Devenez l'un des professionnels les plus demandés du moment. Formez-vous avec le Mastère spécialisé en Intelligence Artificielle et Ingénierie des Connaissances avec ce programme très complet"

Les développements basés sur l'intelligence artificielle ont atteint de nombreuses applications dans le domaine de l'ingénierie. De l'automatisation de nombreuses procédures dans l'industrie et les entreprises, au contrôle des processus lui-même. Cela signifie que les professionnels de l'ingénierie doivent connaître et maîtriser le fonctionnement de ces techniques complexes.

Cette connaissance essentielle devient également la première étape pour accéder à la capacité de développement de ce type de technologie.

Tout au long de cette formation, un panorama réel de travail est proposé afin de pouvoir évaluer la pertinence de son application dans son propre projet, en évaluant ses indications réelles, la manière dont il est développé et les attentes que l'on peut avoir par rapport aux résultats.

Grâce à l'expérience, vous apprendrez à développer les compétences nécessaires pour progresser dans ce domaine de travail. Cet apprentissage, qui nécessite nécessairement de l'expérience, est concilié par l'e-learning et l'enseignement pratique, offrant une option unique pour donner à votre CV le coup de pouce que vous recherchez.

Rejoignez l'élite, avec cette formation pédagogique très efficace et ouvrez de nouvelles voies à votre avancement professionnel"

Ce Mastère spécialisé en Intelligence Artificielle et Ingénierie des Connaissances contient le programme académique le plus complet et le plus actuel du marché. Les principales caractéristiques sont les suivantes:

• Dernières technologies en matière de softwares d'enseignement en ligne
• Système d'enseignement intensément visuel, soutenu par des contenus graphiques et schématiques faciles à assimiler et à comprendre
• Développement d'études de cas présentées par des experts actifs
• Systèmes vidéo interactifs de pointe
• Enseignement basé sur la télépratique
• Systèmes de mise à jour et de recyclage continus
• Apprentissage auto-adaptatif: compatibilité totale avec d'autres professions
• Exercices pratiques pour l'auto-évaluation et la vérification de l'apprentissage
• Des groupes de soutien et synergies éducatives: questions à l'expert, forums de discussion et de connaissances
• Communication avec l'enseignant et travail de réflexion individuel
• Les contenus sont disponibles à partir de tout appareil fixe ou portable doté d'une connexion internet
• Banques de documents justificatifs disponibles en permanence, y compris après le programme

Un Mastère spécialisé en Intelligence Artificielle et Ingénierie des Connaissances avec la solvabilité d'un professionnel de haut niveau"

Le corps enseignant est composé de professionnels issus de différents domaines liés à cette spécialité. De cette façon, l'objectif visé par la mise à jour pédagogique est atteint. Une équipe multidisciplinaire de professionnels qualifiés et expérimentés dans différents environnements, qui développeront les connaissances théoriques de manière efficace, mais surtout, ils mettront à votre service les connaissances pratiques issues de leur propre expérience: une des qualités différentielles de cette formation.

Cette maîtrise du sujet est complétée par l'efficacité de la conception méthodologique. Développée par une équipe pluridisciplinaire d'experts en e-learning, la méthode intègre les dernières avancées en matière de technologie éducative. Ainsi, vous pourrez étudier avec une gamme d'outils multimédias pratiques et polyvalents qui vous donneront l'opérabilité dont vous avez besoin dans votre formation.

La conception de ce programme est basée sur l'apprentissage par les problèmes: une approche qui conçoit l'apprentissage comme un processus éminemment pratique. Pour y parvenir à distance, nous utilisons le téléenseignement. À l'aide d'un système vidéo interactif innovant et de la méthode Learning From an Expert, vous pouvez acquérir les connaissances comme si vous étiez confronté au scénario que vous êtes en train d'apprendre en ce moment. Un concept qui permet d'intégrer et de fixer votre apprentissage de manière plus réaliste et permanente.

