Cette UE vise à consolider les fondements mathématiques et algorithmiques essentiels pour la maîtrise de l’intelligence artificielle.

• Notions clés en probabilités et statistiques

• Techniques d’analyse et de traitement des données

• Méthodes d’optimisation pour l’apprentissage automatique et profond

• Acquisition des outils nécessaires à la modélisation, l’évaluation et la mise en œuvre de systèmes d'IA

Cette UE initie les étudiants aux fondements de l’IA symbolique, centrée sur la représentation des connaissances et le raisonnement logique automatisé.

• Modèles de représentation : ontologies, graphes de connaissances, règles d’inférence, programmes logiques

• Gestion de l’incertitude et de l’imprécision dans le raisonnement

• Conception de systèmes intelligents capables de déduire, expliquer et inférer à partir de données hétérogènes

Cette UE forme les étudiants aux principes fondamentaux et avancés du Machine Learning et de l’apprentissage par renforcement.

• Approches d’apprentissage supervisé, non supervisé et par renforcement

• Algorithmes clés : régression, SVM, arbres de décision, clustering, Q-learning, etc.

• Conception, entraînement, validation et évaluation de modèles sur différents jeux de données

• Gestion des biais, surapprentissage, interprétabilité et optimisation des performances

• Ateliers pratiques avec des frameworks modernes (Scikit-learn, TensorFlow, PyTorch)

• Initiation à la conception d’agents intelligents capables d’apprendre par l’expérience

Cette UE vise à doter les étudiants d’une maîtrise des architectures de Deep Learning et de leurs applications.

• Modèles traditionnels : CNN, ResNet, RNN, LSTM

• Modèles récents : Transformers, modèles de diffusion, GNN, GANs

• Conception de pipelines pour l’entraînement, l’évaluation et l’adaptation de modèles

• Applications variées : segmentation d’images, classification, génération de texte, images ou sons, analyse multimodale

• Projets pratiques : vision par ordinateur (segmentation, détection d’objets, reconnaissance d’activités) et traitement du langage naturel

Cette UE forme les étudiants aux paradigmes émergents du Machine Learning et aux architectures d’IA hybrides combinant raisonnement symbolique et apprentissage profond.

• Apprentissage continu (incrémental) et apprentissage auto-supervisé

• Robustesse, évolutivité et interprétabilité des modèles (IA explicable)

• Modèles de fondation (Foundation Models) et leur utilisation pour générer des modèles spécialisés

• Techniques pour adapter et optimiser les modèles préentraînés : distillation, fine-tuning, compression, pruning

• Conception d’architectures IA hybrides pour l’inférence capables d’expliquer et justifier leurs décisions dans des tâches complexes : recherche d’information, description sémantique, prédiction d’événements, prise de décision et planification automatisée

Cette UE explore les interfaces entre l’IA et la robotique et forme les étudiants à la conception de systèmes robotiques autonomes et intelligents.

• Optimisation et synthèse de contrôleurs robotiques

• Amélioration des systèmes de perception multimodale

• Planification autonome de trajectoires et de tâches complexes

• Applications cibles : Expérimentations pratiques sur plateformes robotiques réelles et simulées (compatibles ROS) avec des robots exosquelettes et robots compagnons mobiles ou humanoïdes pour l’assistance à la personne

Cette UE forme les étudiants aux approches d’ingénierie logicielle pour la conception et la mise en œuvre de systèmes d'IA centrés sur les agents.

• Étude des bases NoSQL et création de pipelines MLOps automatisés

• Déploiement multi-niveaux : Edge, Cloud et IoT

• Conception d’architectures logicielles complexes pour les systèmes d'IA notamment des RAG

• Gestion de systèmes multi-agents autonomes

• Intégration et orchestration d’agents IA capables de mobiliser outils, raisonnement, planification et mémoire persistante pour accomplir des tâches complexes de manière autonome et collaborative

Cette UE permet aux étudiants de mettre en pratique leurs compétences en IA à travers un projet innovant et encadré. Présentation et soutenance des projets devant un comité de suivi avec possibilité de soumission des travaux dans des conférences ou congrès nationaux et internationaux.

• Découverte du cycle de vie d’un projet IA innovant : idéation, preuve de concept, évaluation, intégration et transfert vers des usages réels.

• Travail en équipe sur des problématiques réelles proposées par le laboratoire LISSI et les partenaires industriels ou académiques

• Développent des projets interdisciplinaires en s’appuyant sur des méthodologies agiles (eg. SCRUM)

• Mobilisation de différentes approches : IA symbolique, apprentissage profond, IA hybride, robotique

• Développement de l’autonomie, créativité, gestion de projet et capacité à innover