Ce tutoriel sur l'algorithmique vous permettra d'apprendre les différentes techniques à la base de l'intelligence artificielle appliquée aux jeux de stratégie abstraite. Vous allez également y étudier les modules d'ordre supérieur et leur intérêt en matière de « composabilité » modulaire.

La logique floue est une extension de la logique classique qui permet la modélisation des imperfections des données et se rapproche dans une certaine mesure de la flexibilité du raisonnement humain. Il pourrait s'avérer très utile dans la programmation d'une intelligence artificielle.
Dans ce cours d'introduction à l'algorithmique, vous allez apprendre les notions de base de la logique floue en les illustrant par un exemple d'intelligence artificielle qui sera construit tout au long du cours.

Ce tutoriel sur l'algorithmique vous permettra d'apprendre la théorie des réseaux de neurones feed forward en partant de la description d'un seul neurone puis en arrivant progressivement au modèle de perception monocouche puis multicouche. Il présente également trois algorithmes d'apprentissage concernant les deux derniers modèles.
Pour rappel, les réseaux de neurones sont un concept importance en intelligence artificielle.

Ce tutoriel sur l'algorithmique va vous apprendre le fonctionnement d'un algorithme génétique général. Il a été écrit dans le but d'être accessible à tous les programmeurs, amateurs ou confirmés. Il ne sera donc fait mention d'aucune particularité liée à un langage de programmation.
Ce type d'algorithme peut être très utile dans la programmation d'une intelligence artificielle.

L'objectif de cette série de tutoriels sur l'algorithmique est de vous apprendre à concevoir l'intelligence artificielle pour les jeux vidéo. Au niveau le plus basique, l'« intelligence artificielle » consiste à émuler le comportement d'autres joueurs ou entités (c'est-à-dire tous les éléments qui peuvent agir ou interagir : des joueurs, des projectiles ou encore des points de régénération) qu'elle représente. Le concept de base consiste à simuler ces comportements. Autrement dit, l'IA des jeux vidéo est plus « artificielle » qu'« intelligente ». Ce peut être un système simple, conditionnel (avec des règles), ou aussi complexe que celui d'une armée qui s'oppose au joueur.

- Partie 1 : conception et implémentation
- Partie 2 : perceptions et recherche de chemins
- Partie 3 : tactique et stratégie
- Partie 4 : parallélisation et mise en œuvre

Le but de ce tutoriel sur l'algorithmique est de vous apprendre comment implémenter un algorithme génétique, cela à travers un exemple concret de recherche opérationnelle : le problème NP (N pour le Nombre de villes, et P pour le point de départ) complet dit du voyageur de commerce. Prérequis : algorithmes génétiques, programmation-objet, C++.
Ce type d'algorithme peut être très utile dans la programmation d'une intelligence artificielle.

Un algorithme de colonies de fourmis est un algorithme itératif à population où tous les individus partagent un savoir commun qui leur permet de guider leurs futurs choix et d'indiquer aux autres individus des directions à suivre ou au contraire à éviter. Il peut être très utile dans le programmation d'une intelligence artificielle.
Le but de ce tutoriel sur l'algorithmique est de vous apprendre comment implémenter un algorithme de colonie de fourmis, cela à travers un exemple concret de recherche opérationnelle : le problème NP (N pour le Nombre de villes, et P pour le point de départ) complet dit du voyageur de commerce.

Ce tutoriel va vous apprendre le fonctionnement de l'algorithme A*, en intelligence artificielle pour rechercher un chemin dans un graphe. C'est une tutoriel pratique avec un exemple en C++.

Dans ce premier tutoriel sur les concepts en algorithmique implémentés en Pascal, vous allez apprendre à implémenter et à manipuler des structures algébriques isomorphes à l'ensemble des entiers naturels N munis de lois. Vous allez également apprendre à implémenter des listes récursives et preuves de programme.
Ces structures présentent un intérêt majeur dans les systèmes d'intelligence artificielle.

L'AIRE est un groupe d'experts de Stanford qui se consacre à la recherche des meilleures approches pour repenser les systèmes éducatifs afin de les adapter à l'ère prochaine de la robotique et de l'intelligence artificielle. Selon Li Jiang, Directeur du programme AIRE, les systèmes éducatifs sont restés stagnants au fil des ans, et si aucun changement n'est prévu dans les 10 à 20 ans à venir, il se pourrait bien que les étudiants formés n'aient que peu de perspectives d'emploi à la fin de leurs études.

Cela fait plusieurs mois que je fais du pair programming avec un partenaire assez spécial : une intelligence artificielle. Avant d’aller plus loin dans ce billet de blog, je vais prendre quelques lignes pour définir dans un premier temps c’est quoi le pair programming ou programmation en binôme en français. Il s’agit d’une approche de travail dans laquelle deux développeurs travaillent ensemble sur un même poste de travail. La personne qui rédige le code est appelée conducteur (driver). La seconde personne, appelée observateur (observer), assiste le conducteur en décelant les imperfections, en vérifiant que le code implémente correctement le design et en suggérant des alternatives de développement. Les rôles s'échangent régulièrement pendant la séance de programmation. La programmation en binôme fait partie des bonnes pratiques de l'extreme programming.

