Les objectifs, l'histoire, les applications. Le modèle d'un neurone, fonction de transfert, architecture de réseau. Les outils mathématiques : algère linéaire, espace vectoriel, produit scalair, norme, orthogonalité, transformation linéaire. Les apprentissages : supervisé, non-supervisé et autres. Le perceptron multicouches, les nuées dynamiques (K-means, fuzzy k-means...). Les réseaux de Kohonen. Reseaux GNG, Architecture ART. ACP et apprentissage hebbien.

une approche très théorique. Problèmes recherches : dichotomique, séquentielle, arrière; de tris : slowsort, quicksor; complexité... Puis la partie théorique de la programmation dynamique. Le cours aborde ensuite les graphes et les problématiques de leur parcours. Arborescence : arbres de poids minimum, Kruskal. Plus court chemin : Algo de Floyd, Bellman, Disktra. Les cycles eulériens et hamiltoniens...

Description statistique élémentaire, Analyse en Composantes Principales, Positionnement multidimensionnel, Classification, Analyse Canonique, Modèle linéaire et régression, analyse de variance,

Introduction à la Théorie de la Complexité, Classes P et NP, Typologie de Problèmes, Méthodes Heuristiques, Méthodes Exactes, Problèmes de tournées, Parcours eulériens, Problème dérivé : le problème du postier chinois, Parcours hamiltoniens, Heuristiques (glouton, tabous, génétique...) Recherches locales, Recherches globales, Problèmes dérivés et extensions du PVC,

Comment ca marche : représentation génétique, fonction de fitness, population, selection, recombinaison, mutation, replacement et convergence. Comparaison avec d'autres méthodes comment la recherche aléatoire, le recuit simulé (simulated anealing), hill climbing... Extensions au parallelisme et applications

modélisations et régressions non linéaires multiples

L'accent est mis sur la programmation linéaire, le théorème de dualité, algorithme du simplexe, et les applications à des problèmes discrets de type min-max. Cette partie repose essentiellement sur l'excellent livre «Linear Programming» de Chvatal d'où de nombreux exemples sont issus. Dans une moindre mesure, on donne un aperçu rapide des problèmes d'ordonnancement et des méthodes classiques pour les résoudre.

Les cours de l'université de Montréal au Québec. Cette archive regroupe plusieurs documents pdf. Les réseaux de neurones sont abordés.

Un superbe cours.Les Graphes, Les arbres, Représentation des graphes, Efficacité des algorithmes, complexité des problèmes, Recherche du plus court chemin, Ordonnancement, recherche du plus long chemin, Recherche du flot maximum, Programmation linéaire.

Un excellent cours sur l'optimisation des problèmes combinatoires. Les Algos Génétiques sont plus particulièrement étudiés avec les améliorations possibles pour ce genre d'algos. Les opérateurs de combinaison, selection, mutation...Les variantes avec le recuit simulé. Puis un cas concret (traffic aérien) est détaillé.