VAP IA – 3ème année en association avec Télécom Paris et ENSTA Paris

Descriptif

Depuis la rentrée 2018, Télécom ParisTech, Télécom Sud Paris et ENSTA ParisTech s'associent pour proposer une 3ème année de voie d'approfondissement Intelligence Artificielle. Une Intelligence artificielle est un programme capable d'effectuer des tâches dites intelligentes : apprendre, (raisonner), décider, en interagissant avec son environnement Ainsi, la voie d'approfodissement Intelligence Artificielle a pour objectif de former les futurs ingénieurs aux algorithmes de la décision nécessaires à la conception d’agents informatiques autonomes. Le parcours IA donne une vue d’ensemble des différents types de modèles permettant de prendre des décisions et de gérer la connaissance avec un volet appliqué dans des domaines pratiques tels que la vision, le traitement des langages naturels, la maintenance prédictive ou encore la robotique.

Deuxième année :

Les modules de deuxième année sont ceux de la VAP MSA (Modélisations Statistiques et Applications) et sont dispensés à Télécom SudParis-site d'Evry, en français.

Troisème année :

Télécom ParisTech, Télécom SudParis et ENSTA ParisTech sont associés pour proposer la 3ème année de la VAP Intelligence Artificielle. Les cours ont lieu à Palaiseau en bi-localisation entre les locaux de l'IMT et ceux de l'ENSTA. Les cours sont dispensés en français ou en anglais s'ils sont mutualisés avec des cours de Master IP-Paris. Durant la 3ème année, 30 ECTS académiques doivent être validés. Les modules de la VAP ne pouvant être rattrapés ou compensés, un parcours avec une base de 32 ECTS comme suit est imposé.

La 3ème année s'articule autour de trois blocs d'enseignement :

1. Fondements de l'Intelligence Artificielle
   • IA314: Intelligence artificielle et sciences des données : enjeux éthiques, sociaux et économiques (Valérie Beaudouin)

     Intelligence artificielle et sciences des données font l’objet d’une effervescence intense dans l’espace public. En effet, le perfectionnement des techniques d’apprentissage qui s’appuient sur des bases de données toujours plus volumineuses ouvre de nouvelles opportunités. Comme pour toute innovation technologique s’opposent des discours enthousiastes et critiques : tantôt ces technologies constituent un axe majeur d’innovation et de progrès, tantôt une menace pour l’humanité. Pour les utilisateurs, la situation est paradoxale : ils oscillent entre une perception positive des services rendus et une inquiétude face à l’exploitation de leurs traces. L’objectif de ce cours est de prendre au sérieux les représentations de ces technologies telles qu’elles s’expriment dans les discours mais aussi dans des formes artistiques et de les confronter à la réalité de ce que peuvent produire les algorithmes associés à des bases de données de plus en plus importantes. Comment les sciences sociales et les humanités peuvent nous aider à y voir plus clair dans ces débats?

   • IA301: Logics and Symbolic AI : knowledge representation and reasoning (Isabelle Bloch and Natalia Diaz Rodriguez)

     This course aims at providing the bases of symbolic AI, along with a few selected advanced topics. It includes courses on formal logics, ontologies, symbolic learning, typical AI topics such as revision, merging, etc., with illustrations on preference modeling and image understanding.

   • IA304: Probabilistic Models and Machine Learning (Wojciech Piecynszki)

     L'objectif du cours est d'exposer les principaux modèles markoviens avec applications en traitements bayésiens (segmentation, filtrage, lissage, prédiction, ...) des données. On traitera en particulier certains développements récents des modèles de Markov cachés et traitements généraux, de type de traitement particulaires, correspondants. L'accent sera mis sur les méthodes classiques d'estimation des paramètres aboutissant à des traitements non supervisés. On présentera différents exemples d'applications dans les domaines de traitement d'images, de poursuite, finances, ou encore codage et communications numériques.