Avec une conception méthodologique basée sur des techniques d'enseignement éprouvées, ce master innovant en Intelligence Artificielle et Ingénierie des Connaissances vous fera passer par différentes approches pédagogiques pour vous permettre d'apprendre de manière dynamique et efficace"

Notre concept innovant de télépratique vous donnera l'opportunité d'apprendre à travers une expérience immersive, ce qui vous permettra une intégration plus rapide et une vision beaucoup plus réaliste des contenus: “learning from an expert”

Le contenu de ce Mastère spécialisé a été élaboré par différents experts du domaine, avec un objectif clair: s'assurer que les étudiants acquièrent chacune des compétences nécessaires pour devenir de véritables experts dans tout ce qui concerne l'intelligence artificielle.

Un programme complet et bien structuré qui vous mènera vers les plus hauts standards de qualité et de réussite.  

Un programme d'enseignement très complet, structuré en unités didactiques très développées, orienté vers un apprentissage compatible avec votre vie personnelle et professionnelle"

Module 1. Fondamentaux de programmation 

1.1. Introduction à la programmation

1.1.1. Structure de base d‘un ordinateur
1.1.2. Software
1.1.3. Langage de programmation
1.1.4. Cycle de vie d‘une application logicielle

1.2. Conception d‘algorithmes

1.2.1. La résolution de problèmes
1.2.2. Techniques descriptives
1.2.3. Éléments et structure d‘un algorithme

1.3. Éléments d‘un programme

1.3.1. Origine et caractéristiques du langage C++
1.3.2. L‘environnement de développement
1.3.3. Concept de programme
1.3.4. Types de données fondamentales
1.3.5. Opérateurs
1.3.6. Expressions
1.3.7. Phrases
1.3.8. Entrée et sortie de données

1.4. Phrases de contrôle

1.4.1. Phrases
1.4.2. Bifurcations
1.4.3. Loops

1.5. Abstraction et modularité: fonctions

1.5.1. Conception modulaire
1.5.2. Concept de fonction et d‘utilité
1.5.3. Définition d‘une fonction
1.5.4. Flux d‘exécution dans un appel de fonction
1.5.5. Prototype d‘une fonction
1.5.6. Retour des résultats
1.5.7. Appel d‘une fonction: paramètres
1.5.8. Passage de paramètres par référence et par valeur
1.5.9. Identification de la zone

1.6. Structures de données statiques

1.6.1. Arrays
1.6.2. Matrices. Polyèdres
1.6.3. Recherche et tri
1.6.4. Chaînes Fonctions entrées/sorties pour les chaînes
1.6.5. Structures Unions
1.6.6. Nouveaux types de données

1.7. Structures de données dynamiques: pointeurs

1.7.1. Concept. Définition de pointeur
1.7.2. Opérateurs et opérations avec des pointeurs
1.7.3. Arrays de pointeurs
1.7.4. Pointeurs et Arrays
1.7.5. Pointeurs vers des chaînes
1.7.6. Pointeurs vers des structures
1.7.7. Indirectivité multiple
1.7.8. Pointeurs vers les fonctions
1.7.9. Passage de fonctions, de structures et de tableaux comme paramètres de fonction

1.8. Fichiers

1.8.1. Concepts de base
1.8.2. Opérations sur fichiers
1.8.3. Types de fichiers
1.8.4. Organisation de fichiers
1.8.5. Introduction aux fichiers C++
1.8.6. Traitement des fichiers

1.9. Récursivité

1.9.1. Définition de la récursion
1.9.2. Types de récursion
1.9.3. Avantages et inconvénients
1.9.4. Considérations
1.9.5. Conversion récursive-itérative
1.9.6. La pile de récursion

1.10. Preuves et documentation

1.10.1. Test de programmes
1.10.2. Test de la boîte blanche
1.10.3. Test de la boîte noire
1.10.4. Outils de tests
1.10.5. Documentation du programme

Module 2. Structure des données

2.1. Introduction à la programmation C++

2.1.1. Classes, constructeurs, méthodes et attributs
2.1.2. Variables
2.1.3. Expressions conditionnelles et boucles
2.1.4. Objets

