| Libellé du cours : | Introduction à l'intelligence artificielle |
|---|---|
| Département d'enseignement : | CMA / Chimie et Matière |
| Responsable d'enseignement : | Madame CHARLOTTE BECQUART / Madame ROSE-NOELLE VANNIER |
| Langue d'enseignement : | |
| Ects potentiels : | 0 |
| Grille des résultats : | Grade de A à F |
| Code et libellé (hp) : | ENSCL_CI_M8_1_M4 - Introduction à l'I.A. |
Equipe pédagogique
Enseignants : Madame CHARLOTTE BECQUART / Madame ROSE-NOELLE VANNIER / Monsieur ADIL BENAARBIA / Monsieur LUDOVIC THUINET
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires
Résumé
- Monter en puissance en programmation informatique et améliorer sa connaissance du langage python - Savoir dans quel contexte il est intéressant d’avoir recours à l’IA, comprendre les apports des méthodes d’IA sur quelques cas concrets - Connaître les principales caractéristiques d’un algorithme d’IA, et en particulier des réseaux de neurones - Traduire un algorithme d’IA (réseau de neurones) en langage informatique (python, connaître quelques librairies dédiées) dans des cas simples.
Objectifs pédagogiques
- Monter en puissance en programmation informatique et améliorer sa connaissance du langage python - Savoir dans quel contexte il est intéressant d’avoir recours à l’IA, comprendre les apports des méthodes d’IA sur quelques cas concrets - Connaître les principales caractéristiques d’un algorithme d’IA, et en particulier des réseaux de neurones - Traduire un algorithme d’IA (réseau de neurones) en langage informatique (python, connaître quelques librairies dédiées) dans des cas simples.
Objectifs de développement durable
Modalités de contrôle de connaissance
Contrôle Continu
Commentaires: Compte-rendus de TD + QCM
Ressources en ligne
Pédagogie
1/ 3 CM de 1h20 : CM n°1 : - Introduction générale sur l’histoire de l’IA et les concepts fondamentaux de l’IA - Présentation des différentes méthodes les plus utilisées dans le domaine de l’IA et de leurs algorithmes (réseau de neurones, SVM, arbres de décision, …) CM n°2 : - Etude plus approfondie des réseaux de neurones et des algorithmes utilisés dans ces approches (introduction des notions de poids, de fonction d’activation, de fonction de perte, de rétropropagation, …) - Montrer comment on est passé de la simple régression linéaire au perceptron (neurone isolé) puis aux réseaux de neurones multicouches. CM n°3 : - Sensibilisation aux problématiques méthodologiques liées à l’IA - Méthode guidée par les données, donc importance liée au traitement de celles-ci (problème de normalisation des données, des valeurs aberrantes, …) - Problème de surapprentissage, - … 2/ 3 TD de 4h30 : TD n°1 : - Présentation des librairies python utilisées pour développer des réseaux de neurones. - Programmation d’un problème simple de régression linéaire par la méthode de descente de gradient. - Idem en rajoutant une fonction d’activation (perceptron) - Application à quelques cas concrets (prédiction de la qualité du vin en fonction de sa composition, pH, …) TD n°2 : Utilisation de l’IA générative (chatGPT, …) pour aider à l’écriture de programmes informatiques destinés à la résolution de problèmes physico-chimiques. TD n°3: - Utiliser les réseaux de neurones multicouches pour modéliser la courbe contrainte-déformation d’un matériau de structure selon plusieurs conditions d’essai (vitesse de déformation, teneur en eau, température, etc.) - Classer, gérer et analyser la donnée expérimentale - Construire un algorithme de traitement de la donnée basé sur les réseaux de neurones - Intégrer l’algorithme dans une interface graphique interactive - Démonstration sur plusieurs cas de figures
Séquencement / modalités d'apprentissage
| Nombre d'heures en CM (Cours Magistraux) : | 4 |
|---|---|
| Nombre d'heures en TD (Travaux Dirigés) : | 14 |
| 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
- « Python-Excel » du S5 - « Modélisation et calcul scientifique » du S5 - « Traitement de données analytiques » du S6 - « Modélisation numérique » du S7 - « Introduction à l’IA » du S7