IA — Intelligence Artificielle
Six chapitres pour traverser les réseaux de neurones, le deep learning (Convnet, RNN), le NLP, l'apprentissage par renforcement et l'optimisation stochastique. Avec post-its, schémas, flashcards et quiz.
- Le programme du DS porte uniquement sur 4 chapitres : CM2 Convnet · CM3 RNN · CM4 Renforcement · CM5 NLP.
- 🚫 CM1 Réseaux de neurones et 🚫 CM6 Optimisation : pas au DS.
- Pas de code à écrire à l'examen. Du code à analyser peut apparaître dans la copie, mais jamais à produire à la main.
i. Les six chapitres
Chaque chapitre a son encre signature. Clique pour entrer.
Réseaux de neurones
Architecture, séparabilité linéaire, perceptron, fonctions d'activation, rétropropagation. Pas au partiel, mais base théorique des CMs suivants.
Deep Learning — Convnet
Réseaux profonds, convolution, pooling, ReLU, dropout, architectures CNN.
Deep Learning — RNN
Réseaux récurrents, LSTM, GRU, prédiction séquentielle, génération de texte.
Apprentissage par renforcement
MDP, fonction valeur, politique, Value Iteration, Q-learning, exploration / exploitation.
Intro NLP
Tokenization, stemming, lemmatization, n-grams, TF-IDF, word embeddings.
Optimisation stochastique — Recuit simulé
Optimisation combinatoire, méta-heuristiques, recuit simulé, critère de Metropolis, voyageur de commerce. Pas au partiel.
ii. Annales
5 sujets d'examen avec PDF intégré et correction/analyse.
Examen IA — GI FI
LE sujet de cette année : Convnet, RNN température, Value Iteration 5×5 (exo recuit simulé hors DS).
Examen IA — MI FI
Minimax, Convnet MNIST, RNN sentiment, Q-Learning grille.
Examen IA — GSI FI
Sujet original + correction commentée, fidèle au cours.
Examen IA — GM FA
Sujet original + correction commentée, fidèle au cours.
Examen IA — MI FI
Sujet original + correction commentée, fidèle au cours.
iii. Pages compagnons
Tout pour réviser et tester avant le partiel.
iv. Cartographie des chapitres
Ce qui s'enchaîne, ce qui se rejoint.
| CM | Thème | TD / TP associé | Outils principaux |
|---|---|---|---|
| CM1 | Réseaux de neurones | OR / AND / XOR · Python (Keras), R (nnet) | Perceptron, sigmoïde, softmax, rétropropagation |
| CM2 | Deep Learning · Convnet | MNIST / CIFAR · Keras | Convolution, pooling, ReLU, dropout |
| CM3 | Deep Learning · RNN | Séries temporelles, texte · Keras | LSTM, GRU, BPTT |
| CM4 | Renforcement | Grille / Q-learning · Python | MDP, fonction valeur, politique |
| CM5 | NLP | Corpus texte · NLTK / sklearn | Tokenization, TF-IDF, embeddings |
| CM6 | Recuit simulé | TSP, fonctions continues | Métropolis, refroidissement |
🔮 Prédiction d'examen
Périmètre du DS confirmé par le prof : CM2 Convnet · CM3 RNN · CM4 Renforcement · CM5 NLP. CM1 et CM6 hors DS. Le prof a annoncé pas de code à écrire — le code peut apparaître à analyser, jamais à produire. Anticipation croisée à partir des 3 annales 2024-2025 (GM FA, GSI FI, MI FI) et du contenu réel de chaque CM/TD.