2.2. Types de données abstraites (ADT)

2.2.1. Types de données
2.2.2. Structures de base et TAD
2.2.3. Vecteurs et Arrays

2.3. Structures de données linéaires

2.3.1. TAD liste. Définition
2.3.2. Listes liées et listes doublement liées
2.3.3. Listes ordonnées
2.3.4. Listes en C++
2.3.5. TAD Pile
2.3.6. TAD Queue
2.3.7. Pile et Queue en C++

2.4. Structures de données hiérarchiques

2.4.1. TAD Arbre
2.4.2. Sentiers
2.4.3. Arbres N-aires
2.4.4. Arbres binaires
2.4.5. Arbres de recherche binaires

2.5. Structures de données hiérarchiques: arbres complexes

2.5.1. Arbres parfaitement équilibrés ou arbres de hauteur minimale
2.5.2. Arbres à trajets multiples
2.5.3. Références bibliographiques

2.6. Monticules et queue de priorité

2.6.1. Monticules TAD
2.6.2. TAD File d‘attente prioritaire

2.7. Tables Hash

2.7.1. TAD Table Hash 
2.7.2. Fonctions Hash 
2.7.3. Fonction Hash en tables Hash
2.7.4. Redispersion
2.7.5. Tables Hash ouvertes

2.8. Networks

2.8.1. TAD Network
2.8.2. Type de Network
2.8.3. Représentation graphique et opérations de base
2.8.4. Design de réseaux

2.9. Algorithmes et concepts graphiques avancés

2.9.1. Problèmes sur les graphiques
2.9.2. Algorithmes sur les routes
2.9.3. Algorithmes sur les routes
2.9.4. Autres algorithmes

2.10. Autres structures de données

2.10.1. Sets
2.10.2. Arrays parallèles
2.10.3. Tableaux des symboles
2.10.4. Tries

Module 3. Algorithme et complexité

3.1. Introduction aux stratégies de conception d‘algorithmes

3.1.1. Récursivité
3.1.2. Diviser pour mieux régner
3.1.3. Autres stratégies

3.2. Efficacité et analyse des algorithmes

3.2.1. Mesures d‘efficacité
3.2.2. Mesurer la taille de l‘entrée
3.2.3. Mesure du temps d‘exécution
3.2.4. Pire cas, meilleur cas et cas moyen
3.2.5. Notation asymptotique
3.2.6. Critères d‘analyse mathématique pour les algorithmes non récursifs
3.2.7. Analyse mathématique des algorithmes récursifs
3.2.8. Analyse empirique des algorithmes

3.3. Algorithmes de tri

3.3.1. Concept de tri
3.3.2. Tri de la bulle
3.3.3. Tri par sélection
3.3.4. Ordre d‘insertion
3.3.5. Triage par fusion (Merge_Sort)
3.3.6. Tri rapide (QuickSort)

3.4. Algorithmes avec arbres

3.4.1. Concept d‘arbre
3.4.2. Arbres binaires
3.4.3. Parcours d‘arbres
3.4.4. Représentation des expressions
3.4.5. Arbres binaires ordonnés
3.4.6. Arbres binaires balancés

3.5. Algorithmes avec Heaps

3.5.1. Les Heaps
3.5.2. L‘algorithme HeapSort
3.5.3. Files d‘attente prioritaires

3.6. Algorithmes avec graphes

3.6.1. Représentation
3.6.2. Parcours en largeur
3.6.3. Visite en profondeur
3.6.4. Ordre topologique

3.7. Algorithmes Greedy

3.7.1. La stratégie Greedy
3.7.2. Éléments de La stratégie Greedy
3.7.3. Change de devises
3.7.4. Le problème du voyageur
3.7.5. Problème de sac à dos

3.8. Recherche de chemins minimaux

3.8.1. Le problème du chemin minimal
3.8.2. Arcs et cycles négatifs
3.8.3. Algorithme de Dijkstra

3.9. Algorithmes Greedy sobre Grafos

3.9.1. L‘arbre à chevauchement minimal
3.9.2. L‘algorithme de Prim
3.9.3. L‘algorithme de L‘algorithme de Kruskal
3.9.4. Analyse de complexité

