Master universitaire en ligne en intelligence artificielle

Objectifs

▪ RK3 : Expliquer la législation et la réglementation en vigueur dans le domaine de l'IA

▪ RK5 : Identifier les utilisations et les applications de l’IA

▪ RK6 : Interpréter le processus de création d’un modèle d’IA, ses différentes phases et sa mise en

production

▪ RODS : Développer une communication efficace, le travail d’équipe, la réflexion

analytique, la créativité et le leadership éthique dans une perspective transversale et en s’

inspiration claire tirée des principes et valeurs démocratiques, ainsi que des Objectifs de

développement durable, afin d’évoluer avec intégrité dans un environnement professionnel

▪ Maîtrise les différentes étapes de la gestion d’un projet d’apprentissage

et les outils les plus courants pour mener à bien cette tâche

▪ Met en œuvre les exigences légales et réglementaires dans le cadre d’un projet d’IA

afin de garantir que sa mise en œuvre n’entraînera pas de problèmes de non-conformité pour l’

organisation

▪ Appliquer les réglementations relatives à l’utilisation des algorithmes d’IA

▪ Compétences de base :

• L'étudiant découvrira les principaux cas d'utilisation et des exemples concrets d'

application de l’IA dans le monde de l’entreprise, ainsi que les concepts de base pour

exercer la fonction de data scientist au sein d’une organisation

▪ Compétences spécifiques :

• Des concepts liés à une meilleure mise en œuvre des

modèles analytiques et d’intelligence artificielle dans les domaines de la législation, de la gestion

de projets, de bonnes pratiques de conception et d’économie comportementale, ainsi que de la

gestion de projets d’analyse avancée.

Description du contenu

1. L’intelligence artificielle dans le monde de l’entreprise : en guise d’introduction, nous verrons

comment, tout d’abord, la mise à disposition de grandes quantités de données, ainsi que des

des outils permettant de les traiter, ainsi que des modèles d’intelligence artificielle

qui en découlent, ont complètement révolutionné les industries et le monde dans

lequel nous vivons, et ce que cela a impliqué pour les différentes organisations et secteurs

du monde des affaires

2. Gouvernance des données : nous explorerons et travaillerons, tant sur le plan théorique que pratique, les

principaux concepts de gouvernance des données et de leur cycle de vie au sein de l’organisation,

tant du point de vue de l’utilisateur que de celui du

propriétaire ou du responsable de la qualité et de la disponibilité des données.

3. BECO et conception : principes généraux de l’économie comportementale et conception orientée vers

et leur importance dans la création et le développement de projets analytiques.

4. Gestion de projets : cycle de vie de la gestion de projets au sein de l’organisation.

Concepts de planification, de gestion du temps, des équipes et des dépendances, ainsi que principes de la

philosophie agile du développement de projets.

5. Aspects éthiques et juridiques : présentation des contextes et des normes qui concernent les

modèles d’intelligence artificielle, principales initiatives législatives en cours et aspects

éthiques à prendre en compte lors du développement des modèles.

6. MLOps : intégration de l’IA aux systèmes opérationnels : nous explorerons en

comment intégrer efficacement le Machine Learning dans le monde de l’entreprise,

tirer parti des avantages du cloud pour déployer des modèles de manière évolutive,

mettre en œuvre des pratiques DevOps pour une gestion efficace et tirer les leçons de cas d’utilisation réels

dans divers secteurs d’activité. Nous resterons également à la pointe des

dernières tendances en matière d’apprentissage automatique.

Système et critères d’évaluation

Dans l’espace de cours virtuel du cours/module, vous pourrez consulter en détail les activités que vous devez

réaliser, ainsi que les dates de remise, les critères d’évaluation et les grilles d’évaluation de chacune d’

.

Votre note finale sera calculée selon le système d’évaluation suivant :

50 % de la note correspondra à celle que vous obtiendrez lors de l’évaluation continue. Pour cela, les éléments suivants seront pris en compte :

Activités individuelles et/ou en groupe : elles sont incluses dans l'évaluation continue.

L'examen final du cours/module représentera : 50 % de la note finale.

Bibliographie

De base :

1.- Daniel Kahneman

Thinking fast and slow

Penguin Books. 2011.

ISBN : 9780141033570

2.- Ken Schwaber & Jeff Sutherland

Le Guide Scrum

Scrum.org. 2024.

ISBN : 0000000000

3.- Zhamak Dehghani

Data Mesh : créer de la valeur à grande échelle grâce aux données

O'Reilly. 2022.

ISBN : 1492092398

Objectifs

Connaissances

- Reconnaît les théories statistiques les plus couramment utilisées dans les environnements d'IA.

- Décrire les indicateurs utilisés pour l'étalonnage des modèles d'IA.

Compétences

- Appliquer les notions statistiques associées aux algorithmes d’IA les plus courants.

