Code
MGFE MIS 4404
Niveau
M1
Discipline
Systèmes d’information
Langue
Anglais/English
Crédits ECTS
2
Heures programmées
18
Charge totale étudiant
50
Coordonnateur(s)
Département
- Data analytics, Économie et Finances
Equipe pédagogique
Introduction au module
Au fil des prochaines semaines, nous allons explorer les fondements, les méthodes et les applications de l’IA et de l’analyse de données. Ce cours a pour objectif de vous donner à la fois une compréhension conceptuelle et une expérience pratique de la manière dont l’IA transforme les entreprises, les industries et la société.
Nous commencerons par une question essentielle : Qu’est-ce que l’IA ? Comment les machines apprennent-elles ? En quoi l’IA diffère-t-elle de la programmation traditionnelle ? À partir de là, nous découvrirons des techniques clés comme la recherche et l’optimisation, l’apprentissage automatique (supervisé, non supervisé et par renforcement), ainsi que l’apprentissage profond avec les réseaux de neurones. Nous aborderons aussi des applications concrètes dans les domaines du marketing, de la finance, des opérations, ainsi que les enjeux éthiques et réglementaires liés à l’IA.
Ce cours mettra l’accent sur la pratique autant que sur la théorie. Grâce à des exercices interactifs, des jeux et des projets en Python avec Google Colab, vous comprendrez comment fonctionnent les algorithmes et comment les appliquer à des problèmes réels. En groupe, vous réaliserez également un projet final portant sur une étude de cas d’entreprise : identifier des problématiques, proposer des solutions basées sur l’IA, et évaluer les ressources nécessaires. Votre travail se concrétisera par un rapport écrit et une présentation orale.
NB: Ce cours demande une implication et une motivation élevées de la
part des étudiants. Il comporte une forte composante de programmation. Ce cours nécessitera l’utilisation de votre
laptop personnelle, l’utilisation de Tablet est possible mais pas conseille.
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
- Statistics
- Data visualization
- Linear regressions
- Understand the main branches of AI and their applications
- Apply fundamental algorithms for problem-solving, optimization, and learning.
- Use tools like Kaggle datasets and TensorFlow to test and experiment with models.
- Critically assess the risks, biases, and ethical considerations of AI.
- Connect AI methods with real-world business strategies.
Contenu : structure du module et agenda
Ce cours se déroulera en 9 séances (susceptible de modifications)
1- Introduction au big data et l'intelligence artificielle
2- Connaissance, incertitude et probabilité
3- Regression linéaire et machine learning
4- Causalité et corrélation
5- Modèles supervisés
6- Modèles non-supervisés
7- Deep learning
8- IA, éthique, risques et régulation
9- Présentation des projets
Contribution à l'atteinte des ODD (Objets du Développement Durable)
ODD: 4, 8, 9
Nombre d'ODD abordés parmi les 17
3 ODD
Apprentissage
synchrone
Méthode pédagogique
This course is based on a learning-by-doing approach. The classes will include a theoretical component, which will cover the essential concepts, as well as a practical component where the theory will be applied through programming exercises.
Système de notation et modalités de rattrapage
Projet écrit = 75%
Présentation = 25%
Rattrapage: Refaire un projet écrit.
Règlement du module
Professor-Student Communication
● The professor will contact the students through their school email address (IMT-BS/TSP) and the Moodle portal. No communication via personal email addresses will take place. It is the student responsibility to regularly check their IMT-BS/TSP mailbox.
● Students can communicate with the professor by emailing him/her to his institutional address. If necessary, it is possible to meet the professor in his office during office-hours or by appointment.
Students with accommodation needs
If a student has a disability that will prevent from completing the described work or require any kind of accommodation, he may inform the program director (with supporting documents) as soon as possible. Also, students are encouraged to discuss it with the professor.
Class behavior
● Out of courtesy for the professor and classmates, all mobile phones, electronic games or other devices that generate sound should be turned off during class.
● Students should avoid disruptive and disrespectful behavior such as: arriving late, leaving early, careless behavior (e.g. sleeping, reading a non-course material, using vulgar language, over-speaking, eating, drinking, etc.). A warning may be given on the first infraction of these rules. Repeated violators will be penalized and may face expulsion from the class and/or other disciplinary proceedings.
● The tolerated delay is 5 minutes. Attendance will be declared on Moodle during these 5 minutes via a QR code provided by the teacher at each course start.
● Student should 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 is absolutely no exception to this rule. No student can continue to take an exam once the time is up. No student may leave the room during an examination unless he / she has finished and handed over all the documents.
● In the case of remote learning, the student must keep his camera on unless instructed otherwise by the professor.
Honor code
IMT-BS is committed to a policy of honesty in the academic community. Conduct that compromises this policy may result in academic and / or disciplinary sanctions. Students must refrain from cheating, lying, plagiarizing and stealing. This includes completing your own original work and giving credit to any other person whose ideas and printed materials (including those from the Internet) are paraphrased or quoted directly. Any student who violates or helps another student violate academic behavior standards will be penalized according to IMT-BS rules.
Références obligatoires et lectures suggérées
Business Data Science, Matt Taddy
Artificial Intelligence: A Modern Approach, Russell, S., & Norvig, P.
Mots-clés
Artificial Intelligence, Big Data, Data Science, Machine Learning
Prérequis
The students should have already done at least a class in data science and have already worked in a programming language.