Cours MISI  :  Intelligence Artificielle, bioinformatique et fouille de données

Dernière mise à jour :   jeudi 18-Fév-2010

Organisation du cours :

• Contrôle :
•  Contrôle continu par devoirs à la maison et un mini-projet (Intelligence Artificielle)
•  Contrôle continu (Fouille des Données)
  
  
• Documents :
  •  Les transparents
    1. Introduction
    2. Recherche dans les graphes
    3. Raisonnement à plusieurs acteurs
    4. Raisonnement logique
    5. Raisonnement à base de connaissances
    6. Introduction à l'apprentissage artificiel

Programme prévisionnel :

Sources bibliographiques et url :

Livres sur l'intelligence artificielle en général :

•  Russell S. & Norvig P. : Intelligence Artificielle (2ème ed.). InterEditions, 2006.
    (L'ouvrage de référence pour l'intelligence artificielle)

Livres sur l'apprentissage artificiel en général :

•  Cornuéjols A. & Miclet L. : Apprentissage artificiel : Concept et algorithmes. Eyrolles, 2002. (2ème édition en 2010)
    (L'ouvrage de référence pour l'apprentissage artificiel)

•  Cherkassky V. & Mulier F. : Learning from data. Concepts, theory and methods. Wiley Interscience, 1998.
    (Livre moins classique dans son organisation mais très intéressant)

•  Duda, Hart & Stork : Pattern classification (2nd éd.). Wiley-Interscience, 2001.
   (Orienté sur la reconnaissance de formes. Des graphiques exemplaires. Une référence)

•  Hand, Mannila & Smyth : Data mining. Springer, 2001.
   (Livre assez complet, mais nécessairement plus superficiel car couvrant aussi la fouille de données)

•  Hastie, Tibshirani & Friedman : The elements of statistical learning. Data mining, inference and prediction. Springer, 2001.
   (Un peu difficile, mais très informatif. Une typographie exemplaire. Un livre technique en couleurs !)

•  Haykin S. : Neural netwoks. A comprehensive foundation. Prentice Hall, 1999.
   (Une somme incroyable)

•  Haykin S. : Neural netwoks and Learning Machines. Prentice Hall, 2008.
   (Toujours remarquable)

•  Mitchell T. : Machine Learning. McGraw Hill, 1997.
    (Un bon livre d'introduction, mais qui commence à dater)

•  Marsland S. : Machine Learning. An algorithmic prespective. CRC Press, 2009.
    (Un livre d'introduction, assez superficiel, avec des bouts de code en Python.)

Livres portant sur des sujets spécifiques :

•  Bishop C. : Neural networks for pattern recognition. Clarendon Press, 1995.
   (Un bon livre d'introduction. Orienté vers les réseaux de neurones, mais discute des problèmes importants en apprentissage artificiel)

•  Cristianini N. & Shawe-Taylor J. : Support Vectors Machines and other kernel-based learning methods. Cambridge University Press, 2000.

• Dreyfus, Martinez, Samuelides, Gordon, Badran Thiria : Apprentissage statistique.
  (Porte sur l'apprentissage par réseaux de neurones, malgré le titre laissant entendre une portée plus générale).

•  Webb A. : Statistical pattern recognition. Arnold, 1999.
   (Un livre d'introduction simple et de bon aloi. Injustement trop peu mentionné)
  

Liens Internet :

•  http://www.support-vector.net
    (Un point d'entrée sur les machines à vecteurs de support)

•  http://www.ai.univie.ac.at/oefai/ml/ml-resources.html
    (Un site recensant de très nombreuses ressources en Apprentissage Artificiel)