IA & Apprentissage Automatique : Appliquer, Construire & Résoudre

Aperçu

By the end of this course, learners will be able to design intelligent agents, apply search algorithms, implement machine learning models, perform logical reasoning, build expert systems with CLIPS, and apply probabilistic models for decision-making. The course equips participants with a strong foundation in Artificial Intelligence and Machine Learning, combining theory with hands-on practice.

This training begins with AI fundamentals, intelligent agents, and search strategies, then advances to heuristic methods and game-playing algorithms. Learners will explore neural networks, backpropagation, and clustering to understand machine learning essentials.

Logical reasoning and knowledge representation are introduced through propositional and predicate logic, unification, resolution, and Prolog programming. Expert systems are covered in depth with practical CLIPS tutorials, progressing from basics to advanced features.

Finally, the course integrates intelligent agent architectures with reinforcement learning, Markov Decision Processes, and Bayesian reasoning to manage uncertainty. Unique to this course is its balance of conceptual clarity and practical exercises, ensuring learners gain both the “why” and the “how” of AI.

By completing this course, learners will be well-prepared to apply AI and ML techniques to solve real-world problems in research, business, and technology.

Programme

• Fondements de l'Intelligence Artificielle Ce module introduit les fondamentaux de l'intelligence artificielle, y compris les définitions, les agents intelligents et la recherche dans l'espace des états. Les apprenants exploreront des algorithmes de recherche de base tels que BFS, DFS et le retour en arrière, acquérant ainsi une solide base dans les techniques de résolution de problèmes en IA.
• Recherche Avancée et Stratégies de Jeu Ce module aborde les techniques de recherche basées sur des heuristiques et les stratégies de jeux adversaires. Les apprenants examineront les fonctions heuristiques, l'admissibilité, la montée de colline, la recherche à coût minimal et l'algorithme minimax avec élagage alpha-bêta.
• Fondements de l'Apprentissage Automatique Ce module introduit les bases de l'apprentissage automatique avec un accent sur les perceptrons, les réseaux neuronaux, la rétropropagation et les algorithmes de regroupement. Les apprenants apprendront de manière pratique les méthodes d'apprentissage supervisé et non supervisé.
• Logique, Raisonnement et Représentation des Connaissances Ce module explore le raisonnement symbolique, couvrant la logique propositionnelle et des prédicats, les règles d'inférence, l'unification, la résolution et la programmation en Prolog. Les apprenants analyseront également les cadres de raisonnement tels que le raisonnement à base de cas et à base de modèles.
• Systèmes Experts et Programmation CLIPS Ce module introduit les systèmes experts à base de règles avec des applications pratiques utilisant l'environnement de programmation CLIPS. Les apprenants passeront des bases de CLIPS aux fonctionnalités avancées telles que les variables, les modèles, les jokers et les quantificateurs.
• Agents Intelligents, Prise de Décision et Probabilité Ce module intègre les architectures d'agents intelligents avec les cadres de prise de décision, l'apprentissage par renforcement et les modèles probabilistes. Les apprenants exploreront les MDP, le raisonnement bayésien et les stratégies pour gérer l'incertitude dans les systèmes d'IA.

---

Enseigné par

EDUCBA

---

Matières

Computer Science