| Libellé du cours : | Intelligence artificielle: machine learning |
|---|---|
| Département d'enseignement : | MIN / Mathématiques - Informatique |
| Responsable d'enseignement : | Monsieur PASCAL YIM |
| Langue d'enseignement : | Français |
| Ects potentiels : | 0 |
| Grille des résultats : | |
| Code et libellé (hp) : | LA2_A_IF_MIN_INA - Intelligence Artificielle |
Equipe pédagogique
Enseignants : Monsieur PASCAL YIM / Monsieur CHRISTOPHE SUEUR
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires
Résumé
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 - Réaliser un chatbot simple - 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 Compétences développées: - Analyser un ensemble de données - Choisir et mettre en œuvre des méthodes d’analyse de données
Objectifs de développement durable
Modalités de contrôle de connaissance
Contrôle Continu
Commentaires: 1 projet à rendre
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 »
Séquencement / modalités d'apprentissage
| Nombre d'heures en CM (Cours Magistraux) : | 0 |
|---|---|
| Nombre d'heures en TD (Travaux Dirigés) : | 26 |
| Nombre d'heures en TP (Travaux Pratiques) : | 0 |
| 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 |
Pré-requis
- Notions de statistiques et calcul matriciel