2. Optimisation et Apprentissage pour l'IA
   • IA317: Machine learning in high dimension (Thomas Bonald)

     Calendar: http://www-inf.telecom-sudparis.eu/COURS/vap-ia/?genics=IA317
     

     On considère la problématique du passage à l'échelle en machine learning. Il s'agit de comprendre et d'apprendre à implémenter les principales approches permettant de résoudre numériquement des problème d'apprentissage statistique supervisé. Plusieurs angles seront abordé : réduction de la dimension et sélection des features, utilisation d'algorithmes d'optimisation adaptés, et utilisation d'outils informatiques distribués permettant de porter les calculs sur un cluster.

   • IA306: Deep learning 1 (Geoffroy Peeters and Alasdair Newson)

     Ce cours est une introduction aux méthodes d'apprentissage profond ("deep learning" en anglais). D'abord, on passera en revue la notion de réseau de neurones, dont l'exemple le plus simple est le "Multi-Layer Perceptron" (MPL). On regardera ensuite comment ces réseaux peuvent être entraînés sur une base de données, en particulier les techniques d'optimisation d'une fonction de coût (backpropagation, descente de gradient stochastique etc.). Ensuite, on introduira plusieurs techniques de régularisation couramment utilisées dans l'entraînement. On introduira les réseaux de neurones convolutionnels, ainsi que quelques réseaux connus utilisés pour la classification des objets dans les images. Enfin, on regardera quelques exemples plus récents de réseaux de neurones spécialisés pour certaines tâches ou problèmes, comme les réseaux récurrents, les autoencodeurs ou les generative adversarial networks (et autres modèles génératifs).

   • IA321: Apprentissage pour la robotique (Adriana Tapus)

     Ce cours présentera quelques algorithmes d'apprentissage de base (régression linéaire, régression logistique, SVM, Réseaux Bayésiens, etc.). Les étudiants auront la chance de mettre en œuvre et d'essayer certains de ces algorithmes sur des exemples simples. Des domaines d'application très larges en robotique et en robotique sociale seront présentés.

   • IA318: Apprentissage avancé (dont apprentissage par renforcement) (Thomas Bonald)

     Ce cours présente des méthodes avancées en apprentissage automatique. Il aborde notamment l’apprentissage par renforcement, l’apprentissage de données en grande dimension et les techniques d’optimisation rapides et distribuées.

   • IA307: Programming with GPU for deep learning (Elisabeth Brunet and Goran Frehse)

     Calendar: http://www-inf.telecom-sudparis.eu/COURS/vap-ia/?genics=IA307
     

     L'objectif de cet enseignement est de donner une vision des algorithmes et de leur implémentations dans les bibliothèques modernes d'apprentissage automatique fondées sur les réseaux de neurones. En particulier, l'utilisation de matériel spécifique, comme les cartes graphiques, pour gagner en performance sont au coeur de ces bibliothèques. Il est alors important de comprendre comment sont partagés les calculs entre matériel spécifique et CPU.

   • IA326: Kernel Machines (Florence d’Alché)

     The goal of this course is to introduce and deepen kernel methods as a major tool in nonparametric approaches to machine learning. In this course you will (re)discover that linear methods extend to nonlinear by using the famous kernel trick. Linear regression, linear classification and linear dimensionality reduction approaches will be highlighted as typical examples of this family of approaches. You will also learn how to think about machine learning in terms of hypothesis spaces and regularization choices, by leveraging a unique hyperparameter: the kernel. This will raise the issue of kernel design and learning. We will then show that the kernel trick is also interesting in the output space by tackling multi-task and structured prediction. Eventually, we will present an overview of the still-open question of scaling up kernel methods and will discuss the links between kernel machines and neural networks.