- Détermine l'algorithme nécessaire pour traiter un cas d'IA.

Compétences

- Évalue de manière impartiale différentes solutions basées sur l'intelligence artificielle et choisit la plus efficace pour atteindre les objectifs fixés.

- Évalue la qualité d’un modèle d’IA à l’aide d’indicateurs permettant de comparer différents algorithmes

Description du contenu

Unité 1 : Spécialisation en statistiques pour la description et l’analyse de grands ensembles de données.

Unité 2 : Théorie de l'estimation

Unité 3 : Prise de décision et classification statistique

Unité 4 : Statistiques bayésiennes

Unité 5 : Génération statistique de données : ensembles de données synthétiques et imputation des données manquantes

Module 6 : Théorie des graphes complexes et ses applications à l'IA

Système et critères d'évaluation

Système d'évaluation

50 % de la note sera attribuée à l'évaluation continue (2 travaux pratiques dont la note finale correspondra à la moyenne des deux travaux).

Les 50 % restants de la note proviendront de l'examen final.

Session ordinaire

Pour valider le cours lors de la session ordinaire, il faut obtenir une note finale (moyenne pondérée) supérieure ou égale à 5,0 sur 10, et en outre :

La moyenne de toutes les activités (travaux pratiques) doit être égale ou supérieure à 5,0 sur 10 pour être prise en compte dans la moyenne avec l'examen. De même, la note de l'examen doit être égale ou supérieure à 5,0 sur 10 pour être prise en compte dans la moyenne avec les activités.

Session extraordinaire

Pour valider le cours lors de la session de rattrapage, il est nécessaire d’obtenir une note finale supérieure ou égale à 5,0 sur 10.

Il faut rendre les travaux non validés lors de la session ordinaire, après avoir reçu les commentaires correspondants de la part de l’enseignant, ou bien ceux qui n’ont pas été rendus.

Addendum

Compétences fondamentales

L'étudiant sera capable de comprendre les caractéristiques qui différencient le développement d'un modèle d'apprentissage supervisé à des fins explicatives ou prédictives, et en particulier les différences entre les métriques d'évaluation de ces deux types de modèles.

Compétences spécifiques

L'étudiant sera capable de comprendre à quels types de données et d'applications correspondent les différentes architectures, par exemple : les réseaux neuronaux ou les modèles basés sur des graphes.

Bibliographie

Bibliographie de base :

1.- Albert, Réka, et Albert-László Barabási

Statistical mechanics of complex networks

Reviews of modern physics 74.1 : 47. 2002.

ISBN : 0034-6861

2.- Boccaletti, Stefano, et al.

Réseaux complexes : structure et dynamique

« Physics Reports » 424.4-5, pp. 175-30. 2006.

ISBN : 0370-1573

3.- Boccaletti, Stefano, et al.

La structure et la dynamique des réseaux multicouches

Physics Reports 544.1, pp. 1-122. 2014.

ISBN : 00000-00000

4.- Euler, Leonhard.

Leonhard Euler et les ponts de Königsberg

Scientific American. 1953.

ISBN : 0036-8733

5.- Gareth, J. ; Witten, D. ; Hastie, T. et Tibshirani, R.

Une introduction à l'apprentissage statistique : avec des applications à R

Springer. 2017.

ISBN : 9788074350887

6.- Hastie, T. ; Tibshirani, R. et Friedman, J.

« Les éléments de l’apprentissage statistique : exploration de données, inférence et prédiction (2e éd.)

2e éd. Springer. 2017.

ISBN : 9780387848570

7.- Newman, Mark EJ.

« The structure and function of complex networks »

» SIAM Review 45.2. p. 167-256. 2003.

ISBN : 0036-1445

8.- Partida, Alberto, Regino Criado et Miguel Romance

Gestion des identités et des accès : résilience face aux risques intentionnels pour les plateformes IoT basées sur la blockchain

Electronics 10.4 : 378. 2021.

ISBN : 2079-9292

Objectifs

À travers les quatre modules pédagogiques de ce cours, l’objectif est de développer les compétences et les acquis d’apprentissage suivants :

Conformément au rapport du MUIA, ce cours requiert les résultats suivants en matière de formation et d’apprentissage :

En matière de connaissances ou de contenus (knowledge) :

RK1 : Maîtrise des langages de programmation, des bibliothèques et des frameworks les plus utilisés dans le domaine de l’IA.

En matière de compétences :

RC3 : Maîtriser les différentes étapes de la gestion d’un projet d’apprentissage automatique ainsi que les outils les plus courants permettant de mener à bien cette tâche.

RC5 : Adapte les différentes technologies et algorithmes disponibles pour les appliquer à la résolution de problèmes d’IA.

En matière de compétences ou d'aptitudes (skills) :

RS2 : Maîtrise l’utilisation des bibliothèques et des outils les plus courants dans le domaine de l’intelligence artificielle.