3.10. Backtracking

3.10.1. Le Backtracking
3.10.2. Techniques alternatives

Module 4. Conception d‘algorithmes avancés

4.1. Analyse des algorithmes récursifs et des algorithmes de type „diviser pour régner“

4.1.1. Poser et résoudre des équations de récurrence homogènes et non-homogènes.
4.1.2. Aperçu de la stratégie „diviser pour régner“

4. 2. Analyse amortie

4.2.1. Analyse des agrégats
4.2.2. La méthode de comptabilisation
4.2.3. La méthode du potentiel

4.3. Programmation dynamique et algorithmes pour les problèmes NP

4.3.1. Caractéristiques de la programmation dynamique
4.3.2. Backtracking: retour en arrière
4.3.3. Branchements et élagage

4.4. Optimisation combinatoire

4.4.1. Représentation des problèmes
4.4.2. Optimisation 1D

4.5. Algorithmes de randomisation

4.5.1. Exemples d‘algorithmes de randomisation
4.5.2. Le théorème de Buffon
4.5.3. Algorithme de Monte Carlo
4.5.4. Algorithme de Las Vegas

4.6. Recherche locale et recherche de candidats

4.6.1. Garcient Ascent
4.6.2. Hill Climbing
4.6.3. Simulated Annealing
4.6.4. Tabu Search
4.6.5. Recherche de candidats

4.7. Vérification formelle des programmes

4.7.1. Spécification d‘abstractions fonctionnelles
4.7.2. Le langage de la logique du premier ordre
4.7.3. Le système formel de Hoare

4.8. Vérification des programmes itératifs

4.8.1. Les règles système formel de Hoare
4.8.2. Concept d‘itérations invariantes

4.9. Méthodes numériques

4.9.1. La méthode de bissection
4.9.2. Méthode de Newton Raphson
4.9.3. La méthode sécante

4.10. Algorithmes parallèles

4.10.1. Opérations binaires parallèles
4.10.2. Opérations parallèles avec les réseaux
4.10.3. Le parallélisme dans le principe "diviser pour régner"
4.10.4. Le parallélisme dans la programmation dynamique

Module 5. Logique computationnelle

5.1. Justification de la logique

5.1.1. Objet de l‘étude de la logique
5.1.2. A quoi sert la logique?
5.1.3. Composantes et types de raisonnement
5.1.4. Composants d‘un calcul logique
5.1.5. Sémantique
5.1.6. Justification de l‘existence d‘une logique
5.1.7. Comment vérifier qu‘une logique est adéquate?

5.2. Calcul de la déduction naturelle des déclarations

5.2.1. Langage formel
5.2.2. Mécanisme déductif

5.3. Formalisation et stratégies de déduction pour la logique propositionnelle

5.3.1. Stratégies de formalisation
5.3.2. Raisonnement naturel
5.3.3. Lois et règles
5.3.4. Déduction axiomatique et déduction naturelle
5.3.5. Le calcul de la déduction naturelle
5.3.6. Règles primitives du calcul propositionnel

5.4. Sémantique de la logique propositionnelle

5.4.1. Tables de vérité
5.4.2. Équivalence
5.4.3. Tautologies et contradictions
5.4.4. Validation des phrases propositionnelles
5.4.5. Validation au moyen de tables de vérité
5.4.6. Validation à l‘aide d‘arbres sémantiques
5.4.7. Validation par réfutation

5.5. Applications de la logique propositionnelle: circuits logiques

5.5.1. Les portes de base
5.5.2. Circuits
5.5.3. Modèles mathématiques de circuits
5.5.4. Minimisation
5.5.5. La deuxième forme canonique et la forme minimale en produit de sommes
5.5.6. Autres portes

5.6. Calcul de la déduction naturelle des prédicats

5.6.1. Langage formel
5.6.2. Mécanisme déductif

5.7. Stratégies de formalisation pour la logique des prédicats

5.7.1. Introduction à la formalisation en logique des prédicats
5.7.2. Stratégies de formalisation avec les quantificateurs

5.8. Stratégies de Déduction pour la logique des prédicats

5.8.1. Motif de l‘omission
5.8.2. Présentation des nouvelles règles
5.8.3. La logique des prédicats comme calcul de la déduction naturelle