   • IA308: [En Option] Meta Heuristiques (Johann Dreo (Thalès))

     Les métaheuristiques sont des algorithmes de recherche stochastiques faisant partie des principales classes de solveur en optimisation non-linéaire. Employés sur des problèmes « difficiles » pour lesquels il est impossible de garantir des solutions optimales, ces méthodes permettent néanmoins de trouver des solutions approchées et sont classiquement employées sur des applications d'aide à la décision. Ce cours explore dans un premier temps les classes de problèmes sur lesquels il peut être pertinent d'employer des métaheuristiques en insistant sur l'importance de la modélisation. Conçues à l'origine sur la base de métaphores (algorithmes évolutionnaires, recuit simulé, essaims, colonies de fourmis, etc.), leur conception s'est mathématisée et met en jeu des outils mathématiques allant de la géométrie aux statistiques. Nous verrons comment aller au-delà des métaphores pour comprendre les aspects communs étant au cœur de ces méthodes, avec un focus sur quelques aspects parmi les plus utiles en pratique. Enfin, au-delà de la conception algorithmique, nous verrons pourquoi il est nécessaire d'employer une méthode empirique de validation issue des sciences expérimentales et comment mener une étude applicative rigoureuse en employant les dernières avancées en matière d'ingénierie algorithmique.

3. L'intelligence artificielle en action
   • PRIM: Projet de l'option IA (Antoine Amarilli and Stéphane Lathuilière, 12 ECTS)

     Web page: https://a3nm.net/work/teaching/2019-2020/ia311/
     

   • IA312: Natural Language Processing (Chloe Clavel and Giovanna Varni)

     Le traitement automatique des langues est un domaine en pleine expansion. Par exemple, beaucoup d'efforts ont été récemment consacrés au développement de méthodes capables d'analyser les données d'opinion disponibles sur le Web social. Le premier objectif de ce cours est d'aborder les différentes méthodes de traitement de la langue et d'apprentissage automatique sous-jacentes à l'analyse des textes. Au cours de ce cours, les étudiants acquerront des compétences théoriques et techniques sur les méthodes avancées d'apprentissage automatique et le traitement du langage naturel. Les techniques et concepts qui seront étudiés comprennent:

     • processus de langage naturel: tokenisation, marquage de partie de discours, représentation de document et word embeddings ressources linguistiques : les lexiques, wordnet
     • classement de texte et catégorisation de texte: méthodes avancées d'apprentissage automatique telles que les réseaux de neurones, les modèles markov cachés, etc.

   • IA323: [En Option] Perception pour les systèmes autonomes (Antoine MANZANERA)

     Web page: https://perso.ensta-paris.fr/~manzaner/Cours/ROB313/
     

     La vision est l'un des capteurs essentiel de la robotique. Ce cours a pour objectif de présenter les principales approches de la vision utilisées en robotique.

   • IA325: [En Option] From complexity to Intelligence (Jean-Louis Dessalles)

     The notion of complexity has been invented 50 years ago to solve mathematical issues related to machine learning, randomness and proof theory. It led to the development of Algorithmic Information Theory (AIT). Complexity and AIT have more recently been shown essential to address aspects of human intelligence, such as perception, relevance, decision making and emotional intensity. These aspects of cognition were sometimes considered mysterious and unpredictable. They can now be regarded as resulting in part from computations based on complexity and its converse, simplicity. For instance, abnormally simple situations such as a coincidence (two colleagues having dressed in purple independently) or a remarkable lottery draw (e.g. 1-2-3-4-5-6) are systematically perceived as unexpected and interesting. When crediting or blaming a person for an action (e.g. giving the wrong medicine to an allergic child), one considers the simplicity of the causal link leading to the consequences. One also considers the person’s ability to measure that simplicity. A dramatic event is perceived as more emotional if the victims can be defined simply (celebrities, friends’ friends), if the place is simple (famous location or close to one’s home) or if the circumstances are causally complex (e.g. the victim was unlikely to be there). The design of intelligent systems must take advantage of this sensitivity of the human mind to complexity and simplicity.

Le cursus est complété par un module de Langue vivante (2ECTS).

• Coordonnateur général à Télécom Paris : Mauro Sauzio
• Coordonnateur local : Elisabeth Brunet

Lien vers un témoignage. Lien vers la plaquette de la VAP.