• modèles de réseaux de neurones, 
• algorithmes d'optimisation, 
• nouvelles techniques d'interface homme-machine, 
• informatique embarquée et contrôle robotique bio-inspiré. 

Les membres de l'Équipe Neurocybernétique du laboratoire ETIS enseignent dans ce parcours.

 

 Découvrez les projets de nos étudiants en vidéos :

Objectifs

A l'issue de la formation, l’étudiant sera capable d'intégrer plusieurs technologies d'apprentissage machine (machine learning) et pour le traitement intelligent de l'information (réseaux de neurones, IA, prise de décision temps-réel, meta-heuristiques, reconnaissance des formes). Il aura acquis une connaissance des mécanismes des systèmes intelligents autonomes pour la prédiction, des notions en sciences cognitives et sur les neurosciences computationnelles. Il sera capable de 

• concevoir des architectures de systèmes intelligents. 
• développer des algorithmes d'apprentissage autonomes. 
• concevoir des Interfaces Homme-Machine (IHM) multimodales et avancées (Interface Tangible, Réalité Augmentée). 
• traiter des images, les indexer et les utiliser dans des systèmes. 
• faire de la reconnaissance automatique d'image (motif, forme, visage) et de geste (suivi de mouvement). 
• organiser de bout en bout le bon déroulement d'un projet d'initiation à la recherche, rédiger un état de l'art, mettre en œuvre des expériences scientifiques, présenter des résultats. 

Programme pédagogique

• UEF-4-IAR Intelligence Artificielle (Ph. Gaussier, M. Quoy) 
• UEF-5-ST-IAR : Techniques d’optimisation (I. Fijalkow, Ph. Gaussier) 
• UEF-7-IAR : Architectures des systèmes intelligents (Ph. Gaussier) 

• UEF-SIC-R-1 Ondelettes et bancs de filtres (M. Chapron, A. Histace) 
• UEF-SIC-R-2 Traitement numérique des images (A. Histace, M. Chapron, G. Mostafaoui) 
• UEF-SIC-R-3 Bases des communications numériques (I. Fijalkow, Cl. Weidmann) 
• UEF-SIC-R-6 Bases de données (D. Kotzinos) 
• UEF-SIC-2 Intégration et fouille de données (D. Laurent, D. Vodislav) 

 

• UEC-4-IAR : Vision naturelle et artificielle (L. Hafemeister, Ph. Gaussier) 
• UEC-5-IAR : Robotique et commande bio-inspirée (A. Pitti) 
• UEC-6-IAR : Apprentissage, adaptation (P. Andry, Ph. Gaussier, M. Quoy) 

 

• UEC-SIC-R-1 Interprétation d’image et recherche dans les bases multimédia (D. Picard) 
• UEC-10-IMD Techniques avancées des Interfaces Homme-Machine (IHM) (A. Pitti)
• UEC-ESA-SIC-4 Architectures des systèmes reconfigurables (J. Lorandel, S. Zuckerman, F. Ghaffari)

Projet d'Initiation à la Recherche 

L’initiation à la recherche comprend des heures de travaux pratiques, 150 heures de Projet d’initiation à la recherche et un stage de 6 mois. Les travaux pratiques correspondent à l’illustration ou à la mise en œuvre de méthodes exposées dans les différentes unités d’enseignement. Le Projet d’initiation à la recherche est un travail de synthèse (comprenant bibliographie, analyse théorique et mise en pratique) permettant d’approfondir l’un des champs disciplinaires du Master et de préparer le stage en laboratoire de recherche (apprendre à planifier son travail, à rédiger un rapport, à faire un exposé de recherche...). 

Stage 

Le stage long (d’une durée de 5 à 6 mois) constitue une part très importante de la formation. Il valide 20 crédits ECTS sur les 60 crédits totaux. Ce stage validé par l’un des responsables du parcours doit s’effectuer sur un sujet de recherche au sein d’un laboratoire universitaire ou industriel. 

Partenaires

Partenaires industriels : Orange Labs (Issy-les-Moulineaux, Meulan, Lannion), Thalès ATM (Bagneux), Thalès Communications (Gennevilliers), Thalès Services SAS (Osny), Thomson Airsystèmes (Vélizy), Safran (Eragny), Morpho (Osny), EDF (Chatou), EADS (Vernon), Alcatel (Vélizy) , Loxane (Cergy), IGN (Saint-Mandé), Gostai (Paris), SNCF (Paris), Institut Français du Pétrole, ONERA (Arcueil, Palaiseau), DOLABS (Boulogne), METACOM (Magny-Chateaufort), ST Microelectronics (Grenoble), Partnering 3.0 (Cergy), etc. 

