1. Livres et vidéos
  2. L'Intelligence Artificielle pour les développeurs - Concepts et implémentations en Java (2e édition)

L'Intelligence Artificielle pour les développeurs Concepts et implémentations en Java (2e édition)

  • Accès illimité 24h/24, 7J/7
  • Tous les livres en ligne, les vidéos et les cours enregistrés ENI
  • Plus de 10 nouveautés livres et vidéos chaque mois
  • Les nouveautés disponibles le jour de leur sortie
  • Accès 100% en ligne
  • En stock
  • Expédié en 24h00
  • Livraison à partir de 0,01 €
  • Version en ligne offerte
  • 1 h d'accès gratuit à tous nos livres et vidéos pour chaque commande
  • Accessible immédiatement
  • Version HTML
  • Accès illimité 24h/24, 7J/7

Présentation

Ce livre sur l'Intelligence Artificielle s'adresse particulièrement aux développeurs et ne nécessite pas de connaissances mathématiques approfondies. Au fil des chapitres, l'auteur présente les principales techniques d'Intelligence Artificielle et, pour chacune d'elles, les inspirations biologiques, physiques voire mathématiques, puis les différents concepts et principes (sans entrer dans les détails mathématiques), avec des exemples et figures pour chacun de ceux-ci. Les domaines d'application sont illustrés par des applications réelles et actuelles. Chaque chapitre contient un exemple d'implémentation générique, complété par une application pratique, développée en Java. Ces exemples de code étant génériques, ils sont facilement adaptables à de nombreuses applications Java 10, sans plugin extérieur. Les techniques d'Intelligence Artificielle décrites sont :

- Les systèmes experts, permettant d'appliquer des règles pour prendre des décisions ou découvrir de nouvelles connaissances.
La logique floue, permettant de contrôler des systèmes informatiques ou mécaniques de manière beaucoup plus souple que les programmes traditionnels.
Les algorithmes de recherche de chemin, dont le A* très utilisé dans les jeux vidéo pour trouver les meilleurs itinéraires.
Les algorithmes génétiques, utilisant la puissance de l'évolution pour apporter des solutions à des problèmes complexes.
Les principales métaheuristiques, dont la recherche tabou, trouvant des optimums à des problèmes d'optimisation, avec ou sans contraintes.
Les systèmes multi-agents, simulant des foules ou permettant des comportements émergents à partir de plusieurs agents très simples.
Les réseaux de neurones (et le deep learning), capables de découvrir et de reconnaître des modèles, dans des suites historiques, des images ou encore des données.

Pour aider le lecteur à passer de la théorie à la pratique, l'auteur propose en téléchargement, sur le site www.editions-eni.fr, sept projets Java (réalisés avec NetBeans), un par technique d'Intelligence Artificielle. Chaque projet contient un package générique et un ou plusieurs packages spécifiques à l'application proposée.

Le livre se termine par une bibliographie, permettant au lecteur de trouver plus d'informations sur ces différentes techniques, une sitographie listant quelques articles présentant des applications réelles, une annexe et un index.


Les chapitres du livre :
Avant-propos – Introduction – Systèmes experts – Logique floue – Recherche de chemins – Algorithmes génétiques – Métaheuristiques d'optimisation – Systèmes multi-agents – Réseau de neurones – Sitographie – Annexe



Retrouvez le webinaire consacré au Deep Learning.



Grâce à ce webinaire, découvrez le concept du Deep Learning et ses appications concrètes à travers des cas d'usage.