▪ Compétences de base : l’étudiant sera capable de comprendre le rôle joué par les bibliothèques et les environnements de programmation abordés dans le cours.

▪ Compétences spécifiques : l’étudiant sera capable d’utiliser les bibliothèques et les environnements de programmation abordés dans le cours.

▪ Résultats d'apprentissage : L'étudiant présentera les résultats d'apprentissage suivants : Un programme en Python utilisant les bibliothèques étudiées dans le module 2. Un programme en R utilisant les bibliothèques étudiées dans les modules 4 à 6. Ces deux programmes seront développés dans un environnement de développement intégré (EDA).

Description du contenu

Le premier module sera consacré à la découverte de Python en tant que l’un des langages de référence, non seulement pour les processus d’apprentissage automatique, mais aussi pour l’industrie en général. Nous approfondirons nos connaissances sur les principaux IDE utilisés et ferons un bref tour d’horizon du langage SQL, qui permet d’exploiter nos données.

Le deuxième module explique les modules de base de Python qui constituent le fondement de la programmation en Python pour l’intelligence artificielle. Parmi ces modules spécialisés, on peut citer Pandas, Numpy et SciPy. De même, nous aborderons l’utilisation de bibliothèques de visualisation en Python telles que Matplotlib et Seaborn.

Le troisième module présentera deux des principaux frameworks d’intelligence artificielle : SKLearn, axé sur les modèles traditionnels, et TensorFlow, davantage orienté vers l’apprentissage profond. Nous terminerons par une introduction au contrôle de version avec Git.

Les quatrième, cinquième et sixième modules reprennent la structure des deux premiers, mais, cette fois-ci, en utilisant R comme langage de programmation, avec un accent particulier sur ses fonctionnalités natives et ses bibliothèques dédiées à l’analyse de données (dplyr, data.table) et à la visualisation, comme ggplot2.

Système et critères d’évaluation

Dans l’espace de cours en ligne du cours/module, vous pourrez consulter en détail les activités que vous devez réaliser, ainsi que les dates de remise, les critères d’évaluation et les grilles d’évaluation de chacune d’entre elles.

Votre note finale sera calculée selon le système d’évaluation suivant :

50 % de la note sera attribuée aux travaux à rendre (un en Python et un en R)

L'examen final du cours représentera les 50 % restants de la note.

Bibliographie

Bibliographie de base :

1.- Chang, Winston

R Graphics Cookbook

O'Reilly Media. 2013.

ISBN : 9781449316952

2.- Healy Kieran

Data Visualization : A Practical Introduction

Princeton University Press. 2019.

ISBN : 9780691181622

3.- Luciano Ramalho

Fluent Python : une programmation claire, concise et efficace

2e éd. O'Reilly. 2022.

ISBN : 9781492056355

4.- Marc Lutz

Apprendre Python : une programmation orientée objet puissante

6e éd. O'Reilly. 2025.

ISBN : 9781098171308

5.- SAS Viya

Référence des nœuds d'apprentissage automatique

SAS Institute Inc. 2023.

ISBN : 0000000000

6.- Wickham, Hadley ; Mine Çetinkaya-Rundel et Garrett Grolemund

R for Data Science (2e éd.)

O'Reilly Media. 2023.

ISBN : 9781492097402

Objectifs

Le cours « Techniques d'IA : classification et regroupement » a pour objectif de dispenser une formation complète alliant des connaissances théoriques solides et des compétences pratiques applicables dans le domaine de l'intelligence artificielle. Parmi les objectifs spécifiques figurent la maîtrise des fondements théoriques des principales techniques de classification et de regroupement, telles que k-NN, SVM, Naive Bayes, K-means et DBSCAN, ainsi que la compréhension de l’ingénierie des caractéristiques (Feature Engineering) en tant que processus essentiel pour optimiser les performances des modèles d’IA. En outre, ce cours vise à familiariser les étudiants avec les outils et bibliothèques les plus couramment utilisés dans le domaine de l’IA, tels que Scikit-learn, Pandas et NumPy, afin qu’ils puissent appliquer ces connaissances à des problèmes concrets.

En termes de compétences, l’étudiant sera capable d’évaluer et de sélectionner les algorithmes les plus appropriés pour résoudre des problèmes spécifiques de classification et de regroupement, de concevoir et d’exécuter des processus de Feature Engineering pour optimiser des ensembles de données, de mettre en œuvre des solutions pratiques à l’aide d’outils standard de l’industrie et d’analyser les résultats obtenus afin d’ajuster efficacement les modèles. La participation active à des projets collaboratifs et à des débats est également encouragée, favorisant ainsi la réflexion critique et la résolution créative de problèmes.