5.9. Applications de la logique des prédicats: introduction à la programmation logique

5.9.1. Présentation informelle
5.9.2. Éléments de Prolog
5.9.3. Réévaluation et coupure

5.10. Théorie des ensembles, logique des prédicats et sa sémantique

5.10.1. Théorie des ensembles intuitionnistes
5.10.2. Introduction à la Sémantique des prédicats

Module 6. Intelligence artificielle et Ingénierie des Connaissances

6.1. Introduction à l‘intelligence artificielle et à l‘ingénierie des connaissances

6.1.1. Brève histoire de l‘intelligence artificielle
6.1.2. L‘intelligence artificielle aujourd‘hui
6.1.3. Ingénierie des Connaissances

6.2. Recherche

6.2.1. Concepts de recherche courants
6.2.2. Recherche non informée
6.2.3. Recherche informée

6.3. Satisfaisabilité booléenne, satisfaisabilité des contraintes et planification automatique

6.3.1. Satisfaisabilité booléenne
6.3.2. Problèmes de satisfaction des contraintes
6.3.3. Planification automatique et PDDL
6.3.4. La planification en tant que recherche heuristique
6.3.5. Planification avec le SAT

6.4. L‘intelligence artificielle dans les jeux

6.4.1. La théorie des jeux
6.4.2. Élagage Minimax et Alpha-Beta
6.4.3. Simulation: Monte Carlo

6.5. Apprentissage supervisé et non supervisé

6.5.1. Introduction à l‘apprentissage automatique
6.5.2. Classification
6.5.3. Régression
6.5.4. Validation des résultats
6.5.5. Regroupement (Clustering)

6.6. Réseaux neuronaux

6.6.1. Fondements biologiques
6.6.2. Modèle de calcul
6.6.3. Réseaux neuronaux supervisés et non supervisés
6.6.4. Perceptron simple
6.6.5. Perceptron multicouche

6.7. Algorithmes génétiques

6.7.1. Histoire
6.7.2. Base biologique
6.7.3. Codage des problèmes
6.7.4. Génération de la population initiale
6.7.5. Algorithme principal et opérateurs génétiques
6.7.6. Évaluation des individus: Fitness

6.8. Thésaurus, vocabulaires, taxonomies

6.8.1. Vocabulaires
6.8.2. Taxonomies
6.8.3. Thésaurus
6.8.4. Ontologies

6.9. Représentation des connaissances: web sémantique

6.9.1. Web sémantique
6.9.2. Spécifications: RDF, RDFS et OWL
6.9.3. Inférence/raisonnement
6.9.4. Linked Data

6.10. Systèmes experts et DSS

6.10.1. Systèmes experts
6.10.2. Systèmes d‘aide à la décision

Module 7. Systèmes intelligents

7.1. Théorie des agents

7.1.1. Histoire du concept
7.1.2. Définition de l‘agent
7.1.3. Les agents en intelligence artificielle
7.1.4. Les agents dans l‘ingénierie logicielle

7.2. Architectures d‘agents

7.2.1. Le processus de raisonnement d‘un agent
7.2.2. Agents réactifs
7.2.3. Agents déductifs
7.2.4. Agents hybrides
7.2.5. Comparaison

7.3. Informations et connaissances

7.3.1. Distinction entre données, informations et connaissances
7.3.2. Évaluation de la qualité des données
7.3.3. Méthodes de capture des données
7.3.4. Méthodes d‘acquisition de l‘information
7.3.5. Méthodes d‘acquisition des connaissances

7.4. Représentation des connaissances

7.4.1. L‘importance de la représentation des connaissances
7.4.2. Définir la représentation des connaissances à travers leurs rôles
7.4.3. Caractéristiques d‘une représentation des connaissances

7.5. Ontologies

7.5.1. Introduction aux métadonnées
7.5.2. Concept philosophique d‘ontologie
7.5.3. Concept informatique d‘ontologie
7.5.4. Ontologies de domaine et ontologies de niveau supérieur
7.5.5. Comment construire une ontologie?

