| Libellé du cours : | Intelligence Artificielle et Machine Learning |
|---|---|
| Département d'enseignement : | MIN / Mathématiques - Informatique |
| Responsable d'enseignement : | Monsieur HERVE CAMUS |
| Langue d'enseignement : | Français |
| Ects potentiels : | 0 |
| Grille des résultats : | |
| Code et libellé (hp) : | IE5_ONUM_MIN_IAM - Intelligence Artificielle et M |
Equipe pédagogique
Enseignants : Monsieur HERVE CAMUS / Monsieur PASCAL YIM
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires
Résumé
Apprentissage d’outils numériques dans différents domaines de l’informatique sous la forme d’ateliers de prise en mains et techniques dans son intégration dans une entreprise. Focus sur des outils de développement de projet informatique au service de la qualité, de l'innovation et de l’industrialisation L’intelligence artificielle a connu un développement spectaculaire ces dernières années, en particulier avec les technologies de deep learning. Ce module a pour objectif d’introduire les principales notions, avec une approche davantage pratique que théorique.
Objectifs pédagogiques
À l’issue du cours, l’élève sera capable de : - Traiter et visualiser un dataset (ensemble de données) - Choisir une méthode appropriée pour analyser les données - Résoudre un problème de prédiction ou de classification à partir des données - Traiter un problème d’analyse du langage naturel (e.g. chatbot, analyse du sentiment) - Analyser et synthétiser les résultats Contribution du cours au référentiel de compétences ; à l’issue du cours, l’étudiant aura progressé dans : - Capacité à comprendre et formuler un problème - Capacité à proposer un ou plusieurs scénarios de résolution - Capacité à concrétiser ou à réaliser un prototype Connaissances travaillées: - Traitement et visualisation d’un ensemble de données - Méthodes de machine learning - Méthodes de deep learning - Logique et déduction Compétences développées: - Analyser un ensemble de données - Choisir et mettre en œuvre des méthodes d’analyse de données Compétences RNCP : Définir des caractéristiques d’un produit et concevoir les modalités de fabrication selon les impératifs de production en s’appuyant sur des méthodes de gestion de projet, d’organisation de la chaine logistique, de conception et dessins assistés par ordinateur.
Objectifs de développement durable
Modalités de contrôle de connaissance
Contrôle Continu
Commentaires: Interrogations
Soutenance de mini-projets en binôme
Ressources en ligne
- Mises à disposition sur Moodle : datasets, MOOCs, documentation, articles
Pédagogie
- Présentation des concepts, illustration par des démonstrations pratiques sur des exemples - Mise en œuvre immédiate - Choix d’un dataset par chaque étudiant (binôme) en fonction de ses centres d’intérêts (ou en lien avec PRT/PRP), et traitement du problème en « fil rouge » Déroulement 1 Tendances numériques actuelles, introduction à l’IA, concepts de base Analyse et visualisation d’un dataset, exemples 2 Méthodes de machine learning : régression et classification 3 Choix d’un dataset, application des méthodes 4 Deep learning : introduction, réseaux denses 5 Deep learning : analyse d’images, réseaux convolutionnels 6 Deep learning : analyse du langage naturel, Word2vec, réseaux récurrents 7 Introduction à la logique et à la déduction, exemples. Traitement du langage naturel, chatbots 8 Programmation par contraintes. Résolution d’un sudoku 7 Finalisation du mini projet 8 Soutenance en groupe
Séquencement / modalités d'apprentissage
| Nombre d'heures en CM (Cours Magistraux) : | 0 |
|---|---|
| Nombre d'heures en TD (Travaux Dirigés) : | 16 |
| Nombre d'heures en TP (Travaux Pratiques) : | 16 |
| Nombre d'heures en Séminaire : | 0 |
| Nombre d'heures en Demi-séminaire : | 0 |
| Nombre d'heures élèves en TEA (Travail En Autonomie) : | 0 |
| Nombre d'heures élèves en TNE (Travail Non Encadré) : | 0 |
| Nombre d'heures en CB (Contrôle Bloqué) : | 0 |
| Nombre d'heures élèves en PER (Travail PERsonnel) : | 0 |
| Nombre d'heures en Heures Projets : | 0 |