Quizinclus dans
la version en ligne !
  • Testez vos connaissances à l'issue de chaque chapitre
  • Validez vos acquis

Table des matières

  • Avant-propos
    • 1. Objectifs du livre
    • 2. Public et prérequis
    • 3. Structure du livre
    • 4. Code en téléchargement
  • Introduction
    • 1. Présentation du chapitre
    • 2. Définir l’intelligence
    • 3. L’intelligence du vivant
    • 4. L’intelligence artificielle
    • 5. Domaines d’application
    • 6. Synthèse
  • Systèmes experts
    • 1. Présentation du chapitre
    • 2. Exemple : un système expert en polygones
      • 2.1 Triangles
      • 2.2 Quadrilatères
      • 2.3 Autres polygones
    • 3. Contenu d'un système expert
      • 3.1 Base de règles
      • 3.2 Base de faits
      • 3.3 Moteur d'inférences
      • 3.4 Interface utilisateur
    • 4. Types d'inférences
      • 4.1 Chaînage avant
        • 4.1.1 Principe
        • 4.1.2 Application à un exemple
      • 4.2 Chaînage arrière
        • 4.2.1 Principe
        • 4.2.2 Application à un exemple
      • 4.3 Chaînage mixte
    • 5. Étapes de construction d'un système
      • 5.1 Extraction des connaissances
      • 5.2 Création du moteur d'inférences
      • 5.3 Écriture des règles
      • 5.4 Création de l'interface utilisateur
    • 6. Performance et améliorations
      • 6.1 Critères de performance
      • 6.2 Amélioration des performances par l'écriture des règles
      • 6.3 Importance de la représentation du problème
    • 7. Ajout d’incertitudes et de probabilités
      • 7.1 Apport des incertitudes
      • 7.2 Faits incertains
      • 7.3 Règles incertaines
    • 8. Domaines d’application
      • 8.1 Aide au diagnostic
      • 8.2 Estimation de risques
      • 8.3 Planification et logistique
      • 8.4 Transfert de compétences et connaissances
      • 8.5 Autres applications
    • 9. Création d'un système expert en Java
      • 9.1 Détermination des besoins
      • 9.2 Implémentation des faits
      • 9.3 Base de faits
      • 9.4 Règles et base de règles
      • 9.5 Interface
      • 9.6 Moteur d'inférences
      • 9.7 Saisie des règles et utilisation
    • 10. Utilisation de Prolog
      • 10.1 Présentation du langage
      • 10.2 Syntaxe du langage
        • 10.2.1 Généralités
        • 10.2.2 Prédicats
        • 10.2.3 Poser des questions
        • 10.2.4 Écriture des règles
        • 10.2.5 Autres prédicats utiles
      • 10.3 Codage du problème des formes géométriques
      • 10.4 Codage du problème des huit reines
        • 10.4.1 Intérêt du chaînage arrière
        • 10.4.2 Étude du problème
        • 10.4.3 Règles à appliquer
        • 10.4.4 Règles de conflits entre reines
        • 10.4.5 But du programme
        • 10.4.6 Exemples d'utilisation
    • 11. Synthèse
  • Logique floue
    • 1. Présentation du chapitre
    • 2. Incertitude et imprécision
      • 2.1 Incertitude et probabilités
      • 2.2 Imprécision et subjectivité
      • 2.3 Nécessité de traiter l'imprécision
    • 3. Ensembles flous et degrés d’appartenance
      • 3.1 Logique booléenne et logique floue
      • 3.2 Fonctions d'appartenance
      • 3.3 Caractéristiques d'une fonction d'appartenance
      • 3.4 Valeurs et variables linguistiques
    • 4. Opérateurs sur les ensembles flous
      • 4.1 Opérateurs booléens
      • 4.2 Opérateurs flous
        • 4.2.1 Négation
        • 4.2.2 Union et intersection
    • 5. Création de règles
      • 5.1 Règles en logique booléenne
      • 5.2 Règles floues
    • 6. Fuzzification et défuzzification
      • 6.1 Valeur de vérité
      • 6.2 Fuzzification et application des règles
      • 6.3 Défuzzification
    • 7. Domaines d’application
      • 7.1 Premières utilisations
      • 7.2 Dans les produits électroniques
      • 7.3 En automobile
      • 7.4 Autres domaines
    • 8. Implémentation d'un moteur de logique floue
      • 8.1 Le cœur du code : les ensembles flous
        • 8.1.1 Point2D : un point d'une fonction d'appartenance
        • 8.1.2 EnsembleFlou : un ensemble flou
        • 8.1.3 Opérateurs de comparaison et de multiplication
        • 8.1.4 Opérateurs ensemblistes
        • 8.1.5 Calcul du barycentre
      • 8.2 Ensembles flous particuliers
      • 8.3 Variables et valeurs linguistiques
        • 8.3.1 Valeur linguistique
        • 8.3.2 Variable linguistique
      • 8.4 Règles floues
        • 8.4.1 Expression floue
