Les méthodes d'apprentissage automatique s'apparentent souvent à des boîtes noires dont il est difficile de tirer une information interprétable. La majorité des méthodes n’offre aucune garantie de robustesse et de convergence, notamment lorsque les données sont multivariées, fortement bruitées ou caractérisées par des transitions stochastiques.

L'objectif de cette UE est de fournir les outils mathématiques nécessaires à l'analyse et à la production d’algorithmes d’apprentissage automatique interprétables. De tels algorithmes peuvent être obtenus par ajout de connaissances a priori (modèle d’évolution, invariances et symétries) ou en tirant parti de théories qui permettent de représenter le système régissant les données (système dynamique, attracteur).

Cette UE comporte deux volets qui permettront aux élèves
(1) d’acquérir les concepts mathématiques leur permettant d’interpréter et d'expliquer les résultats produits par certaines architectures de réseaux de neurones et
(2) d’analyser et de mettre en œuvre ces architectures, en tirant parti des moyens logiciels et matériels disponibles.

Les étudiants qui auront suivi cet enseignement seront capables de développer leurs propres IA, d’analyser les performances des algorithmes via des métriques basées sur des disciplines en plein essor (topologie algébrique, théorie de l’information), et de les déployer sur les supercalculateurs.

Cette UE réalise la jonction entre la modélisation des données, la modélisation des systèmes complexes et le domaine de l’IA.