Learning Objectives
By the end of this course, students will be able to:
- Understand the theoretical foundations of sequential decision-making.
- Model problems using Markov Decision Processes (MDPs).
- Master classical and deep reinforcement learning algorithms.
- Implement and evaluate intelligent agents in simulated environments.
- Grasp the limitations, challenges, and research perspectives in reinforcement learning.
Prerequisites
- Probability and statistics (L3/M1 level)
- Linear algebra and optimization
- Python programming (with Numpy/Pandas)
- Basic knowledge of supervised and unsupervised learning
- (Optional but recommended) Basic understanding of deep learning (neural networks)
L'Intelligence Artificielle Générative (IA générative) représente une branche de l'intelligence artificielle capable de créer de nouveaux contenus (textes, images, musiques, vidéos, codes informatiques) qui imitent la création humaine. Contrairement à l'IA traditionnelle qui analyse ou classifie des données existantes, l'IA générative « produit » de la donnée.
Les principaux types d'IA générative
Texte (LLM - Large Language Models) : Rédaction d'articles, traduction, résumé, écriture de code (ex: GPT-4, Claude, Gemini).
Image : Création d'œuvres d'art, de logos ou de photos réalistes à partir d'une simple description textuelle (ex: Stable Diffusion).
Audio : Composition musicale, clonage de voix humaine ou génération d'effets sonores.
Vidéo : Création de clips animés à partir de texte (ex: Sora d'OpenAI).