Ce cours s'adresse aux étudiants désirant approfondir la modélisation des bases de données relationnelles. Nous y présentons l'approche par décomposition basée sur les formes normales. Après avoir vu comment modéliser une situation réelle avec des dépendances fonctionnelles et multivaluées, nous montrons comment en proposer une décomposition non redondante en 4ième forme normale.
Mot(s) clés libre(s) : Formes Normales, 4NF, dépendance fonctionnelle, dépendance mulitvaluée, décomposition en 4NF

Conférence expérimentale du 17 juin 2013 par Stéphane Viollet (CNRS Marseille).La biorobotique est une discipline au service des sciences de l’information et des neurosciences. Tout en apportant aux machines intelligentes des principes biologiques éprouvés par la nature depuis des millions d’années, cette entreprise pluridisciplinaire débouche sur une meilleure compréhension du vivant.  C’est ainsi que vous pourrez découvrir le fonctionnement d’un capteur optique biomimétique bien particulier, puisque inspiré de l’oeil de la mouche !Plus d'infos sur : http://www.espgg.org/Conference-experimentale-lundi-17,227
Mot(s) clés libre(s) : neuroscience, biorobotique, capteur bio-mimétique

Reconnaître un visage, compléter une phrase, gagner au jeu de go... Après plusieurs décennies de déconvenues, les machines intelligentes deviennent enfin réalité – grâce à des réseaux de plusieurs couches de neurones artificiels.
Mot(s) clés libre(s) : intelligence artificielle, réseaux de neurones artificiels, apprentissage profond

Reconnaissance d'images, traduction automatique, voitures autonomes... Nombreux sont les domaines dans lesquels l'apprentissage profond ou deep learning est utilisé. Très en vogue, cette technique de l'intelligence artificielle est au cœur des progrès récents dans cette thématique scientifique. Vincent Lepetit, spécialiste du deep learning, décortique ce sujet complexe dans cet épisode du podcast audio.
Mot(s) clés libre(s) : réseaux de neurones artificiels, deep learning, apprentissage automatique, vision par ordinateur

The ability of humans to identify and categorize objects in complex natural scenes has long been thought to be beyond the capacities of artificial vision systems. However, recent progress in Deep Learning and Convolutional Neural Networks has demonstrated that simple feed-forward processing architectures composed of less than 10 layers of neurons can achieve human levels of performance in object recognition tasks. It is interesting to note that such processing architectures have a very similar structure to the primate visual system. Could it be that we are close to understanding how our brains recognize stimuli? I will argue that the main problem with the current state of the art in computer vision is that the learning procedures used are totally unrealistic. Essentially, building such a system requires hundreds of millions of training cycles of supervised learning. By contrast, our own visual systems can learn new stimuli in a few tens of presentations. I will suggest that more biologically realistic learning mechanisms based on spike-based processing and Spike Time Dependent Plasticity (STDP) may be much closer to the way our own visual systems operate, and allow our visual systems to learn about objects in the visual world on the basis of experience.
Mot(s) clés libre(s) : neurosciences, information visuelle, extraction valeur des images

An important problem in quantum computing is the so-called approximate synthesis problem: to find a quantum circuit, preferably as short as possible, that approximates a given unitary operator up to given epsilon. Moreover, the solution should be computed by an efficient algorithm. For nearly two decades, the standard solution to this problem was the Solovay-Kitaev algorithm, which is based on geometric ideas. This algorithm produces circuits of size O(log^c(1/epsilon)), where c is approximately 3.97. It was a long-standing open problem whether this exponent c could be reduced to 1. In this talk, I will report on a number-theoretic algorithm that achieves circuit size O(log(1/epsilon)) in the case of the so-called Clifford+T gate set, thereby answering the above question positively. In case the operator to be approximated is diagonal, the algorithm satisfies an even stronger property: it computes the optimal solution to the given approximation problem. The algorithm also generalizes to certain other gate sets arising from number-theoretic unitary groups. This is joint work with Neil J. Ross.
Mot(s) clés libre(s) : Solovay-Kitaev algorithm

Mot(s) clés libre(s) : analyse video, apprentissage, interprétation scène, reconnaissance video

