Introduction à l'apprentissage automatique 7KUTSN03 | ECTS | 2 | SEMESTRE | S7 | |||||||||||||||||||||||||||||||
CM | TD | TP | EI | Travail personnel | |||||||||||||||||||||||||||||||
6h | 15h | 0h | 0h | 8h | |||||||||||||||||||||||||||||||
Langues d'enseignement | Français | ||||||||||||||||||||||||||||||||||
Responsable(s) | |||||||||||||||||||||||||||||||||||
Mots clefs | Intelligence artificielle, sciences des données, régression, classification supervisée, partitionnement | ||||||||||||||||||||||||||||||||||
Prérequis | Cours de tronc commun de première année d'analyse numérique, probabilités, statistique, informatique | ||||||||||||||||||||||||||||||||||
Objectif pédagogique | |||||||||||||||||||||||||||||||||||
« Intelligence artificielle » (IA) est un terme omniprésent dans les médias, les discours politiques et marketing... et les offres d'emploi destinés aux ingénieurs. Cela tient aux succès rencontrés récemment par l'apprentissage automatique (machine learning), discipline scientifique qui permet à des ordinateurs d' « apprendre » à partir de données numériques. Dans ce cours, nous étudierons les fondements scientifiques et techniques de l'IA. L'objectif est de donner les clés pour comprendre ce qu'est l'apprentissage automatique, ses possibilités et ses limites, dans une perspective historique. De nombreux travaux pratiques permettront d'illustrer les différentes notions et de mettre en œuvre les principaux modèles d'apprentissage. A l’issue du module, les étudiants seront en mesure de
| |||||||||||||||||||||||||||||||||||
Organisation et contenus | |||||||||||||||||||||||||||||||||||
Chaque séance (composée d'une heure en amphithéâtre et de deux heures de travaux dirigés en salle informatique) nécessite au préalable une heure de travail personnel: étude des corrections des TD de la séance précédente et lecture d'une vingtaine de pages du polycopié. Quelques notions abordées:
Cours et travaux pratiques prendront la forme de carnets Jupyter et Python/scikit-learn (environnement utilisé en milieu professionnel). Tout le matériel du cours (polycopiés, supports de présentation, sujets et corrections de travaux dirigé) est disponible sur la plateforme Arche de l'Université. Un polycopié est distribué. Il est disponible librement à l'URL suivante: https://members.loria.fr/FSur/enseignement/apprauto/poly_apprauto_FSur.pdf | |||||||||||||||||||||||||||||||||||
Compétences | |||||||||||||||||||||||||||||||||||
Niveaux | Description et verbes opérationnels | ||||||||||||||||||||||||||||||||||
Connaître | s'approprier le vocabulaire de l'apprentissage automatique et comprendre les enjeux et limites de l'intelligence artificielle | ||||||||||||||||||||||||||||||||||
Comprendre | comprendre les fondements et les méthodes de l'apprentissage automatique | ||||||||||||||||||||||||||||||||||
Appliquer | appliquer différents modèles d'apprentissage à des données réelles dans des environnements de programmation à l'état de l'art | ||||||||||||||||||||||||||||||||||
Analyser | savoir interpréter les différentes métriques de performance des modèles | ||||||||||||||||||||||||||||||||||
Synthétiser | être capable de discuter de la pertinence de modèles selon différentes métriques | ||||||||||||||||||||||||||||||||||
Évaluer | évaluer les performances des différents modèles | ||||||||||||||||||||||||||||||||||
Contributions aux Objectifs de Développement Durable des Nations Unies | |||||||||||||||||||||||||||||||||||
Modalités de contrôle des connaissances et compétences | |||||||||||||||||||||||||||||||||||
Contrôle Continu | Examen écrit | Oral / Soutenance | Rapport / Projet |