Laboratoires universitaires : INRIA (Sophia Antipolis), Arrmines (Paris), ENS (Lyon), Centre Hospitalier Becquerel (Rouen), CEA (Saclay), INSERM (Paris), ENST (Paris), IRISA (Rennes), ... 

Et à l’étranger : HW Communications Limited (Lancaster, UK), University of Central Lancashire (Preston, UK), Lulea Tekniska Universitet (Lulea, Suède), Université de Laval (Québec, Canada), ITT (Illinois Institute of Technology, Chicago, USA), etc.

 

Programme pédagogique détaillé

UEF-4-IAR Intelligence Artificielle (Ph. Gaussier, M. Quoy) 

Mots clés : résolution de problèmes, algorithmes de jeu, systèmes experts, logique floue, réseaux de
neurones, algorithmes génétique.
Le but de ce cours est d’introduire différents types de techniques dites d’Intelligence Artificielle (IA)
appliquées à des problèmes liés au traitement du signal, à la reconnaissance des formes et à la
robotique. Tout d’abord nous présenterons la notion d’agent intelligent puis les techniques classiques
de résolution automatique de problèmes dans un espace d’état de grandes dimensions :
- Rappels de recherche dans un arbre ou un graphe
- Algorithme A* (notion de fonction heuristique)
- Arbres ET/OU, minimax, alpha/beta...
Nous étudierons ensuite comment le raisonnement peut être formalisé et utilisé dans des systèmes experts :
- Logique formelle d’ordre 0 et d’ordre 1 (principe de résolution...)
- Systèmes à bases de règles
- Logique floue
Nous analyserons les limites de ce type de systèmes ("symbol grounding problem" et "frame
problem"). Nous montrerons comment dans certains cas des systèmes réactifs très simples peuvent
être utilisés pour résoudre des problèmes qui semblaient au départ relativement complexes (approche
ascendante de la cognition) :
- Planification réactive (potential fields, ...)

- Notion de systèmes multi-agents
- Intelligence collective (application à des taches de clustering, de recherche de plus court chemin...)

 

Par la suite, des techniques basées sur l’emploi de réseaux de neurones seront présentées de même
que les systèmes à base de classeur et les algorithmes génétiques :
- Notion de neurone formel (règle de Hebb, réseaux de Hopfield...)
- Perceptrons
- Classification on supervisée (carte de Kohonen)
Prérequis : Bonnes bases en algorithmique et programmation.

 

UEF-5-ST-IAR : Techniques d’optimisation (Inbar FIJALKOW – ETIS, ENSEA, et Philippe GAUSSIER – ETIS, Cergy Paris Université).
Mots clés : erreur quadratique moyenne, filtre de Wiener, gradient déterministe, gradient stochastique,
LMS, RLS, Kalman, équation différentielle ordinaire, recuit simule, optimisation sous contrainte,
multiplicateurs de Lagrange, régularisation.
Le but de ce cours est de présenter des techniques de résolution de problèmes se traduisant par
l’optimisation d’un critère (ou fonction de coût). Nous abordons d’abord le critère quadratique qui
correspond à maximiser la ressemblance entre un signal de référence et le filtrage (spatial ou
temporel) des signaux observés. Pour minimiser ce critère avec une complexité réduite, nous
envisageons :
- la solution linéaire optimale (filtre de Wiener).
- des algorithmes adaptatifs (LMS).
- des algorithmes récursifs (RLS, Kalman).
L’optimisation de critères plus complexes comprenant des minima locaux peut être réalisée par des
algorithmes adaptatifs (gradient stochastique) avec des risques de minima locaux ou par des
techniques alternatives de type recuit simulé ou algorithmes génétiques.
Les méthodes d’analyses des performances de ces algorithmes seront également présentées.
La construction et l’optimisation de critères convexes fournissent une classe très vaste de solutions
non linéaires, dont les performances peuvent être très supérieures à celles du filtrage linéaire. On
présentera quelques propriétés générales liées à la convexité, dont l’absence de minima locaux, puis
leurs conséquences en déconvolution : approche pénalisée non quadratique, interprétation
probabiliste bayésienne, formulation semi-quadratique, ainsi que des techniques d’optimisation
adaptées (relaxation, gradient conjugué, relaxation sur critère semi-quadratique).
- Approximation d’une fonction par un réseau de neurones multi-couches (rétro-propagation du gradient).
- Recuit simulé et Algorithmes génétiques.
Application : annulation d’écho en visiophonie, restauration d’images, classification
Prérequis : Filtrage de processus aléatoire, modélisation des signaux aléatoires.

