Projets

Les propositions de projets de M1. Vous devrez faire votre choix (en contactant directement les encadrants) pour le 26 Janvier.
Attention les projets s'affichent sur plusieurs pages!

Par Nicolas Maudet , 8 janvier, 2017

La logique des annonces publiques permet de modifier dynamiquement les connaissances d'agents qui énoncent, à tour de rôle, des informations concernant leurs connaissances communes. Ce formalisme est typiquement mis en œuvre lors de jeux coopératifs à information incomplète.

Par Gilles Bailly , 2 janvier, 2017

Ce projet est en interaction homme-machine.

== Context ==

Ce projet vise à comprendre comment les utilisateurs cherchent et trouvent leurs applications sur les smartphones. La salience de certaines icons peuvent attirer l'attention des utilisateurs novices alors que la consistence spatiale / l'organisation peut faciliter la recherche visuelle des utilisateurs plus expérimentés. Il n'est pas clair comment ces deux facteurs (salience vs. recherche visuelle) s'entrelacent.

Par Olivier Sigaud , 2 janvier, 2017

L’apprentissage par renforcement est une méthode d’apprentissage automatique qui permet à un agent d’améliorer progressivement sa performance au cours de ses interactions avec son environnement. Des méthodes d’apprentissage par renforcement profond sont apparues récemment et permettent de traiter le cas où les observations de l’agent sont dans un espace continu de très grande taille, et où les actions elles-mêmes sont continues.

Par Olivier Sigaud , 2 janvier, 2017

Les gated autoencoders constituent une famille de réseaux de neurones profonds qui connectent trois sources d’information au travers d’une relation multiplicative. Ils ont généralement deux entrées et une sortie, mais les rôles des différentes sources sont interchangeables (les entrées peuvent devenir des sorties, et réciproquement).

Par Olivier Sigaud , 2 janvier, 2017

Contexte :

CollectBall est un environnement simulé développé en C++ à l’ISIR qui permet d’évaluer les capacités à résoudre des problèmes de navigation et de sélection de l’action de divers algorithmes d’apprentissage artificiel. Dans ces simulations, un agent autonome doit apprendre à récolter des balles et à les déposer dans un panier en se déplaçant dans des pièces délimitées par des murs. Il peut même déclencher l’ouverture d’une porte qui lui donne accès à davantage de balles.

Par Gilles Bailly , 2 janvier, 2017

Ce projet est à la croisée de l'Interaction Homme-Machine (IHM) et du machine learning.

== Contexte ==