        • 8.4.2 Valeur numérique
        • 8.4.3 Règle floue
      • 8.5 Système de contrôle flou
      • 8.6 Synthèse du code créé
    • 9. Implémentation d'un cas pratique
    • 10. Synthèse
  • Recherche de chemins
    • 1. Présentation du chapitre
    • 2. Chemins et graphes
      • 2.1 Définition et concepts
      • 2.2 Représentations
        • 2.2.1 Représentation graphique
        • 2.2.2 Matrice d’adjacence
      • 2.3 Coût d'un chemin et matrice des longueurs
    • 3. Exemple en cartographie
    • 4. Algorithmes naïfs de recherche de chemins
      • 4.1 Parcours en profondeur
        • 4.1.1 Principe et pseudo-code
        • 4.1.2 Application à la carte
      • 4.2 Parcours en largeur
        • 4.2.1 Principe et pseudo-code
        • 4.2.2 Application à la carte
    • 5. Algorithmes "intelligents"
      • 5.1 Algorithme de Bellman-Ford
        • 5.1.1 Principe et pseudo-code
        • 5.1.2 Application à la carte
      • 5.2 Algorithme de Dijkstra
        • 5.2.1 Principe et pseudo-code
        • 5.2.2 Application à la carte
      • 5.3 Algorithme A*
        • 5.3.1 Principe et pseudo-code
        • 5.3.2 Application à la carte
    • 6. Domaines d’application
    • 7. Implémentation
      • 7.1 Nœuds, arcs et graphes
        • 7.1.1 Implémentation des nœuds
        • 7.1.2 Classe représentant les arcs
        • 7.1.3 Graphes
      • 7.2 Fin du programme générique
        • 7.2.1 IHM
        • 7.2.2 Algorithme générique
      • 7.3 Implémentation des différents algorithmes
        • 7.3.1 Recherche en profondeur
        • 7.3.2 Recherche en largeur
        • 7.3.3 Algorithme de Bellman-Ford
        • 7.3.4 Algorihme de Dijkstra
        • 7.3.5 Algorithme A*
      • 7.4 Application à la carte
        • 7.4.1 Gestion des tuiles
        • 7.4.2 Implémentation de la carte
        • 7.4.3 Programme principal
      • 7.5 Comparaison des performances
    • 8. Synthèse
  • Algorithmes génétiques
    • 1. Présentation du chapitre
    • 2. Évolution biologique
      • 2.1 Le concept d'évolution
      • 2.2 Les causes des mutations
      • 2.3 Le support de cette information : les facteurs
      • 2.4 Des facteurs au code génétique
      • 2.5 Le « cycle de la vie »
    • 3. Évolution artificielle
      • 3.1 Principes
      • 3.2 Convergence
      • 3.3 Exemple
        • 3.3.1 Jeu du Mastermind
        • 3.3.2 Création de la population initiale
        • 3.3.3 Fonction d'évaluation
        • 3.3.4 Phase de reproduction
        • 3.3.5 Survie et enchaînement des générations
        • 3.3.6 Terminaison de l'algorithme
    • 4. Premières phases de l'algorithme
      • 4.1 Choix des représentations
        • 4.1.1 Population et individus
        • 4.1.2 Gènes
        • 4.1.3 Cas complexes
      • 4.2 Initialisation de la population initiale
      • 4.3 Évaluation des individus
    • 5. Création des générations suivantes
      • 5.1 Sélection des parents
      • 5.2 Reproduction
        • 5.2.1 Crossover
        • 5.2.2 Mutation
      • 5.3 Survie
      • 5.4 Terminaison
    • 6. Coévolution
    • 7. Domaines d'application
    • 8. Implémentation
      • 8.1 Implémentation générique d'un algorithme
        • 8.1.1 Spécifications
        • 8.1.2 Paramètres
        • 8.1.3 Individus et gènes
        • 8.1.4 IHM
        • 8.1.5 Processus évolutionnaire
      • 8.2 Utilisation pour le voyageur de commerce
        • 8.2.1 Présentation du problème
        • 8.2.2 Environnement
        • 8.2.3 Gènes
        • 8.2.4 Individus
        • 8.2.5 Programme principal
        • 8.2.6 Résultats
      • 8.3 Utilisation pour la résolution d'un labyrinthe
        • 8.3.1 Présentation du problème
        • 8.3.2 Environnement
        • 8.3.3 Gènes
        • 8.3.4 Individus
        • 8.3.5 Modification de la fabrique
        • 8.3.6 Programme principal
        • 8.3.7 Résultats
    • 9. Synthèse
  • Métaheuristiques d'optimisation
    • 1. Présentation du chapitre
    • 2. Optimisation et minimums
      • 2.1 Exemples
      • 2.2 Le problème du sac à dos
      • 2.3 Formulation des problèmes
      • 2.4 Résolution mathématique
      • 2.5 Recherche exhaustive
      • 2.6 Métaheuristiques
    • 3. Algorithmes gloutons
    • 4. Descente de gradient
    • 5. Recherche tabou
    • 6. Recuit simulé
    • 7. Optimisation par essaims particulaires
    • 8. Méta-optimisation
    • 9. Domaines d’application
