Chapitre 1 : Introduction et Fondamentaux de l’Intelligence Artificielle

• Introduction et historique : Origines et évolution de l'IA.

• Notion d'agent et d'environnements : Définition des agents, types d’agents (réactifs, délibératifs, hybrides) et classification des environnements (accessibles, stochastiques, dynamiques).

Chapitre 2 : Représentation et Modélisation de Problèmes

• Représentation et résolution de problèmes : Importance de la représentation, utilisation des graphes d’états.

• Représentation par décomposition : Graphe AND/OR et division de problèmes complexes en sous-problèmes.

Chapitre 3 : Recherche d'États et Résolution de Problèmes Classiques

• Recherche non informée :

       o BFS (recherche en largeur)

       o DFS (recherche en profondeur)

       o IDS (recherche itérative)

       o Recherche bidirectionnelle

       o Coût uniforme

• Recherche informée :

       o Heuristique, meilleur d’abord, recherche gloutonne

       o Algorithmes A*, SMA* et extensions

Chapitre 4 : Recherche par Contraintes et Algorithmes Locaux

• Recherche par satisfaction de contraintes (CSP) : Puzzles, propagation de contraintes, ex. : Sudoku.

• Recherche locale :

        o Hill-climbing (ascension de colline)

        o Recuit simulé

        o Algorithmes génétiques

Chapitre 5 : Recherche en Situation d'Adversité (Jeux)

• Minimax et alpha-beta : Résolution de jeux à deux joueurs comme les échecs.

• Monte-Carlo Tree Search (MCTS) : Recherche dans les jeux complexes.

• Jeux stochastiques : Algorithme Expectimax pour les jeux avec hasard (ex. : jeux de dés)

Chapitre 6 : Raisonnement Incertain et Apprentissage Automatique

• Raisonnement avec information incertaine :

          o Réseaux bayésiens, inférences probabilistes

          o Chaîne de Markov

• Logique floue : Gestion de l’incertitude et des valeurs imprécises.

• Réseaux de neurones : Introduction à l’apprentissage automatique et aux architectures neuronales.