Crédits ECTS
5
Volume horaire
56 h
Programme d'études
| Programme | Bloc | Caractère |
|---|---|---|
| IE-Bachelier en informatique, orientation intelligence artificielle | 2 | Obligatoire |
Prérequis
Co-requis
Implantation
Département technique de Namur
Directeur de département du domaine
Benoît Dujardin
Responsable de l'UE
Christine CHARLIER
Enseignants intervenants
- Rédige des rapports documentés sur les applications qu’il crée et présente oralement ses démarches informatiques, et ce, éventuellement en anglais (AAT11)
- Exploite des données en provenance du système d’informations de l’entreprise, des réseaux sociaux, des objets connectés ou toute autre source de données via des technologies issues de la data intelligence en vue d'aider l’entreprise à la décision (AAT12)
- Adapte des applications existantes ou crée de nouvelles applications basées sur des algorithmes d'intelligence artificielle qui s’intègrent dans la structure en place dans l’entreprise (AAT13)
- Utilise et adapte des algorithmes d'intelligence artificielle en vue de répondre à un besoin spécifique, et présente les résultats obtenus sous une forme adéquate de visualisation (AAT14)Au terme de l'unité d'enseignement, l'étudiant sera capable, de manière autonome, à partir d'un problème concret nécessitant l'exploitation de données :
- d'identifier le type d'apprentissage adapté à la problématique ;
- de préparer et transformer les données en vue de leur exploitation ;
- de développer et paramétrer un modèle de machine learning ;
- d'évaluer et comparer plusieurs modèles à l'aide d'indicateurs de performance pertinents ;
- de justifier les choix méthodologiques effectués ;
- de communiquer et d'interpréter les résultats obtenus ;
- de développer des solutions de machine learning en appliquant les principes de qualité logicielle, de reproductibilité, de traçabilité et de maintenabilité du code et des expérimentations ;
- d'expliquer les concepts fondamentaux du machine learning ainsi que les principes de fonctionnement des principaux algorithmes, méthodes, paramètres, métriques et instructions utilisés dans le développement et l'évaluation de modèles d'intelligence artificielle ;
- de concevoir et d'exploiter une base de données vectorielle (basique) afin d'indexer, rechercher et retrouver efficacement des informations à partir de représentations vectorielles de données.Document annexe à la fiche UE accessible via un lien explicitant en quoi le programme d’études s’inscrit dans une politique de développement durable. Une ou plusieurs UE spécifique(s) pourraient être ciblée(s) dans cette annexe.
À définir
- Introduction au machine learning : concepts fondamentaux, domaines d'application et cycle de vie d'un projet de machine learning.
- Identification des différents types d'apprentissage et analyse des situations-problèmes associées.
- Préparation et exploration des données.
- Apprentissage supervisé :
- Classification ;
- Régression ;
- Évaluation et comparaison des modèles.
- Détection d'anomalies : principes, méthodes et cas d'utilisation.
- Bonnes pratiques de développement en machine learning : structuration d'un projet, reproductibilité des expérimentations, documentation, modularisation du code et gestion des versions des modèles.
- Introduction aux représentations vectorielles (embeddings) et aux bases de données vectorielles - analyse sémantique.
- Introduction aux agents d'intelligence artificielle : principes, architecture générale, intégration d'un modèle de langage et d'une base de connaissances.
- Si temps, réalisation d'un premier agent IA.À définir
| Activité d'apprentissage | Support |
|---|---|
| AINN2054 — Machine learning |
|
| Activité d'apprentissage | Heures | Langue d'enseignement | Langue d'évaluation |
|---|---|---|---|
| AINN2054 — Machine learning | 56 h | Français | Français |
| Activité d'apprentissage | Méthodes d'enseignement et d'apprentissage |
|---|---|
| AINN2054 — Machine learning | La méthode pédagogique repose sur une alternance de séquences théoriques, de démonstrations guidées et d'exercices d'application. La présence au cours est fortement conseillée, il y a un projet à réaliser en groupe. Pour les étudiants régulièrement présents au cours, ce projet fait l'objet d'un suivi sous forme Agile avec feedback réguliers (et éventuelles dispenses pour l'examen). Pour les étudiants qui n'ont pas la possibilité d'être régulièrement présents au cours, un autre projet leur sera demandé et ils le présenteront à l'examen final sans possibilité de feedback préalable. |
À définir
À définir
À définir
Au sein du programme d'études, lors du calcul de la moyenne, la pondération de l'évaluation de l'unité d'enseignement est effectuée sur base des crédits affectés à cette unité d'enseignement et évalués
| Activité d'apprentissage | Modalités d'évaluation |
|---|---|
| AINN2054 — Machine learning | Examen juin : 100% Examen théorique réalisé hors session (juste après Pâques) + remise et défense orale (individuelle) d'un projet réalisé en groupe. La présence au cours est fortement conseillée. Un projet est développé tout au long du quadrimestre. Les étudiants participant régulièrement aux séances bénéficient d'un suivi continu (méthode Agile), de feedbacks réguliers et peuvent, le cas échéant, obtenir certaines dispenses relatives à l'évaluation finale. Les étudiants ne pouvant être présents régulièrement réalisent un projet distinct qui sera présenté lors de l'examen final, sans suivi intermédiaire ni feedback préalable. Règle d'évaluation: tous les acquis d'apprentissage de cette UE doivent être validés pour que le seuil de réussite 10/20 soit atteint. |
Une mention sur la fiche informera les étudiants du fait que les précisions sur les épreuves seront disponibles sur Moodle au plus tard 6 semaines avant l'évaluation.