Contrairement aux ambitions affichées aux origines de la discipline, en 1956, les recherches en intelligence artificielle ont à ce jour largement échoué à reproduire l'intelligence de l'homme, même si un programme d'ordinateur a réussi à battre le champion du monde aux échecs. Quant aux robots modernes, ils ne brillent pas non plus par leur intelligence, même si certaines machines caniformes ou humanoïdes sont de véritables merveilles de technologie. De nombreux chercheurs estiment qu'il est largement prématuré d'espérer reproduire directement l'intelligence de l'homme tant qu'on n'aura pas compris comment elle s'est mise en place au cours de l'évolution. Aussi, dans le but de rechercher en quoi l'intelligence humaine s'explique à partir des processus adaptatifs les plus simples hérités des animaux - et plutôt que de viser directement à comprendre et à reproduire les performances les plus élaborées dont est capable le cerveau - ces chercheurs visent d'abord à synthétiser des animats, c'est-à-dire des animaux artificiels ou des robots réels dont les lois de fonctionnement sont aussi inspirées de la biologie que possible. L'objectif est d'attribuer à ces animats certaines des capacités d'autonomie et d'adaptation basiques qui caractérisent les animaux réels, de façon à leur permettre de "survivre" ou d'assurer leur mission dans des environnements plus ou moins imprévisibles et dangereux. Cette conférence évoquera quelques automates célèbres - du pigeon d'Archytas de Tarente au canard de Vaucanson, en passant par l'androïde de Léonard de Vinci - pour rappeler que la conception de machines inspirées du vivant a été de tout temps une préoccupation humaine. La structure générale d'un animat et son mode de fonctionnement seront ensuite décrits. Ils se caractérisent par le fait que l'animat acquiert des comportements efficaces par interaction étroite avec son environnement, grâce à son architecture de contrôle - équivalent du système nerveux d'un animal - reliant ses capteurs - équivalents des récepteurs sensoriels- à ses actionneurs - équivalents des organes moteurs. Puis divers exemples illustreront la façon dont les animats peuvent eux-mêmes améliorer ou se constituer une architecture de contrôle ou une morphologie adaptées, par des processus inspirés de la biologie comme le développement, l'apprentissage ou l'évolution des espèces. Enfin, à partir notamment de l'évocation des "biobots" - robots hybrides constitués à la fois d'éléments artificiels et d'éléments vivants - les avantages et les risques liés à ces recherches seront discutés.
Mot(s) clés libre(s) : animal artificiel, apprentissage des robots, biobot, ethologie, intelligence artificielle, processus biomimétique, réseaux de neurones, robotique, sciences cognitives

Nous vivons à l'ère de l'information : les données numériques prennent une place croissante en sciences, dans le monde technologique et dans la société. Un mot fourre-tout a même été créé récemment pour décrire cette tendance : le Big Data... Mais comment extraire du sens de toutes ces données ? Dans cette présentation, je vais donner un aperçu de l'apprentissage automatique, la science derrière l'analyse automatique de données, et qui forme un domaine multi-disciplinaire fascinant en plein croissance.
Mot(s) clés libre(s) : big data, apprentissage automatique, analyse automatique de données

L'intelligence artificielle (IA) a pour but de faire faire par une machine des tâches réputées intelligentes, que ce soit en s'inspirant du fonctionnement perceptif et cognitif humain ou non. Pour mener à bien cette tâche ambitieuse, l'IA est amenée à formaliser le savoir et les connaissances et à mécaniser les raisonnements dans les domaines de l'activité humaine. Les méthodes et techniques mises en oeuvre sont variées, pluridisciplinaires et souvent complémentaires : modèles symboliques fondés sur des connaissances, réseaux neuromimétiques, modèles stochastiques. Après un optimisme excessif des premiers travaux au cours des années 1950, l'IA a permis au cours des dernières années de mettre au point des applications pratiques résolvant des problèmes réels dans des domaines très divers tels que l'aide à la décision, le diagnostic, l'interprétation de signaux, la reconnaissance de la parole, le traitement du langage écrit, la robotique, l'interprétation d'images et la vision par ordinateur, les jeux, le réglage de machine, la conduite de processus industriels, etc. Ces domaines seront utilisés pour illustrer les principes et les méthodes présentées au cours de cette conférence. Les tendances actuelles de la recherche en IA ont trait à l'amélioration de la robustesse des systèmes mis au point, à l'approfondissement des connaissances dans un domaine d'activité et à l'interaction plus " naturelle " entre un utilisateur et une machine. Une autre tendance importante est l'intégration de l'IA dans des systèmes d'information plus généraux d'une entreprise ou d'une organisation.
Mot(s) clés libre(s) : intelligence artificielle, mécanisme d'apprentissage, modèle statistique, modèle symbolique, réseaux neuromimétiques, simulation, système expert