Cours sur les types d'intelligence artificielle

Leçon 1 • Développement historique de l'IA

Retrace l'IA des premières machines logiques aux systèmes modernes. Fournit un contexte chronologique qui explique pourquoi les paradigmes actuels de l'IA existent.

Leçon 2 • Concepts et terminologie de base

Présente le vocabulaire essentiel, notamment les algorithmes, les modèles et les données. Garantit que les étudiants peuvent lire la littérature technique et suivre les discussions du cours avec précision.

Leçon 3 • Définir l'intelligence artificielle

Clarifie ce qu'est l'IA, ce qu'elle n'est pas et pourquoi les définitions varient. Ancre le chapitre en établissant un vocabulaire commun pour tous les sujets suivants.

Leçon 1 • Classification basée sur la fonctionnalité

Catégorise l'IA par ce qu'elle fait : réactive, à mémoire limitée, théorie de l'esprit et consciente. Ajoute un deuxième axe de classification complétant les vues basées sur la capacité.

Leçon 2 • Classification par domaine et application

Organise l'IA par secteur d'activité et type de tâche, tels que la vision, le langage et la robotique. Relie la taxonomie abstraite aux contextes de déploiement concrets.

Leçon 3 • Classification par paradigme d'apprentissage

Regroupe l'IA selon la manière dont les systèmes acquièrent des connaissances : supervisé, non supervisé, par renforcement et hybride. Prépare les étudiants pour des approfondissements dans les chapitres suivants.

Leçon 4 • Comparer et appliquer les taxonomies

Démontre comment plusieurs cadres de classification se chevauchent et entrent en conflit. Les étudiants s'entraînent à assigner des systèmes réels à plusieurs taxonomies simultanément.

Leçon 1 • Évaluation des performances de l'IA étroite

Présente la précision, le rappel et les références spécifiques au domaine. Donne aux étudiants les moyens d'évaluer de manière critique les affirmations des fournisseurs et les résultats de recherche.

Leçon 2 • Systèmes de reconnaissance de formes

Explore les systèmes qui identifient les régularités dans les images, l'audio et le texte. Relie l'IA étroite aux tâches perceptuelles les plus courantes dans les déploiements industriels.

Leçon 3 • Caractéristiques de l'IA étroite

Définit les traits structurels et comportementaux qui rendent un système étroit. Ancre les sections suivantes dans une compréhension technique précise des limitations de périmètre.

Leçon 4 • Systèmes de recommandation et de classement

Analyse le filtrage collaboratif, le filtrage basé sur le contenu et les systèmes hybrides. Montre comment l'IA étroite stimule l'engagement dans les plateformes commerciales.

Leçon 1 • Apprentissage supervisé en pratique

Couvre la régression et la classification avec des données étiquetées. Montre comment l'apprentissage supervisé résout la majorité des problèmes d'IA commerciaux.

Leçon 2 • Techniques d'apprentissage non supervisé

Examine le clustering, la réduction de dimensionnalité et l'estimation de densité. Montre comment l'IA trouve une structure dans les données sans exemples étiquetés par l'homme.

Leçon 3 • Apprentissage par transfert et modèles pré-entraînés

Montre comment les connaissances d'un domaine accélèrent l'apprentissage dans un autre. Explique pourquoi les modèles pré-entraînés sont devenus l'approche pratique dominante.

Leçon 4 • Fondamentaux de l'apprentissage par renforcement

Présente les agents, les environnements, les récompenses et les politiques. Explique comment l'IA apprend par essais et erreurs dans des environnements dynamiques.

Leçon 1 • IA générative pour le texte et le code

Examine la génération de texte, le résumé, la traduction et la synthèse de code. Montre des applications pratiques de l'IA générative dans des domaines professionnels.

Leçon 2 • Concepts fondamentaux du NLP

Couvre la tokenisation, l'analyse syntaxique, l'analyse sémantique et la modélisation du langage. Établit le vocabulaire technique nécessaire pour comprendre l'IA linguistique moderne.

Leçon 3 • Architecture Transformer et grands modèles de langage

Explique les mécanismes d'attention et la conception Transformer qui alimente les LLM. Relie les choix architecturaux aux capacités et aux limites de l'IA linguistique moderne.

Leçon 4 • IA générative multimodale

Couvre les systèmes qui génèrent ou interprètent des images, de l'audio et de la vidéo en plus du texte. Étend la compréhension de l'IA générative au-delà des modèles purement linguistiques.

Leçon 1 • Vision 3D et perception spatiale

Présente l'estimation de profondeur, les nuages de points et la reconstruction 3D. Prépare les étudiants à comprendre les pipelines de vision pour la robotique et la réalité augmentée.

Leçon 2 • Détection et segmentation d'objets

Examine la détection par boîtes englobantes, la segmentation sémantique et la segmentation d'instances. Relie l'IA de vision à des tâches du monde réel comme la conduite autonome et l'imagerie médicale.

Leçon 3 • Fondamentaux du traitement d'images

Couvre la représentation des pixels, les espaces colorimétriques et les opérations d'image classiques. Fournit le fondement du traitement du signal sous-jacent à toute l'IA de vision moderne.

Leçon 4 • IA de vision vidéo et temporelle

Étend la compréhension d'image au mouvement, au suivi et à la reconnaissance d'activités. Montre comment le contexte temporel modifie la conception et l'évaluation de l'IA de vision.

Leçon 1 • Intégration de la robotique et de l'IA

Définit l'IA incarnée et explique comment la perception, la planification et l'action sont connectées. Pose le fondement conceptuel pour comprendre les systèmes physiques autonomes.

Leçon 2 • Robotique de manipulation et dextre

Examine la préhension, l'assemblage et le contrôle moteur fin dans les bras robotiques. Relie les méthodes d'apprentissage de l'IA aux défis de la manipulation physique dans l'industrie.

Leçon 3 • Navigation autonome et planification de chemin

Couvre la localisation, la cartographie et l'optimisation d'itinéraire pour les systèmes mobiles. Explique comment les véhicules autonomes et les drones naviguent dans des environnements complexes.

Leçon 4 • Véhicules autonomes et drones

Analyse les piles de perception, les couches de décision et les systèmes de sécurité dans les plateformes de conduite autonome. Illustre le déploiement le plus critique de l'IA incarnée aujourd'hui.

Leçon 1 • Implications stratégiques pour les organisations

Traduit les tendances de la recherche en AGI en planification organisationnelle et stratégie concurrentielle. Permet aux professionnels de prendre des décisions éclairées concernant les investissements à long terme dans l'IA.

Leçon 2 • Sécurité et alignement de l'IA

Examine l'alignement des valeurs, le détournement de récompense et la corrigibilité en tant que problèmes de sécurité fondamentaux. Prépare les étudiants à comprendre pourquoi la recherche sur la sécurité est centrale au développement de l'IA avancée.

Leçon 3 • Scénarios de super-intelligence et risque

Analyse les scénarios de décollage rapide, de décollage lent et multipolaires pour l'IA avancée. Donne aux étudiants les moyens d'évaluer de manière critique les arguments et contre-arguments sur le risque existentiel.

Leçon 4 • Définir et débattre de l'AGI

Passe en revue les définitions concurrentes de l'AGI et les critères que les chercheurs utilisent pour évaluer les progrès. Établit une base rigoureuse pour évaluer les affirmations sur l'AGI dans les médias et la recherche.