Code
MGSF INF 4803
Level
M1
Field
Informatique
Language
French
ECTS Credits
2
Class hours
21
Total student load
60
Program Manager(s)
Educational team
Introduction to the module
Ce cours constitue une formation approfondie visant à vous doter de compétences en techniques d'intelligence artificielle. Conçu pour favoriser une maîtrise concrète et opérationnelle, il met l'accent sur l'apprentissage par la pratique. Il s'adresse à ceux qui souhaitent acquérir une compréhension solide des outils et méthodes, tout en développant une aptitude à leur application dans des contextes réels. Au terme de cette formation, vous serez en capacité d'appliquer divers algorithmes d'intelligence artificielle en utilisant le langage de programmation R, ainsi que de présenter de manière claire et convaincante vos résultats analytiques. La structure du cours repose sur des exercices pratiques, utilisant des données réelles et du codage avec le langage R, afin de garantir une mise en œuvre concrète des concepts abordés. Cette approche vous assure de développer des compétences techniques pointues ainsi qu'une compréhension approfondie de l'application de ces techniques dans des situations professionnelles.
À noter : Ce cours demande une implication et une motivation élevées de la part des étudiants. Il comporte une forte composante de programmation en R. Ce cours est explicitement déconseillé aux étudiants qui n'ont pas d'aptitude à la programmation. Ce cours nécessitera l’utilisation de votre laptop personnelle, l’utilisation de Tablet est possible mais pas conseille.
Prérequis :
Aisance dans l’utilisation de langages de programmation tels que R, Python et Java (le cours sera en R, mais les étudiants habitués à Python ne devraient pas rencontrer de difficultés). Connaissances de base en statistiques (moyenne, écart type, régression linéaire, prédiction). Familiarité et aisance avec les méthodes quantitatives. Si vous aimez programmer, si vous avez une curiosité naturelle pour l’interprétation des statistiques et l’apprentissage de nouveaux concepts, et si vous êtes motivé à travailler dur, ce cours est fait pour vous.
Learning goals/Programme objectives
- LG1 Being able to extend digital intelligence through its different dimensions
- LG4 Having access to different cross disciplinary management approaches and tools
Learning objectives/Intended learning outcomes
- 1 - Being able to extend digital intelligence through its different dimensions
- 1.1 - Develop digital citizenship and prosperity
- 1.2 - Develop digital creativity for the individual and the organizational
Rubrics
- Concepts statistiques de base
- Visualisation des données
- Régression linéaire et classification
- Régularisation et prédiction hors échantillon
- Algorithmes d'intelligence artificielle
Content : structure and schedule
Structure/ Agenda :
Le cours sera composé de neuf séances. Voici le planning (susceptible de modifications):
Séance 1 : Régression Linéaire - I
Séance 2 : Régression Linéaire - II
Séance 3 : Classification - I
Séance 4 : Classification - II
Séance 5 : Prédiction et Sélection de Modèles
Séance 6 : LASSO
Séance 7 : Méthodes de prédiction basées sur les arbres
Séance 8 : Forêts Aléatoires
Séance 9 : XGBoost
Sustainable Development Goals
Le cours contribue a réalisé les ODD: 4, 8, 9
Number of SDG's addressed among the 17
3 ODD
Learning delivery
synchrone
Pedagogical methods
Ce cours repose sur une approche d'apprentissage par la pratique. Les cours comprendront une partie théorique, qui transmettra les notions essentielles, ainsi qu'une partie pratique où la théorie sera mise en application à l'aide d'exercices de programmation
Evaluation and grading system and catch up exams
La note sera constituée de deux dossiers à rendre, qui représenteront 75 % de la note finale. Les 25 % restants seront évalués par des QCM. Un QCM pourra être réalisé en fin de cours et ne sera pas annoncé à l’avance.
Les dossiers à rendre seront des exercices de codage vous demandant d’implémenter certaines méthodes d’intelligence artificielle.
Pour chaque absence non-justifie un malus de 0.5 point sera appliquee sur la note finale
Modalités de rattrapage :
Un dossier supplémentaire devra être rendu dans un délai d'une semaine.
Module Policies
Teacher-Student Communication
● The teacher will contact students via their academic email address (IMT-BS/TSP) and the Moodle portal. No communication through personal email addresses will occur. It is the student’s responsibility to regularly check their IMT-BS/TSP email inbox.
● Students can communicate with the teacher by sending an email to their institutional address. If needed, it is possible to meet with the teacher in their office during office hours or by appointment.
Students with Accommodation Needs
If a student has a disability that prevents them from performing the described work or requires any kind of accommodation, it is their responsibility to inform the director of studies (with supporting documents) as soon as possible. Also, the student should not hesitate to discuss this with their teacher.
Classroom Behavior
● As a courtesy to the teacher and other students, all mobile phones, electronic games, or other sound-generating devices must be turned off during class.
● The student should avoid any disruptive and disrespectful behavior such as: arriving late to class, leaving early, inconsiderate behavior (e.g., sleeping, reading a document unrelated to the course, using vulgar language, excessive talking, eating, drinking, etc.). A warning may be given for the first offense of these rules. Offenders will be penalized and may be expelled from class and/or subjected to other disciplinary procedures.
● A 5-minute tardiness is tolerated. Attendance will be recorded on Moodle during these 5 minutes via a QR code provided by the teacher at the start of each class.
● The student must arrive on time for exams and other assessments. No one will be allowed to enter the classroom once the first person has finished the exam and left the room. There are absolutely no exceptions to this rule. No student can continue taking an exam once time is up. No student can leave the room during an exam unless they have finished and handed in all documents.
● In the case of remote classes, the student must keep their camera turned on unless instructed otherwise by the teacher.
Ethical Code
IMT-BS is committed to a policy of honesty in the academic environment. Any conduct compromising this policy may result in academic and/or disciplinary sanctions. Students must refrain from cheating, lying, plagiarizing, and stealing. This includes producing original work and recognizing any other person whose ideas and printed materials (including those from the internet) are paraphrased or directly quoted. Any student who breaches or helps another student breach school behavior standards will be sanctioned in accordance with IMT-BS’s rules.
Textbook Required and Suggested Readings
Suggested Reading: Business Data Science, Matt Taddy
Keywords
Intelligence Artificielle, Science des Données
Prerequisites
Aisance dans l’utilisation de langages de programmation tels que R, Python et Java (le cours sera en R, mais les étudiants habitués à Python ne devraient pas rencontrer de difficultés). Connaissances de base en statistiques (moyenne, écart type, régression linéaire, prédiction). Familiarité et aisance avec les méthodes quantitatives. Si vous aimez programmer, si vous avez une curiosité naturelle pour l’interprétation des statistiques et l’a