Crédits ECTS
4
Volume horaire
45 h
Programme d'études
| Programme | Bloc | Caractère |
|---|---|---|
| CC-Sciences industrielles | 1 | Obligatoire |
Prérequis
Co-requis
Implantation
Département technique d'Arlon
Directeur de département du domaine
Benoît Dujardin
Responsable de l'UE
Corentin DOMKEN
Enseignants intervenants
Cette UE contribue à l’atteinte des acquis d’apprentissage terminaux suivants :
· Intégrer les savoirs scientifiques et technologiques afin de faire face à la diversité et à la complexité des problèmes rencontrés.
· Analyser des produits, processus et performances, de systèmes techniques nouveaux et innovants.
· Modéliser, calculer et dimensionner des systèmes.
· Réaliser des simulations, modéliser des phénomènes afin d’approfondir les études et la recherche sur des sujets technologiques ou scientifiques.
· Mener des études expérimentales, en évaluer les résultats et en tirer des conclusions.
· Valider les performances et certifier les résultats en fonction des objectifs attendus.
· Dépasser les cadres ou les limites d’un problème et apporter des solutions innovantes.
· Organiser son savoir de manière à améliorer son niveau de compétence.
· Actualiser ses connaissances et s’engager dans les formations complémentaires adéquates.
Au terme de l’Unité d’Enseignement, l’étudiant sera capable de :
- Face à un problème donné, identifier les éléments permettant de choisir la méthode de résolution du problème.
- Résoudre seul ou en groupe tous les types de problème pendant les séances de cours.
- Définir les différents concepts vus aux cours.
- Interpréter et représenter graphiquement les différents concepts vus aux cours.
- Utiliser les logiciels et les fonctions appropriés au problème à solutionner.
- Critiquer les résultats obtenus par programmation et par modélisation.
- S 'auto-évaluer sur base des résultats obtenus par programmation.
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.
Comprendre les principes fondamentaux du Machine Learning et son intérêt dans les systèmes industriels.
Etre capable de concevoir, entraîner, évaluer et déployer un modèle simple de Machine Learning
- Introduction à l'industrie 4.0
- Introduction au machine learning
- Révision de Python
- Apprentissage supervisé : Régression Linéaire, mise à l'échelle des données, Régression logistique, KNN (les k plus proches voisins)
- Apprentissage non supervisé : K-means ( 'clustering'), Analyse en composantes principales (PCA)
- Apprentissage par renforcement
- Projets
Non précisé
| Activité d'apprentissage | Support |
|---|---|
| ATEA1006 — Machine Learning et Modélisation | Contenu de la page Moodle :
|
| Activité d'apprentissage | Heures | Langue d'enseignement | Langue d'évaluation |
|---|---|---|---|
| ATEA1006 — Machine Learning et Modélisation | 45 h | Anglais | Français ou anglais, au choix de l'étudiant |
| Activité d'apprentissage | Méthodes d'enseignement et d'apprentissage |
|---|---|
| ATEA1006 — Machine Learning et Modélisation | Des présentations PowerPoint sont utilisées pour aborder les concepts fondamentaux et les formalismes mathématiques Des travaux pratiques vont accompagner le cours pour tester les concepts théoriques sur des exemples concrets. Les exercices et les travaux pratiques sur ordinateur jouent un rôle essentiel à la compréhension des méthodes théoriques. L’outil de programmation sera Python et ses bibliothèques adéquates. L'étudiant est invité à travailler de manière autonome afin de réviser les bases mathématiques nécessaires à la compréhension de ce cours. L'étudiant est également invité à travailler d'une manière autonome afin de mener à bien son travail de recherche autour des concepts du "Machine Learning". |
Sans objet
examen en session.
UE remédiable.
La note finale de l’UE correspond à celle de l’activité d’apprentissage.
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 |
|---|---|
| ATEA1006 — Machine Learning et Modélisation | Q1 et Q3 : Examen écrit de 3 heures : porte sur la théorie et les exercices vus en classe. Pas de programmation à faire sur papier. |
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.