 

UEF-7-IAR : Architectures des systèmes intelligents (Philippe G AUSSIER – ETIS, Cergy Paris Université).
Le but de ce cours est d’apprendre à intégrer les différentes briques de base (vues dans les autres
cours du master) nécessaires à un système « intelligent ». Le cours est basé sur les modèles
d’architectures de contrôles imaginées en IA, robotique et SMA pour contrôler des systèmes
complexes. Des comparaisons avec des résultats en psychologie, neurobiologie et éthologie seront
discutées. De nombreuses études de cas seront présentées.
+ Architectures pour les systèmes intelligents :
– Introduction à la théorie des systèmes.
– Méthodologie de conception de systèmes.
– Dynamique des boucles Perception/Action.
– Modèles d’architectures de contrôle pour les systèmes robotiques.
– Dynamique des processus de prise de décision.
+ Systèmes multi-agents
– Résolution de problèmes à base d’agents réactifs ou d’éco-agents. Agents mobiles sur Internet.
– Application à la recherche d’information sur le web et à la communication avec des systèmes embarqués.
– Etudes de cas d’objets communicants et de systèmes intelligents.
+ IHM multimodales (image/parole)
– Analyse du signal de parole.
– Codages.
– La reconnaissance en ligne de l’écriture.
– L’utilisation de la vision pour les IHMs.
– Présentation par un industriel des problèmes liés aux IHM sur un cas pratique.
Prérequis : Intelligence artificielle, architecture.

 

UEC-4-IAR : Vision naturelle et artificielle (Laurence HAFEMEISTER - ETIS, ENSEA, et Philippe GAUSSIER - ETIS, Cergy Paris Université).
Mots clés : vision, perception, systèmes bio-inspirés, modélisation neuronale, systèmes dynamiques,
navigation visuelle.
Dans ce cours nous montrerons que la conception de systèmes artificiels s’inspirant de l’étude des
systèmes nerveux biologiques peut déboucher sur des réalisations très performantes. Centré
principalement sur l’étude de la modalité visuelle (insectes, mammifères, primates...) nous
présenterons des modèles allant de la rétine aux centres de décision moteurs en passant par les
différentes aires corticales visuelles... Ce cours s’appuiera sur des exemples de transferts réussis
entre biologie et sciences pour l’ingénieur, notamment :
- rétines artificielles (perception contraste, couleur, mouvement,...)
- systèmes de segmentation (extraction de contours, contours virtuels, extraction de points d’intérêt,...)
- reconnaissance et discrimination de formes (différents circuits de reconnaissance, propriétés
des mécanismes de reconnaissance de l’homme,...)
- robotique (localisation, navigation,...)
Ce cours permettra aussi d’introduire les outils de modélisation et de simulation neuronale actuels :
- théorie des câbles (modèles de neurones à compartiments)
- modèles de neurones directement inspirés de la neurobiologie (modèles de neurones à
spikes / integrate and fire, à fréquence moyenne de décharge,...)
- mécanismes de compétition et de coopération dynamique (utilisation pour des problèmes de
régularisation, remplissage de région,...)

- théorie des systèmes dynamiques
- L’accent sera mis sur le fait que les systèmes de vision n’ont de sens que dans le cadre d’une
approche écologique de la vision (Gibson). C’est à dire, prenant en compte le couplage
perception/action et la dynamique des interactions entre l’agent et son environnement.

 

Prérequis : Modèles classiques de réseaux de neurones, traitement d’images.