7.6. Langages ontologiques et logiciels pour la création d‘ontologies

7.6.1. Triplés RDF, Turtle et N3
7.6.2. RDF Schema
7.6.3. OWL
7.6.4. SPARQL
7.6.5. Introduction aux différents outils de création d‘ontologies
7.6.6. Installation et utilisation du Protégé

7.7. Le web sémantique

7.7.1. L‘état actuel et l‘avenir du web sémantique
7.7.2. Applications du web sémantique

7.8. Autres modèles de représentation des connaissances

7.8.1. Vocabulaires
7.8.2. Vue d‘ensemble
7.8.3. Taxonomies
7.8.4. Thésaurus
7.8.5. Folksonomies
7.8.6. Comparaison
7.8.7. Mapas mentales

7.9. Évaluation et intégration des représentations des connaissances

7.9.1. Logique d‘ordre zéro
7.9.2. Logique du premier ordre
7.9.3. Logique descriptive
7.9.4. Relation entre les différents types de logique
7.9.5. Prolog: programmation basée sur la logique du premier ordre

7.10. Raisonneurs sémantiques, systèmes à base de connaissances et systèmes experts

7.10.1. Concept de raisonneur
7.10.2. Applications d‘un raisonneur
7.10.3. Systèmes basés sur la connaissance
7.10.4. MYCIN, l‘histoire des systèmes experts
7.10.5. Éléments et architecture des systèmes experts
7.10.6. Création de systèmes experts

Module 8. Apprentissage automatique et exploration de données

8.1. Introduction aux processus de découverte de connaissances et aux concepts de base de l‘apprentissage machine

8.1.1. Concepts clés du processus de découverte de connaissances
8.1.2. Perspective historique sur les processus de découverte de connaissances
8.1.3. Étapes des processus de découverte de connaissances
8.1.4. Techniques utilisées dans les processus de découverte de connaissances
8.1.5. Caractéristiques des bons modèles d‘apprentissage automatique
8.1.6. Types d‘informations sur l‘apprentissage automatique
8.1.7. Concepts d‘apprentissage de base
8.1.8. Concepts d‘apprentissage de base non supervisé

8.2. Exploration et prétraitement des données

8.2.1. Traitement des données
8.2.2. Traitement des données dans le flux d‘analyse des données
8.2.3. Types de données
8.2.4. Transformations de données
8.2.5. Visualisation et exploration des variables continues
8.2.6. Visualisation et exploration de variables catégorielles
8.2.7. Mesures de corrélation
8.2.8. Représentations graphiques les plus courantes
8.2.9. Introduction à l‘analyse multivariée et à la réduction de la dimensionnalité

8.3. Arbres de décision

8.3.1. Algorithme ID3
8.3.2. Algorithme C4.5
8.3.3. Sobreentrenamiento y poda
8.3.4. Analyse des résultats

8.4. Évaluation des classificateurs

8.4.1. Matrices de confusion
8.4.2. Matrices d‘évaluation numérique
8.4.3. Statistique de Kappa
8.4.4. La courbe ROC

8.5. Règles de classification

8.5.1. Mesures d‘évaluation des règles
8.5.2. Introduction à la représentation graphique
8.5.3. Algorithme de superposition séquentielle

8.6. Réseaux neuronaux

8.6.1. Concepts de base
8.6.2. Réseaux neuronaux simples
8.6.3. Algorithme de Backpropagation
8.6.4. Introduction aux réseaux neuronaux récurrents

8.7. Méthodes bayésiennes

8.7.1. Concepts de base de probabilité
8.7.2. Théorème de Bayes
8.7.3. Naive Bayes
8.7.4. Introduction aux réseaux bayésiens

8.8. Modèles de régression et de réponse continue

8.8.1. Régression linéaire simple
8.8.2. Régression linéaire multiple
8.8.3. Régression logistique
8.8.4. Arbres de régression
8.8.5. Introduction aux machines à vecteurs de support (SVM)
8.8.6. Mesures de la qualité de l‘ajustement

8.9. Clustering

8.9.1. Concepts de base
8.9.2. Clustering hiérarchique
8.9.3. Méthodes probabilistes
8.9.4. Algorithme EM
8.9.5. Méthode B-Cubed
8.9.6. Méthodes implicites

