Code
MGSF INF 4803
Niveau
M1
Discipline
Informatique
Langue
French
Crédits ECTS
2
Heures programmées
21
Charge totale étudiant
60
Coordonnateur(s)
Equipe pédagogique
Introduction au 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.
Finalité d'apprentissage (Bloc de compétences)
- LG1 Être capable d'étendre sa propre intelligence digitale à travers ses différentes dimensions (de manière responsable et durable)
- LG4 Avoir accès à différents instruments transdisciplinaires de management
Objectifs d'apprentissage (compétences mères)
- 1 - Être capable d'étendre sa propre intelligence digitale à travers ses différentes dimensions (de manière responsable et durable)
- 1.1 - Développer la citoyenneté numérique et la prospérité sociétale
- 1.2 - Développer la créativité numérique pour l'individu et l'organisation avec sobriété
Traits de compétences
- Concepts statistiques de base
- Visualisation des données
- Régression linéaire et classification
- Régularisation et prédiction hors échantillon
- Algorithmes d'intelligence artificielle
Contenu : structure du module et 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
Contribution à l'atteinte des ODD (Objets du Développement Durable)
Le cours contribue a réalisé les ODD: 4, 8, 9
Nombre d'ODD abordés parmi les 17
3 ODD
Apprentissage
synchrone
Méthode pédagogique
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
Système de notation et modalités de rattrapage
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.
Règlement du module
Communication Professeur-Apprenant
● Le professeur contactera les apprenants via leur adresse email scolaire (IMT-BS/TSP) et le portail Moodle. Aucune communication via les adresses mails personnelles n’aura lieu. Il est de la responsabilité de l’étudiant de consulter régulièrement sa boîte mail IMT-BS/TSP.
● Les apprenants peuvent communiquer avec le professeur en envoyant un mail à son adresse institutionnelle. Au besoin, il est possible de le rencontrer dans son bureau durant les heures de bureau ou sur rendez-vous.
Apprenants avec des besoins d’accommodement
Si l’apprenant a un handicap qui empêche d’accomplir le travail décrit ou qui nécessite toute sorte d'accommodement, il est de sa responsabilité d’en informer le directeur des études (avec justificatifs) dès que possible. Aussi, l’apprenant ne doit pas hésiter à en discuter avec son professeur.
Comportement en classe
● En guise de courtoisie envers le professeur et les autres apprenants, tous les téléphones portables, jeux électroniques ou autres appareils générant du son doivent être désactivés pendant les cours.
● L’apprenant doit éviter tout comportement perturbateur et irrespectueux tel que: arriver en retard en classe, partir tôt, comportement inconsidéré (ex. dormir, lire un document non lié au cours, utiliser un langage vulgaire, parler excessivement, manger, boire, etc.). Un avertissement peut être donné à la première infraction de ces règles. Les contrevenants seront pénalisés et pourront être expulsés de la classe et/ou subir d'autres procédures disciplinaires.
● Le retard toléré est de 5 minutes. La présence sera déclarée sur Moodle durant ces 5 minutes via un QR code fourni par le professeur à chaque démarrage de cours.
● L’apprenant doit arriver à l'heure pour les examens et autres évaluations. Personne ne sera autorisé à entrer en classe une fois que la première personne aura terminé l'examen et quitté la salle. Il n'y a absolument aucune exception à cette règle. Aucun apprenant ne peut continuer à passer un examen une fois le temps écoulé. Aucun apprenant ne peut quitter la salle pendant un examen à moins qu'il / elle ait terminé et ait remis tous les documents.
● En cas de cours à distance, l'apprenant doit maintenir sa caméra allumée sauf en cas d'indications contraires données par l'enseignant.
Code éthique
IMT-BS est engagée dans une politique d'honnêteté dans le milieu académique. Toute conduite compromettant cette politique peut entraîner des sanctions académiques et/ou disciplinaires. Les apprenants doivent s'abstenir de tricher, de mentir, de plagier et de voler. Ceci consiste à accomplir un travail original et à reconnaître toute autre personne dont les idées et les documents imprimés (y compris ceux provenant d’Internet) sont paraphrasés ou cités directement. Tout apprenant qui enfreint ou aide un autre élève à enfreindre les normes de comportement scolaire sera sanctionné conformément aux règles de l'IMT-BS.
Références obligatoires et lectures suggérées
Suggested Reading: Business Data Science, Matt Taddy
Mots-clés
Intelligence Artificielle, Science des Données
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’a