 

UEC-5-IAR : Robotique et commande bio-inspirée (Alexandre PITTI – ETIS, Cergy Paris Université).
Mots clés : Robotique, modélisation, commande,
 préhension, locomotion, commande par
apprentissage, contrôleurs bio-inspirés,
Le but de ce cours est d'acquérir d'une part les éléments essentiels à la compréhension des modèles
mécaniques utilisés classiquement en robotique, et d'autre part de découvrir les méthodes de
commande de robots inspirées de la biologie. Le cours se situera dans le cadre de la robotique
humanoïde en se focalisant sur les tâches de manipulation et de locomotion.
1ère partie : Robotique.
- principes de base des modèles géométrique, cinématique, dynamique.
- types d'actionnement (électrique, pneumatique, hydraulique,) et de liaisons (prismatique, rotoïde)
- automatique linéaire et commande des robots: systèmes du premier ordre et du second ordre,
boucle ouverte, boucle fermée, correcteur PID, notion de stabilité et de précision, notion de
-contrôle optimal, notion de contrôle adaptatif
- manipulation et préhension : stratégies
- notion de compliance : mécanique, contrôlée
2ème partie: commande bio-inspirée.
- robotique humanoïde: intérêts et difficultés
- principes du système nerveux moteur chez l'animal et l'homme : membres supérieurs
(manipulation, préhension) et inférieurs (locomotion)
- notion de plasticité synaptique et neuronale
- synthèse évolutionniste: coévolution morphologie/contrôleurs, impact des modèles utilisés
(robot, variables d'environnements du robot,...) contrôleurs neuronaux : modèles de neurones
(statique, dynamiques) et modèles d'architectures
- algorithmes d'apprentissage de lois de commande, rétropropagation classique et temporelle
- liens rétropropagation/contrôle optimal, plasticité/contrôle adaptatif
- genèse de mouvements rythmiques: modèles de CPG (neuronaux, à base d'oscillateurs
linéaires ou non linéaires).

Prérequis: Bases en intelligence artificielle.

 

UEC-6-IAR : Apprentissage, adaptation (Pierre ANDRY, Philippe GAUSSIER et Mathias QUOY – ETIS, Cergy Paris Université).
Mots clés : classification statistique, réseaux de neurones pour la classification, apprentissage
associatif, apprentissage par renforcement, cartes cognitives, dynamique et adaptation.
L’objectif de ce cours est d’étudier des techniques permettant à un système de s’adapter aux
variations de son environnement ou de classifier des données en fonction de certaines régularités
statistiques. Chaque technique sera illustrée par des études de cas pratiques : classification de billets
de banques, apprentissage de la planification dans un labyrinthe, optimisation du routage dans un
réseau ATM.
Tout d’abord nous étudierons les différents types de techniques de classification de données :
- analyse des données (analyse en composantes principales,...)
- classifieurs statistiques (classifieurs bayésien, nuées dynamiques,...)
- réseaux de neurones supervisés (LMS, rétropropagation du gradient,...)

- arbres de décision
- RN non supervisés (LVQ, cartes topologiques, ART,...)
- machines à support vecteur

Ensuite nous nous intéresserons aux problèmes d’apprentissage par renforcement :
- apprentissage d’associations sensori-motrices (conditionnement)
- politiques de maximisation de renforcement (greedy policy, fonction d’utilité, mécanismes de prise de décision simples,...)
- résolution de problème avec une récompense frustre et/ou retardée (TD-lambda, Q-learning,
mécanismes de prise de décision complexes...)
Ces techniques seront comparées à des techniques de planification classiques et/ou de construction
de carte cognitives (grilles résistives, réseaux de croyance, graphes pour la planification). Pour finir, le
problème de la dynamique de la prise de décision et de ses implications à la fois pour l’apprentissage
et la stabilité des comportements sera abordé (winner take all dynamiques, théorie des systèmes
dynamiques, champs neuronaux : équations d’Amari,...).

Prérequis : Techniques de base d’Intelligence Artificielle, statistiques et optimisation.

 

UEC-10-IMD : Techniques avancées aux IHMs (Alexandre PITTI – ETIS, Cergy Paris Université).

Ce cours présente les techniques actuelles en Interactions Hommes Machines (système immersif,
GUI, Realite Virtuelle/Augmentée, Interface Tangible), un descriptif en sciences cognitives des
propriétés de l'interaction perceptuelle et active d'un utilisateur. Divers algorithmes d'optimisation en
machine learning et en reconnaissance des formes seront montres pour le suivi d'une personne, le
recalibrage d'un QR code pour les systèmes augmentés, le clustering d'individus par affinité et
l'analyse textuelle et la représentation graphique.

 

Prérequis : Notions de base en informatique, mathématique et en traitement du signal.