- CM2 Convnet · présent dans 3/3 annales — incontournable
- CM4 Renforcement · présent dans 3/3 annales — incontournable
- CM5 NLP · présent dans 1/3 (GSI FI uniquement)
- CM3 RNN · 0/3 annales mais nouveau au programme DS GI 2026 — son ajout au programme suggère qu'il sera évalué
| Chapitre | Forme probable | Justification (CM ↔ TD ↔ annales) |
|---|---|---|
| CM2 — Convnet | Analyse d'un model.summary() Keras : dimensions de sortie + nombre de paramètres par couche + questions de cours |
Les 3 annales ont un exo Convnet. GSI FI 2024-25 demande explicitement (a) caractéristiques de l'image depuis input_shape=(32,32,3), (b) nombre de classes depuis le softmax, (c) calcul des paramètres de la Conv2D : $32 \times (3 \times 3 \times 3 + 1) = 896$, (d) rôle et taille de sortie de chaque couche. MI FI 2024-25 demande de calculer les shapes après trois Conv successifs sur Fashion MNIST. Le cours fournit exactement les formules : sortie Conv $(m - n + 1)$ sans padding, params Conv $n_f \times (k \cdot k \cdot c_{in} + 1)$, params Dense $n_{out}(n_{in} + 1)$, Pool/Dropout/Flatten = 0 param. |
| CM3 — RNN | Questions de cours sur RNN/LSTM + probablement analyse d'un code Keras (SimpleRNN / LSTM) | Absent des 3 annales 2024-25 — aucun précédent direct. Le cours détaille longuement : dimensions de $U$ ($m \times n$), $V$ ($m \times m$), $W$ ($p \times m$), formule $H^t = \tanh(UX^t + VH^{t-1} + B^h)$, BPTT, 3 portes LSTM ($f_t, i_t, o_t$), formule mémoire $c_t = f_t c_{t-1} + i_t \tilde c_t$, types séquentiels (many-to-one / one-to-many / many-to-many), encodeur-décodeur, attention. Le TD est du code Keras (SimpleRNN, LSTM, génération de texte) — côté code donc analyse d'un modèle ; côté théorie, vu la richesse du chapitre : questions sur les 3 portes, distinction RNN classique / LSTM, type de problème (many-to-many pour traduction, etc.), rôle de l'attention. Type d'exercice à confirmer selon le sujet. |
| CM4 — Apprentissage par renforcement | Modélisation MDP d'un problème + déroulement de Value Iteration à la main (1 à 3 itérations) sur une grille | 3/3 annales. GM FA : grille 8×5, calcul du gain $G = -\frac{1-\gamma^{n-1}}{1-\gamma} + 10\gamma^{n-1}$ le long d'une trajectoire + principe de Value Iteration. GSI FI : questions de cours (RL vs supervisé/non supervisé, exploration/exploitation, $\varepsilon$-greedy). MI FI : grille 4×4, modélisation MDP $(S, A, T, R, \gamma)$ + Value Iteration sur 2 itérations avec $V_0 = 0$, $\gamma = 0{,}9$. Le cours couvre Bellman, Value Iteration, Policy Iteration, Q-learning et $\varepsilon$-greedy. |
| CM5 — NLP | Vérification CFG + deux arbres syntaxiques d'une phrase ambiguë + origine de l'ambiguïté OU questions de cours sur les 7 niveaux d'analyse / relations lexicales / classifieur Bayes | 1/3 annales (GSI FI) : phrase « Le chat voit le poisson avec une loupe », vérifier que la grammaire est CFG, tracer les 2 arbres (PP attaché au VP / au NP), expliquer que l'ambiguïté est syntaxique. Le cours détaille exactement ce schéma (CFG + hiérarchie de Chomsky + 3 types d'ambiguïté : lexicale, syntaxique, sémantique). Le TD touche aussi tokenization, POS-tagging, lemmatisation et classifieur bayésien — formes alternatives possibles si le prof ne reprend pas CFG. À confirmer selon le sujet exact GI. |
- 5-6 pts · CM2 Convnet — analyse
model.summary()(dimensions + paramètres) + 2-3 questions de cours (perte CCE, ReLU, Dropout, sur-apprentissage) - 3-4 pts · CM3 RNN — questions de cours sur les 3 portes LSTM, types séquentiels, BPTT ; éventuellement analyse d'un
model.summary()LSTM - 6 pts · CM4 Renforcement — modélisation MDP + déroulement de Value Iteration à la main sur une grille (calque MI FI 2024-25)
- 4-5 pts · CM5 NLP — soit CFG + 2 arbres + ambiguïté (calque GSI FI), soit questions de cours sur les 7 niveaux d'analyse
Total ≈ 18-21 pts. Si CM3 RNN n'apparaît finalement pas, les points basculent sur CM2 et CM4.
⚠️ Périmètre annoncé par le prof : CM1 (Réseaux de neurones) et CM6 (Optimisation / Recuit simulé) sont hors DS. Les annales 2024-25 contenaient beaucoup de recuit simulé et de jeux (Minimax / Expectiminimax) — ne pas réviser ces parties, elles sortent du programme 2026.