Informations administratives
| Titre | Théorie de la décision |
| Durée | 60 |
| Module | A |
| Type de leçon | Conférence |
| Focus | Technique — Fondements de l’IA |
| Sujet | Fondements de l’IA |
Mots-clés
le conséquentialisme, le subjectivisme, la théorie des probabilités, la théorie de l’utilité, la théorie de la décision, la décision optimale, la rationalité limitée, la satisfaction, le biais cognitif, l’altruisme efficace, le jeu hors commutation, les décisions séquentielles, la valeur de l’information, le bandit multiarmé, le dilemme exploration-exploitation,
Objectifs d’apprentissage
- L’apprenant se familiarise avec les approches non quantitatives et quantitatives de l’éthique
- les étudiants peuvent définir et calculer des décisions optimales en utilisant des distributions univariées et des fonctions d’utilité/perte
- les étudiants peuvent connaître les éléments des réseaux de décision: nœuds stochastiques/action/utilité
- les étudiants peuvent connaître et appliquer la règle de Bayes (multivariée)
- les étudiants peuvent construire un modèle Naive Bayesian Network (NBN)
- les étudiants peuvent étendre le NBN à un réseau de décision basé sur NBN
- les étudiants peuvent calculer la valeur de l’information parfaite
Préparation prévue
Événements d’apprentissage à compléter avant
Obligatoire pour les étudiants
- Distribution de probabilité, probabilité conditionnelle, valeur attendue (par exemple AIMA4e ou wikipedia)
- Diagramme d’influence
Optionnel pour les étudiants
- Intelligence artificielle: A Modern Approach, 4e édition mondiale de Stuart Russell et Peter Norvig, Pearson (AIMA4e):ch12-18
Références et antécédents pour les étudiants
- AIMA4e:ch12-18
Recommandé pour les enseignants
- AIMA4e:ch12-18
- Classificateur naïf Bayes
Matériel de leçon
Instructions pour les enseignants
- Adapter le filet de décision du triple nœud de base
- Trouvez les meilleures et les pires décisions
- Adapter le filet Bayes naïf
- Trouver les preuves les plus précieuses (caractéristique)
- Pendant les activités en classe, demandez aux élèves de deviner les décisions optimales
Esquisse/horaire
| Durée | Description | Concepts | Activité | Matériel |
|---|---|---|---|---|
| 5 | Sources d’incertitude et interprétations des probabilités | incertitude | ||
| 5 | Bernoulli et distributions multinomiales | distributions univariées | ||
| 5 | Axiomes de la théorie des probabilités (additivité) | théorie des probabilités | ||
| 5 | Éléments et notation graphique d’un problème de décision en une seule étape: le réseau de décision des nœuds d’action stochastiques→utility/pertes | problème de décision | ||
| 5 | Fonctions d’utilité et de perte, fonctions de perte courantes et matrices | préférences | ||
| 5 | Valeur attendue, principe d’utilité maximale attendue | décision optimale | ||
| 5 | Probabilité conditionnelle et théorème de Bayes (pour deux variables et avec condition) | probabilité conditionnelle | ||
| 5 | Indépendance et indépendance conditionnelle | indépendance | ||
| 5 | Exemple d’un réseau bayésien Naive | Filet de Bayes naïfs | ||
| 5 | Exemple de réseau de décision basé sur un réseau bayésien de Naive | |||
| 5 | Inférence postérieure et sélection de la décision optimale | inférence postérieure | ||
| 5 | Entre l’inférence de preuves et le calcul de la valeur de l’information | valeur de l’information |
Remerciements
Le programme de master IA centré sur l’humain a été cofinancé par le mécanisme pour l’interconnexion en Europe de l’Union européenne dans le cadre de la subvention CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.