    • 10. Implémentation
      • 10.1 Classes génériques
      • 10.2 Implémentation des différents algorithmes
        • 10.2.1 Algorithme glouton
        • 10.2.2 Descente de gradient
        • 10.2.3 Recherche tabou
        • 10.2.4 Recuit simulé
        • 10.2.5 Optimisation par essaims particulaires
      • 10.3 Résolution du problème du sac à dos
        • 10.3.1 Implémentation du problème
        • 10.3.2 Algorithme glouton
        • 10.3.3 Descente de gradient
        • 10.3.4 Recherche Tabou
        • 10.3.5 Recuit simulé
        • 10.3.6 Optimisation par essaims particulaires
        • 10.3.7 Programme principal
      • 10.4 Résultats obtenus
    • 11. Synthèse
  • Systèmes multi-agents
    • 1. Présentation du chapitre
    • 2. Origine biologique
      • 2.1 Les abeilles et la danse
      • 2.2 Les termites et le génie civil
      • 2.3 Les fourmis et l'optimisation de chemins
      • 2.4 Intelligence sociale
    • 3. Systèmes multi-agents
      • 3.1 L'environnement
      • 3.2 Les objets
      • 3.3 Les agents
    • 4. Classification des agents
      • 4.1 Perception du monde
      • 4.2 Prise des décisions
      • 4.3 Coopération et communication
      • 4.4 Capacités de l'agent
    • 5. Principaux algorithmes
      • 5.1 Algorithmes de meutes
      • 5.2 Optimisation par colonie de fourmis
      • 5.3 Systèmes immunitaires artificiels
      • 5.4 Automates cellulaires
    • 6. Domaines d’application
      • 6.1 Simulation de foules
      • 6.2 Planification
      • 6.3 Phénomènes complexes
      • 6.4 Autres domaines
    • 7. Implémentation
      • 7.1 Banc de poissons 2D
        • 7.1.1 Les objets du monde et les zones à éviter
        • 7.1.2 Les agents-poissons
        • 7.1.3 L'océan
        • 7.1.4 L'application graphique
        • 7.1.5 Résultats obtenus
      • 7.2 Tri sélectif
        • 7.2.1 Les déchets
        • 7.2.2 Les agents nettoyeurs
        • 7.2.3 L'environnement
        • 7.2.4 L'application graphique
        • 7.2.5 Résultats obtenus
      • 7.3 Le jeu de la vie
        • 7.3.1 La grille
        • 7.3.2 L'application graphique
        • 7.3.3 Résultats obtenus
    • 8. Synthèse
  • Réseau de neurones
    • 1. Présentation du chapitre
    • 2. Origine biologique
    • 3. Machine Learning
      • 3.1 Formes d'apprentissage et exemples
        • 3.1.1 Apprentissage non supervisé
        • 3.1.2 Apprentissage supervisé
        • 3.1.3 Apprentissage par renforcement
      • 3.2 Régression et algorithme de régression linéaire
      • 3.3 Classification et algorithme de séparation
    • 4. Neurone formel et perceptron
      • 4.1 Principe
      • 4.2 Réseaux de type "perceptron"
      • 4.3 Fonctions d'agrégation et d'activation
        • 4.3.1 Fonction d'agrégation
        • 4.3.2 Fonction d'activation
      • 4.4 Exemple de réseau
      • 4.5 Apprentissage
    • 5. Réseaux feed-forward
      • 5.1 Réseaux avec couche cachée
      • 5.2 Apprentissage par rétropropagation du gradient
      • 5.3 Surapprentissage
      • 5.4 Améliorations de l'algorithme
        • 5.4.1 Batch, mini-batch et gradient stochastique
        • 5.4.2 Régularisation
        • 5.4.3 Dropout
        • 5.4.4 Variation de l'algorithme de descente de gradient
        • 5.4.5 Création de nouvelles données : data augmentation
    • 6. Autres architectures
      • 6.1 Réseaux de neurones à convolution
      • 6.2 Cartes de Kohonen
      • 6.3 Réseaux de neurones récurrents
      • 6.4 Réseaux de Hopfield
    • 7. Domaines d'application
      • 7.1 Reconnaissance de patterns
      • 7.2 Estimation de fonctions
      • 7.3 Création de comportements
      • 7.4 Applications actuelles
    • 8. Implémentation
      • 8.1 Points et ensembles de points
      • 8.2 Neurone
      • 8.3 Réseau de neurones
      • 8.4 Interface homme-machine
      • 8.5 Système complet
      • 8.6 Programme principal
      • 8.7 Applications
        • 8.7.1 Application au XOR
        • 8.7.2 Application à Abalone
        • 8.7.3 Améliorations possibles
    • 9. Synthèse
  • Sitographie
    • 1. Pourquoi une sitographie ?
    • 2. Systèmes experts
    • 3. Logique floue
    • 4. Recherche de chemins
    • 5. Algorithmes génétiques
    • 6. Métaheuristiques
    • 7. Systèmes multi-agents
    • 8. Réseaux de neurones
  • Annexe
    • 1. Installation de SWI-Prolog
    • 2. Utilisation de SWI-Prolog sous Windows
    • Index

