Peter Norvig (2010). Intelligence artificielle (3e édition). Traduction française de [RN.en]. Pearson. [Lien COOPUQAM] [Site du livre] [ Bibliothèque UQAM]

INF7841 - Intelligence artificielle Automne 2017

Professeur

Horaire et Local

Calendrier

Bibliographie

INF7841 - Intelligence artificielle
Automne 2017