Révisions - IA Généralité: problèmes de lIA Recherche Logique Traitement de lincertitude Apprentissage Langue naturelle
Généralité Quels types de problèmes pour lIA? Quelles caractéristiques? Approches générales: penser vs agir, rationnel vs. humain Historique
Recherche dans lespace détats Principe: état=? Recherche=? Algorithmes – Non Informée: profondeur, largeur, … – Informée: best-first (meilleur dabord), A et A*, glouton (greedy), hill-climbing Admissible, monotone Complexités Comment choisir un algorithme? Comment définir une heuristique?
Jeux à deux Minimax Alpha-beta
logique Syntaxe vs sémantique Logique propositionnelle – Représenter les faits observés dans la KB – Méthodes de preuves Model checking Inférence – Satisfiable, unsatisfiable, valide – Preuve par réfutation – Preuve avec la règle de résolution (!)
Logique Logique du premier ordre (de prédicats) – Syntaxe, sémantique – Généralisation des règles dinférence – Forme normale conjonctive, clause – Unification, substitution la plus générale
Incertitude Pourquoi il y a lincertitude? Probabilité Dépendance et indépendance Règle de chaîne Règle de Bayes
Réseau bayésien Forme de réseau Signification Table de probabilité conditionnelle Déterminer la probabilité - inférence – Méthode par énumération: introduire les variables cachées et sommer – Méthodes déchantillonnage (basique, avec rejet, MCMC)
Apprentissage Problème dapprentissage (quest-ce quon apprend?) Méthodes – Arbre de décision – Naïve Bayes – SVM – Réseau de neurones Caractéristiques, et propriétés Adaptées à quelles situations? Sélection dattributs (pourquoi?)
Langue naturelle Niveaux de traitement (morphologique, syntaxique, sém., …) Problèmes: ambiguïtés Approche par règle vs. approche statistique Grammaires (régulière, hors-contexte, …) Comment traiter les accords? Générer une représentation sémantique
Approches statistiques Modèles statistiques de langue – Comment créer? À quoi ça sert? Applications: tagging statistique, reconnaissance de parole, … Problèmes: dépendances linguistiques