Aller au menu Aller au contenu
Diversité scientifique et technologique
L'école d'ingénieurs de physique, électronique, matériaux
Diversité scientifique et technologique

> Formation

Cognition bayésienne: modèles pour la perception, l'apprentissage et l'action - WPMGCOB7

A+Augmenter la taille du texteA-Réduire la taille du texteImprimer le documentEnvoyer cette page par mail Partagez cet article Facebook Twitter Linked In Google+ Viadeo
  • Volumes horaires

    • CM : 18.0
    Crédits ECTS : 2.0

Objectifs

cours support pour Semestre à choix Scog

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.

Contact Julien DIARD

Contenu

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 ? (Le niveau de description ici est assez généraliste, il ne s'agit pas de décortiquer Baum-Welch, MCMC ou les méthodes variationnelles, par exemple, comme dans un cours d'algorithmie pure.)
  • 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.


Prérequis

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, les documents en anglais. Pendant le cours, je peux répondre occasionnellement en anglais à des questions en anglais.

Contrôles des connaissances

Un examen (EXAM1 pour la session principale, EXAM2 pour le rattrapage) est adossé au cours, pour les étudiants de M2 "Sciences Cognitives". Il n'y a pas de contrôle continu. Pour les doctorants, l'examen n'est pas obligatoire et le cours peut être validé comme "Formation Scientifique".



N1=100%EXAM1. N2=100%EXAM2.

Informations complémentaires

Cursus ingénieur->FSC-COG->Semestre 9
Cursus ingénieur->Double-Diplômes Ingénieur/Master->Semestre 9
Cursus ingénieur->Master SCOG Sces Co / CNA->Semestre 9
Cursus ingénieur->Masters->Semestre 9

Bibliographie

Références d'introduction (les 2 premiers sont disponibles sur http://diard.wordpress.com ) :

  • 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

A+Augmenter la taille du texteA-Réduire la taille du texteImprimer le documentEnvoyer cette page par mail Partagez cet article Facebook Twitter Linked In Google+ Viadeo

mise à jour le 4 avril 2018

Grenoble INP Institut d'ingénierie Univ. Grenoble Alpes