Le plug-in de saisie semi-automatique complète de lignes de code pour Python est maintenant disponible en version bêta publique. Dans ce tutoriel, nous présentons une partie des technologies et des algorithmes utilisés pour la création de ce plug-in et partageons des statistiques sur la programmation en Python que nous avons collectées au cours de ce processus.

Scikit-learn est la principale bibliothèque d'outils dédiés au machine learning et à la data-science dans l'univers Python. Dans ce tutoriel, je vais présenter Scikit-learn en me basant sur le dataset IRIS.

Après avoir présenté le partitionnement par l'algorithme k-means, le partitionnement DBSCAN, et le partitionnement spectral, je vous présente dans ce tutoriel le partitionnement hiérarchique. C'est une technique d'apprentissage non supervisé dans le sens où l'algorithme sera capable de regrouper de lui-même les données en fonction de leurs similitudes.

Après avoir présenté le partitionnement par l'algorithme k-means et le partitionnement DBSCAN, je vous présente dans ce tutoriel le partitionnement spectral. Cette technique se base sur la théorie spectrale des graphes et sur l'algèbre linéaire pour séparer un graphe en plusieurs sous-graphes de tailles équivalentes. C'est une technique d'apprentissage non supervisé dans le sens où l'algorithme sera capable de regrouper de lui-même les données en fonction de leurs similitudes.

Dans ce tutoriel, je vous présente un autre algorithme de partitionnement de données (clustering) utilisé en data-science : l'algorithme DBSCAN (density-based spatial clustering of applications with noise). Il propose une approche différente de l'algorithme des k-moyennes. Il permet notamment de traiter des datasets de forme quelconque et il permet de séparer les clusters du bruit éventuel.

En data-science, le partitionnement de données (clustering) fait partie des techniques d'apprentissage non supervisé permettant de qualifier les données continues d'un dataset d'après la forme de ce dataset. L'objectif de l'algorithme des k-moyennes (k-means) est de découper notre dataset en k paquets qui se ressemblent. Le résultat du regroupement pourra définir une étiquette associée à chaque élément du dataset. C'est en ça que cette technique est classée dans l'apprentissage non supervisé, par opposition aux techniques où le libellé est fourni au modèle en même temps que les données.

Ce tutoriel va présenter les réseaux antagonistes génératifs GAN (generative adversarial networks) et en présenter une implémentation avec TensorFlow.

Dans ce tutoriel, je vais présenter la mise en œuvre en Python d'un réseau de neurones avec le framework TensorFlow de Google. Le but est de vous mettre le pied à l'étrier pour que vous puissiez ensuite vous lancer dans l'utilisation de ce merveilleux concept qu'est le réseau de neurones.

Le concept de machine learning ou d'apprentissage automatique est est un champ d'étude de l'intelligence artificielle qui se fonde sur des approches statistiques pour donner aux ordinateurs la capacité d'apprendre à partir de données.
Ce tutoriel va vous apprendre quelques avantages du machine learning dans l’analyse de données et les journaux d’évènements, pour améliorer votre proactivité dans la détection et la résolution d’anomalies sur vos systèmes connectés.

Dans ce tutoriel, nous allons apprendre à créer une mini intelligence artificielle, qui consiste à programmer une application de classification de spams en créant une nouvelle instance du classificateur de Watson, ensuite l'entrainer à la distinction entre le spam et non-spam puis nous allons tester son exactitude.

Dans cette série de trois tutoriels dédiée à l'intelligence artificielle distribuée, nous allons aborder des notions liées à la fois à l'algorithmique, aux mathématiques, aux sciences cognitives ou encore à la robotique. Aussi, nous mettrons en place une simulation basée sur le Framework Intellego afin de nous initier aux techniques de contrôle robotique avant de conclure par le développement de briques Lego RCX. Dans cette première partie, nous allons créer un univers dans lequel évolueront les robots : les labyrinthes parfaits.

Un moteur d'apprentissage peut devenir un module clé dans une intelligence artificielle. Ce tutoriel présente un modèle de code. Dans le développement avec ce modèle de code, nous allons enregistrer la charge utile d'un modèle déployé sur un moteur de service de modèle personnalisé à l'aide de Watson OpenScale Python SDK.
Ce tutoriel va vous apprendre à améliorer un système d'intelligence artificielle avec Keras pour créer une REST API d’apprentissage approfondi et surveiller avec Watson OpenScale.

Ce tutoriel est la deuxième partie d’une série de cours pour vous apprendre quelques avantages du machine learning dans l’analyse de données et des journaux d’évènements, pour améliorer votre proactivité dans la détection et la résolution d’anomalies sur vos systèmes connectés.
Dans ce tutoriel, vous allez utilisez Node-RED pour créer un générateur de données de test dans la programmation d'une intelligence artificielle.

Dans ce tutoriel nous allons montrer comment mettre en place une intelligence artificielle. Dans le jeu du morpion, la technique la plus courante est d'utiliser l'algorithme du Min-Max.

Dans ce tutoriel, nous avons présenté dans la partie précédente comment mettre en place une intelligence artificielle. Le problème de l'algorithme Min-Max est sa lenteur, il y a beaucoup d'évaluations inutiles. Dans cette partie, nous allons présenter une optimisation du Min-Max nommée Alpha-Beta.