Titre : Modélisation à base d'objets et représentation des connaissances
Responsable : Jacques MALENFANT
Répartition hebdomadaire ou semestrielle
(CM: 2h00)(TD: 2h00)(TME: 2h00)
Contenu
Rappel généraux sur la représentation des connaissances. Modèle objets et représentation des connaissances. Historique : frames, classification. Logiques de descriptions. Réseaux sémantiques. Graphes conceptuels. Graphes de Sowa. Liens avec les formalismes basés sur la logique. Ontologies, langages de description (RDF) et web sémantique.
Expérience du responsable dans le domaine de l’UE
Mes travaux de recherche se sont longtemps situés à la limite entre la programmaiton par objets et l'IA. Ma thèse, soutenue en 1990, portait sur la conception d'un langage de programmation logique par objets et répartie. J'ai ensuite travaillé sur les langages à prototypes, qui forment la famille de langages de programmation la plus proche des langages de frames. Je fais partie depuis plus de dix ans des comités de programme de la conférence Langages et Modèles à Objets, une conférence francophone où se côtoient les chercheurs des domaines des langages à objets et de la représentation de connaissances par objets. J'assure la responsabilité de cette unité d'enseignement en collaboration avec Jean-Gabriel Ganascia et Nicolas Sabouret.
Réalisations du responsable dans le domaine de l’UE
J. Malenfant. Abstraction et encapsulation en programmation par prototypes. Technique et science informatiques, vol. 15, n° 6, 1996, pp. 709-733.
J. Malenfant, C. Dony et P. Cointe. A Semantics of Introspection in a Reflective Prototype-Based Language. Lisp and Symbolic Computation, Kluwer, vol. 9, n° 2/3, mai/juin 1996, pp. 153-179.
J. Malenfant, G. Lapalme, et J. Vaucher. ObjVProlog-D: Distributed Object-Oriented Programming in Logic. Object-Oriented Systems, Chapmann and Hall publishers, 3(2):61-86, juin 1996.
Co-organisateur de l'atelier « On Reflection and Metalevel Architectures and their Applications in AI » lors de la conférence IJCAI'95.
Membre de nombreux comités de programme de la série de conférences « Langages et Modèles à Objets » ; président en 1999.
Acronyme : mqia
Spécialité : IAD
6 ECTS
Niveau : 400
Semestre : S2
Titre : Modèles quantitatifs en IA
Responsable : Patrick GALLINARI
Répartition hebdomadaire ou semestrielle
(CM: 2h00)(TD: 2h00)(TME: 2h00)
Contenu
Le cours introduit les méthodes quantitatives de l’Intelligence Artificielle qui sont à la convergence de différents domaines : reconnaissance des formes, analyse de données, apprentissage automatique, sciences cognitives etc. Elles sont exploitées en reconnaissance d’images, de la parole, pour la prévision boursière et les moteurs de recherche etc. Le cours décrit les fondements de ces techniques et la programmation de cas pratiques : réseau de neurones pour la classification d’images, petit moteur de recherche, modèle de Markov pour la reconnaissance d’écriture. Ce cours est fondamental pour divers parcours de la filière IAD du M2.
Expérience du responsable dans le domaine de l’UE
Je suis Professeur, spécialiste de l’apprentissage statistique. J’ai été en un des principaux acteurs des réseaux de neurones en France dans les années 90. J’ai encadré une vingtaine de thèses dans le domaine de l’apprentissage, supervisé plus d’une dizaine de projets académiques ou avec des industriels. Mon équipe a été le noeud principal français du Réseau d’Excellence Européen Neuronet (réseaux de neurones) et actuellement du réseau d’Excellence Pascal (Apprentissage statistique). Au-delà des aspects théoriques, nos principales applications sont dans le domaine du texte et du langage, de la modélisation utilisateur et de la reconnaissance d’écrit.
Réalisations du responsable dans le domaine de l’UE
Amini M., Gallinari P., Semi-supervised Learning with an Imperfect Supervisor, In Knowledge And Information Systems, 8(4): 385-413 (2005)
Artières T, Marukatat S, Gallinari P., Une méthode générique pour la conception de moteurs de reconnaissance de symboles manuscrits en ligne, In Traitement du Signal, (2005)
Benjamin Piwowarski and Patrick Gallinari., A Bayesian Network for XML Information Retrieval: Searching and Learning with the INEX Collection, In Information Retrieval 8 (4): 655-681 (2005)
Denoyer L., Gallinari P., Bayesian Network Model for Semi-Structured Document Classification In Information Processing and Management, vol 40(5): 807-827 (2005)
Njike Fotzo H., Gallinari P., Learning « Generalization/Specialization » Relations between Concepts - Application for Automatically Building Thematic Document Hierarchies, RIAO conference (2004)