Auteur

Virginie MATHIVETEn savoir plus

Après un diplôme d'ingénieur INSA et un DEA « Documents, Images et Systèmes d'Informations Communicants », Virginie MATHIVET a fait une thèse de doctorat au sein du laboratoire LIRIS, en Intelligence Artificielle, plus précisément sur les algorithmes génétiques et les réseaux de neurones. Après avoir enseigné l'intelligence artificielle, la robotique et des matières liées au développement pendant plus de 10 ans, elle est aujourd'hui directrice de la R&D chez TeamWork.

Retrouvez ci-dessous l'interview de Mme Virginie MATHIVET réalisée pour le lancement de son livre.

Caractéristiques

  • Niveau Initié à Confirmé
  • Nombre de pages 500 pages
  • Parution janvier 2019
    • Livre (broché) - 17 x 21 cm
    • ISBN : 978-2-409-01709-4
    • EAN : 9782409017094
    • Ref. ENI : DP2JINT
  • Niveau Initié à Confirmé
  • Parution janvier 2019
    • HTML
    • ISBN : 978-2-409-01710-0
    • EAN : 9782409017100
    • Ref. ENI : LNDP2JINT

Téléchargements

En complétant ce formulaire, vous acceptez d'être contacté afin de recevoir des informations sur nos produits et services ainsi que nos communications marketing. Vous aurez la possibilité de vous désabonner de nos communications à tout moment. Pour plus d'informations sur notre politique de protection des données, cliquez ici.
  • Des fichiers complémentaires (252 Ko)