Ces cours, d'une durée totale de 18 heures et communs aux écoles doctorales EDISCE et EDMSTII, s'adressent à toute personne intéressée par la modélisation bayésienne et son application en IA et en sciences cognitives.
6 séances regroupées en 3 semaines, à compter du mercredi 4 janvier 2012, les mercredis matin de 8h30 à 11h30, et les lundis après-midi de 13h30 à 16h30, à Phelma-Polygone et Phelma-Minatec.
Le but de ces cours est de donner une introduction à cette approche, allant des fondements théoriques aux algorithmes pratiques, et des modèles du systèmes nerveux central aux applications industrielles.
Un examen est adossé au cours, pour les étudiants de M2 "Sciences Cognitives". Pour les doctorants, cet examen n'est pas obligatoire et le cours peut être validé comme "Formation Scientifique".
Pour s'inscrire, envoyer un e-mail à Cette adresse e-mail est protégée contre les robots spammeurs. Vous devez activer le JavaScript pour la visualiser..
Pré-requis :
Pas de prérequis particulier si ce n’est une formation de base en mathématiques et informatique. Le cours de M1 sur les approches bayésiennes est un plus mais n’est pas obligatoire. Le cours est en français, les transparents en anglais / français et les documents en anglais.
Synopsis :
Les systèmes sensorimoteurs, qu'ils soient naturels ou artificiels, doivent affronter la même difficulté centrale : comment survivre lorsqu'on ne sait pas tout ? Comment peuvent-ils utiliser un modèle incomplet et incertain de leur environnement pour percevoir, faire des inférences, décider, apprendre, et agir efficacement ?
En effet, tout modèle d'un phénomène réel est incomplet : il y a toujours des variables cachées, non prises en compte dans le modèle, qui influencent le phénomène. Ces variables cachées ont pour conséquence que le modèle et le phénomène ne se comportent jamais exactement de la même manière. L'incertitude est la conséquence directe et inévitable de l'incomplétude. Aucun modèle ne peut prévoir exactement les observations futures d'un phénomène, car ces observations sont conditionnées par les variables cachées. Aucun modèle ne peut non plus prévoir exactement les conséquences de ses décisions.
La théorie des probabilités, en tant que modèle du raisonnement rationnel, alternative à la logique, est le formalisme mathématique idéal pour faire face à cette difficulté centrale. Dans cette approche, les techniques d'apprentissage sont utilisées dans un premier temps pour transformer l'incomplétude en une représentation quantitative de l'incertitude, par l'utilisation de distributions de probabilités ; ensuite, l'inférence est utilisée pour raisonner et prendre des décisions basée sur l'incertitude. Cette approche, appelée "l'approche subjectiviste des probabilités", permet des raisonnements sous incertitudes aussi complexes et formels que ceux faits avec la logique et des connaissances exactes.
Le but de ce cours est de donner une introduction à cette approche, allant des fondements théoriques aux algorithmes pratiques, et des modèles du systèmes nerveux central aux applications industrielles.
Programme résumé :
- Fondations théoriques et justifications : Pourquoi les probabilités sont une alternative à la logique comme modèle du raisonnement rationnel ?
- Formalisme et modèle : Comment construire un modèle bayésien ?
- Algorithme et inférence : Comment sont faits les calculs d’inférence et d’apprentissage ?
- Exemples détaillés de modèles bayésiens développés et utilisés dans les sciences de la vie, la robotique et l'industrie.
- Application du formalisme bayésien à la sélection et comparaison de modèles.
Références principales :
- F. Colas, J. Diard, and P. Bessière. Common bayesian models for common cognitive issues. Acta Biotheoretica, 58(2-3):191–216, 2010
- O. Lebeltel, P. Bessière, J. Diard, and E. Mazer. Bayesian robot programming. Autonomous Robots, 16(1) :49–79, 2004
- Probabilistic Reasoning and Decision Making in Sensory-Motor Systems, volume 46 of Springer Tracts in Advanced Robotics. Springer-Verlag, 2008
Plan d'accès de Phelma-Polygone et Phelma-Minatec :
