4ALG4A - Algorithmique 4 (IA)

Description technique du cours

• Acronyme de l’activité : 4ALG4A
• Bloc : 2
• Quadrimestre : 4
• Nombre de crédits : 3
• Langue d’instruction : français
• Implantation : HE2B – ESI
• Pré-requis : néant
• Co-requis : néant

Détails des parties

L’unité d’enseignement est composée des parties suivantes :

Partie	Acronyme	Format	Heures de cours	Heures hors cours (estimation)
Algorithmique 4 - Théorie	4ALG4A-T	Auditoire	12	10
Algorithmique 4 - Laboratoires	4ALG4A-L	Laboratoire	24	25

Description générale du cours

Cette unité constitue une introduction accessible et pratique aux concepts fondamentaux de l’intelligence artificielle et des algorithmes d’apprentissage automatique.

Objectifs généraux

Au terme de l’activité d’apprentissage, l’étudiante ou l’étudiant sera en mesure de :

• Restituer les définitions et les concepts clés relatifs à l’intelligence artificielle et aux algorithmes d’apprentissage automatique ;
• Résoudre des problèmes concrets en utilisant des outils et des bibliothèques logicielles spécialisées.

Acquis d’apprentissage spécifiques sanctionnés par l’évaluation

Au terme des séances, l’étudiante ou l’étudiant sera évalué sur sa capacité à :

• Expliquer les concepts clés étudiés comme le Machine learrning, le Deep learning et les Réseaux neuronaux ;
• Utiliser les algorithmes étudiés pour résoudre des problèmes spécifiques tels que jouer aux échecs, classifier des données ou sortir d’un labyrinthe.

Acquis terminaux visés

Au sein de la formation de bachelier en informatique, cette activité d’apprentissage aura participé à l’acquisition des compétences suivantes.

• Concevoir, implémenter et maintenir des algorithmes répondant aux spécifications et fonctionnalités fournies.

Modalités d’évaluations

• En première session, l’évaluation est 100% continue ;
• En seconde session, l’évaluation est un examen écrit-oral-machine (100%).

Contenus

• Compréhension des Concepts Fondamentaux
• Apprentissage Supervisé
• Apprentissage Non-Supervisé
• Apprentissage par Renforcement
• Éthique et Impacts Sociaux de l’Intelligence Artificielle
• Perspectives Futures et Tendances de l’Intelligence Artificielle
• Applications Pratiques de l’Intelligence Artificielle

Bibliographie

• Gareth, J., Witten, D., Hastie, T. and Tibshirani, R.: An introduction to statistichal learning, with applications in Python - Springer, 2023
• Goodfellow, I., Bengio, Y. and Courville, A.: Deep Learning - MIT Press, 2016
• Han, J., Kamber, M. and Pei, J.: Data Mining, concepts and techniques - Morgan Kaufmann, 2011
• Talbi, E.-G.: Metaheuristics, From Design to Implementation - Wiley, 2009
• Norvig, P. and Russel, S.: Artificial Intelligence: A Modern Approach - Pearson, 2009