Fundamentals of AI

Catalogue des cours de Institut Mines-Télécom Business School

Code

MUFE INF 3405

Niveau

L3

Discipline

Informatique

Langue

Anglais/English

Crédits ECTS

3

Heures programmées

18

Charge totale étudiant

60

Coordonnateur(s)

Département

  • Technologies, Information et Management

Equipe pédagogique

Introduction au module

Ce cours introduit les étudiants aux fondements conceptuels, techniques et sociétaux de l’intelligence artificielle, en mettant l’accent sur la manière dont les systèmes intelligents apprennent, décident et agissent à partir d’une combinaison de caractéristiques conçues et émergentes. Il établit un lien entre les grands paradigmes de l’apprentissage automatique — supervisé, non supervisé et par renforcement — et les perspectives managériales et comportementales pertinentes pour les domaines du management et de la transformation numérique. À travers un ensemble de cours conceptuels, d’analyses de cas et d’exercices pratiques sur des plateformes telles que Google Colab, les étudiants exploreront le fonctionnement des modèles d’IA tels que les réseaux de neurones, les transformeurs et les grands modèles de langage, ainsi que leurs implications pour la créativité, la cybersécurité et la gouvernance éthique. Le cours invite à une réflexion critique sur la nature de l’intelligence, des données et de la vérité, en encourageant les étudiants à relier les mécanismes computationnels à la cognition humaine et à la prise de décision dans un monde de plus en plus façonné par l’IA.

Bloc de compétences

  • 1. S’approprier les usages avancés et spécialisés des outils de l’intelligence digitale en s’assurant de leur impact durable et responsable

Compétences du bloc

  • 1.1 - Auditer les usages avancés et spécialisés des outils de l'intelligence digitale, afin de les mobiliser avec pertinence, en tenant compte du contexte stratégique des organisations.

Objectifs d'apprentissage du cours

By the end of the course, each student will be able to engage in context engineering work (non-technical or low-technical) that fits their job and personal life needs. Such works could be in forms of custom chatting bots, knowledge base for AI conversation threads, using local folder as an agentic AI application, etc.

Contenu : structure du module et agenda

Session 1 - From Symbolic Rules to World Models
Session 2 - Traditional ML Methods
Session 3 - Towards Bionic Approach: ANN & Transformer
Session 4 - Agentic Intelligence & Psychological Implications
Session 5 - Wrap-up & Free Discussion
Session 6 - Exploring AI Tools Across Layers
Session 7 - Harness LLM
Session 8 - AI Safety & Project Follow-Up
Session 9 - Individual Project Check - Ideas, Trials & Errors, etc.

Contribution à l'atteinte des ODD (Objets du Développement Durable)

In Fundamentals of AI, I contribute to SDG 10 (Reduced Inequalities) and SDG 12 (Responsible Consumption and Production) by teaching students to evaluate AI systems critically rather than adopt them blindly. The course highlights how AI can amplify inequalities through biased data, unequal access, and automation errors, and trains students to recognize these risks. Through hands-on cases and evaluation exercises, students learn to choose appropriate AI uses, question model outputs, and design responsible AI-enabled workflows that reduce harm, waste, and irresponsible deployment in organizations.

Nombre d'ODD abordés parmi les 17

10, 12

Apprentissage

Mixte

Méthode pédagogique

Case-based learning; Problem-based learning; Group work & collaborative projects; Peer feedback and peer review; Portfolio-style assessment

Système de notation et modalités de rattrapage

Quatre projets pratiques allant du niveau facile à intermédiaire, portant sur la compréhension, l’utilisation et l’application de l’IA, chacun comptant pour 25 % de la note finale (1 projet de groupe et 3 projets individuels). L’évaluation combine l’évaluation par les pairs et l’évaluation par l’enseignant.
Les étudiants qui échouent au cours bénéficieront d’une session de rattrapage (CF2) sous la forme d’une analyse critique de cas en ligne réalisée dans un environnement contrôlé. Aucun QCM n’est utilisé dans les évaluations.

Mots-clés

Artificial Intelligence, LLM, Agentic AI