8.10. Exploration de textes et traitement du langage naturel (NLP)

8.10.1. Concepts de base
8.10.2. Création du corpus
8.10.3. Analyse descriptive
8.10.4. Introduction à l‘analyse des sentiments

Module 9. Systèmes multi-agents et perception computationnelle

9.1. Agents et systèmes multi-agents

9.1.1. Concept d‘agent
9.1.2. Architectures
9.1.3. Communication et coordination
9.1.4. Langages et outils de programmation
9.1.5. Applications d‘agents
9.1.6. La FIPA

9.2. La norme pour les agents: FIPA

9.2.1. Communication entre les acteurs
9.2.2. La gestion des agents
9.2.3. Architecture abstraite
9.2.4. Autres spécifications

9.3. La plateforme JADE

9.3.1. Agents logiciels selon JADE
9.3.2. Architecture
9.3.3. Installation et mise en œuvre
9.3.4. Packages JADE

9.4. Programmation de base avec JADE

9.4.1. La console de gestion
9.4.2. Création d‘un agent de base

9.5. Programmation avancée avec JADE

9.5.1. Création d‘un agent de avancée
9.5.2. Communication entre les acteurs
9.5.3. Découverte des agents

9.6. Vision artificielle

9.6.1. Traitement et analyse des images numériques
9.6.2. Analyse d‘images et vision par ordinateur
9.6.3. Traitement d‘images et vision humaine
9.6.4. Système de capture d‘images
9.6.5. Formation et perception des images

9.7. Analyse d‘images numériques

9.7.1. Les étapes du processus d‘analyse d‘image
9.7.2. Pré-traitement
9.7.3. Opérations de base
9.7.4. Filtrage spatial

9.8.    Transformation d‘images numériques et segmentation d‘images

9.8.1. Transformations de Fourier
9.8.2. Filtrage de la fréquence
9.8.3. Concepts de base
9.8.4. Segmentation
9.8.5. Détection des contours

9.9. Reconnaissance des formes

9.9.1. Extraction de caractéristiques
9.9.2. Algorithmes de classification

9.10. Traitement du langage naturel

9.10.1. Reconnaissance automatique de la parole
9.10.2. Linguistique informatique

Module 10. Informatique bio-inspirée

10.1. Introduction à l‘informatique bio-inspirée

10.1.1. Introduction à l‘informatique bio-inspirée

10.2. Algorithmes d‘adaptation sociale

10.2.1. Calcul bio-inspiré basé sur les colonies de fourmis
10.2.2. Variantes des algorithmes de colonies de fourmis
10.2.3. Informatique en nuage de particules

10.3. Algorithmes génétiques

10.3.1. Structure générale
10.3.2. Mise en œuvre des principaux opérateurs

10.4. Stratégies d‘exploration-exploitation de l‘espace pour les algorithmes génétiques

10.4.1. Algorithme CHC
10.4.2. Problèmes multimodaux

10.5. Modèles de calcul évolutif (I)

10.5.1. Stratégies évolutives
10.5.2. Programmation évolutive
10.5.3. Algorithmes basés sur l‘évolution différentielle

10.6. Modèles de calcul évolutif (II)

10.6.1. Modèles d‘évolution basés sur l‘estimation des distributions (EDA)
10.6.2. Programmation génétique

10.7. La programmation du développement appliquée aux troubles de l‘apprentissage

10.7.1. Apprentissage basé sur des règles
10.7.2. Méthodes évolutionnaires dans les problèmes de sélection d‘instances

10.8. Problèmes multi-objectifs

10.8.1. Concept de dominance
10.8.2. Application des algorithmes évolutionnaires aux problèmes multi-objectifs

10.9. Réseaux neuronaux (I)

10.9.1. Introduction aux réseaux neuronaux 
10.9.2. Exemple pratique avec les réseaux neuronaux

10.10. Réseaux neuronaux (II)

10.10.1. Cas d‘utilisation des réseaux neuronaux dans la recherche médicale
10.10.2. Cas d‘utilisation des réseaux neuronaux en économie
10.10.3. Cas d‘utilisation des réseaux neuronaux dans la vision artificielle

Une expérience de formation unique, clé et décisive pour booster votre développement professionnel"