Table des matières

• Sommaire
• Chapitre 1 Une histoire pas si récente
  • Quand la machine défie l’homme : go
  • Un peu d’histoire
  • Les neurosciences modernes
  • Les deux mouvements de l’intelligence artificielle
  • L’intelligence artificielle symbolique fondée sur la logique
  • L’intelligence artificielle connexionniste reposant sur les données
  • Qu’est-ce qu’apprendre ?
  • Qu’est-ce que l’intelligence ?
  • Les limites du bio inspiré
• Chapitre 2 Comment apprend une machine ?
  • Des algorithmes à l’informatique
  • De l’informatique traditionnelle à l’apprentissage automatique
  • Les domaines d’application du machine learning
  • Les données
  • Les différents types d’apprentissage
    • L’apprentissage supervisé
    • L’apprentissage non supervisé
      • Le clustering
      • Les règles d’association
      • La réduction de dimensions
      • La détection d’anomalies
    • L’apprentissage semi-supervisé
    • L’apprentissage par renforcement
  • Apprendre à partir de données
    • Définition d’un modèle d’apprentissage
    • De la construction d’un modèle d’apprentissage à la prédiction
    • À l’intérieur de la phase d’apprentissage d’un modèle
  • Les 5 courants du machine learning
    • Les symbolistes, la logique et la philosophie
    • Les connexionnistes et les neurosciences
    • Les évolutionnistes et la biologie
    • Les bayésiens et les statistiques
    • Les analogistes et la psychologie
  • Du neurone biologique au neurone artificiel
    • Le neurone formel
    • Le perceptron ou le premier modèle apprenant
  • Quand les neurones se connectent
  • Apprendre en corrigeant ses erreurs
  • Apprentissage profond ou deep learning
  • Les réseaux de neurones à convolution
    • Comment fonctionne un noyau de convolution ?
    • Comment fonctionne le pooling ?
    • Mais comment pouvons-nous prédire à partir de ces nouvelles features ?
    • Mais comment le réseau apprend-il ?
  • Les réseaux de neurones récurrents
  • Les réseaux de neurones génératifs
• Chapitre 3 Comment apprend un humain ?
  • Mémoire non déclarative
    • L’habituation
      • Un modèle d’étude simple
      • Au cœur du mécanisme d’habituation
    • Le conditionnement
      • Biais associatifs
      • Biais temporel
  • Mémoire déclarative
    • Comment le cerveau interagit avec l’extérieur ?
    • Les structures impliquées
      • Le cerveau découpé en lobes
      • Les aires primaires
    • La mémoire sous-ensemble de la cognition
    • La mémoire de travail
    • L’intégration : un premier pas vers la mémorisation
    • La consolidation de l’information
    • L’hippocampe, fer de lance de la mémoire
      • La mémoire dans les neurones
      • La potentialisation à long terme (PLT)
      • Aires de stockage
    • Les cellules grand-mère
    • La théorie distribuée
  • La mémoire du futur
  • Facteurs d’influence
    • Rôle des émotions
    • L’attention
    • Accès à la mémoire
      • L’encodage de l’information
      • Remonter le chemin vers cette information
      • L’oubli comme outil de mémorisation
    • Les nouvelles mémoires
    • La mémoire au travail
• Chapitre 4 Des modèles d’apprentissage pas si différents
  • Des modèles pour apprendre
    • Modèles mentaux
    • Se projeter dans le monde
  • La configuration des modèles
    • Du côté de l’humain
      • Configuration du cerveau humain
      • Une histoire de molécules
    • Du côté de la machine
      • Des modèles différents pour réaliser une même tâche
      • La combinaison de modèles
    • Les paramètres des modèles
  • L’ajustement des modèles
    • Ajustement des cartes mentales
    • Ajustement des hyperparamètres
  • La minimisation des erreurs
    • Du novice à l’expert
    • De l’évaluation de la performance au modèle pour mieux apprendre
      • Apprentissage supervisé
      • Apprentissage non supervisé
      • Apprentissage par renforcement
      • Apprentissage développemental
      • Les travaux de Jean Piaget
      • Application à la robotique
  • Transfert de compétences
    • Transfert de compétences chez l’homme
    • Transfer learning
  • De l’information brute au concept
    • Une intégration multicouche
    • Des neurones qui se spécialisent
    • Application au système visuel
      • Notion de champ récepteur
      • Intégration sous-corticale
  • Apprendre, c’est généraliser
    • La généralisation du cerveau
    • La généralisation en machine learning
  • La résilience
    • Le cerveau résilient
    • Un modèle est résilient à sa façon
• Chapitre 5 Neuroscience fiction
  • Pourquoi les machines ne nous ont-elles pas encore égalés ?
    • L’intelligence artificielle aujourd’hui
    • Du silicium de plus en plus performant
    • Notre cerveau, cet organe merveilleux ?
    • Le cerveau, siège du raisonnement
    • Que manque-t-il à l’intelligence artificielle ?
      • Les émotions
      • Le sens commun
      • La conscience
        • Définition
        • Conscience et neurosciences
        • La conscience des autres
        • Conscience dans une intelligence artificielle
    • L’intelligence artificielle de demain
  • Qu’en est-il de l’éthique dans le monde de demain ?
    • Des règles d’Asimov aux chartes éthiques des robots
    • La mobilisation de la communauté
    • Vers une réglementation ?
    • Des règles éthiques d’intelligence artificielle universelles ?
    • Ethics by design
  • Quels changements sont induits par l’intelligence artificielle et les neurosciences ?
    • Application de l’intelligence artificielle dans l’entreprise
    • Impact de l’intelligence artificielle sur le travail
      • L’homme remplacé : de nouvelles logiques substitutives
      • L’homme dominé : l’éthique contre l’assujettissement
      • L’homme augmenté : la promesse économique et professionnelle
      • L’homme divisé : le récit dystopique
      • L’homme réhumanisé : le proprement humain redécouvert
    • La folie des neurodisciplines
    • Neuroergonomie et facteurs humains
  • Vers une symbiose intelligence artificielle/ neurosciences ?
    • Bio-inspiration
    • Neurosciences computationnelles
• Conclusion
• Remerciements