L’évaluation du cours combinera l’acquisition de connaissances théoriques et les compétences pratiques. L’évaluation continue représentera 50 % de la note finale et inclura la participation active aux forums et aux débats, la résolution et la remise d’activités pratiques individuelles ou en groupe, ainsi que la réalisation de questionnaires et d’exercices d’auto-évaluation. Les 50 % restants de la note seront attribués à l’examen final, qui évaluera à la fois les connaissances théoriques et la capacité à les appliquer dans un contexte structuré. Pour valider le cours, il sera nécessaire d’obtenir une note minimale de 5 sur 10 dans les deux composantes de l’évaluation.

Description du contenu

Le cours « Techniques d’IA : Classifications et regroupements » aborde les fondements théoriques et pratiques nécessaires à l’application de techniques avancées de classification et de regroupement dans le domaine de l’intelligence artificielle. Il est structuré en six modules essentiels qui couvrent les contenus suivants :

Feature Engineering : introduction aux techniques de sélection et de génération de variables pour optimiser les modèles d’IA. Ce module explore les principes fondamentaux permettant de transformer et de préparer les données, améliorant ainsi l’efficacité des algorithmes.

Classification avec les SVM (Support Vector Machines) : analyse des fondements théoriques et des applications pratiques des machines à vecteurs de support, une technique statistique clé pour la classification.

Classification par les voisins les plus proches (k-NN) : étude de l’algorithme k-Nearest Neighbors, un outil essentiel pour la classification basée sur la proximité, en mettant l’accent sur sa mise en œuvre et ses applications pratiques.

Classification avec Naive Bayes : présentation de la méthode probabiliste Naive Bayes, y compris ses fondements statistiques et son utilisation dans des scénarios de classification réels.

Regroupement avec K-means : Présentation de cette méthode de regroupement très répandue, en mettant l’accent sur sa compréhension théorique, sa mise en œuvre pratique et ses applications.

Regroupement avec DBSCAN (Density-Based Spatial Clustering of Applications with Noise) : introduction à l’algorithme de regroupement basé sur la densité, idéal pour traiter des ensembles de données complexes et bruités.

Ces contenus ont été conçus pour offrir une compréhension approfondie et pratique des principales techniques de classification et de regroupement, en favorisant l’apprentissage actif à travers des activités et des projets.

Système et critères d'évaluation

Le système d’évaluation du cours « Techniques d’IA : classifications et regroupements » combine des activités pratiques et des évaluations des connaissances, dans le but de mesurer à la fois l’acquisition de compétences théoriques et la capacité à les appliquer dans des contextes réels.

La note finale se compose de deux éléments principaux :

Évaluation continue (50 %) : elle comprend la participation active aux forums et aux débats, la remise dans les délais des exercices de feedback (1 et 2), ainsi que la réalisation de questionnaires ou de travaux d’auto-évaluation. Ces activités permettent de consolider les concepts enseignés et d’évaluer les progrès de l’étudiant tout au long du cours.

Examen final (50 %) : il s’agit d’une épreuve qui évalue à la fois les connaissances théoriques acquises et leur application à des problèmes pratiques. Pour valider le cours, l’étudiant doit obtenir une note minimale de 5 sur 10 tant pour l’évaluation continue que pour l’examen final.

L’évaluation continue vise à encourager la participation active, le travail collaboratif et l’apprentissage pratique, tandis que l’examen final garantit que les connaissances essentielles ont été comprises et peuvent être appliquées efficacement.

Addendum

Le cours « Techniques d’IA : Classifications et regroupements » est dispensé en ligne, ce qui favorise la flexibilité dans l’apprentissage et permet aux étudiants d’organiser leur temps de manière autonome. Les sessions virtuelles, tant synchrones qu’asynchrones, sont conçues pour favoriser l’interaction entre les étudiants et l’enseignant, en encourageant un apprentissage actif et collaboratif.

Supports pédagogiques :

Les étudiants disposeront d’une variété de ressources, notamment des guides d’apprentissage, des contenus théoriques enrichis de liens et de bibliographie, des exercices d’auto-évaluation et des activités pratiques. L’ensemble du matériel sera disponible dans la classe virtuelle et pourra être consulté à tout moment.

Durée et charge de travail :

Le cours correspond à 6 crédits ECTS, répartis en 22 heures de cours en ligne et 18 heures de travaux dirigés. Ces heures s’ajoutent au temps consacré à l’étude personnelle et à la réalisation d’activités pratiques, ce qui garantit une formation complète.

Soutien pédagogique :

Le professeur sera disponible pour répondre aux questions et apporter son soutien par le biais de séances de tutorat hebdomadaires et du système de messagerie de la classe virtuelle. Les étudiants sont encouragés à utiliser ces canaux pour tirer le meilleur parti du cours.

Bibliographie

de base :

1.- Burger, Scott V.

Introduction to Machine Learning with R

O’Reilly. 2018.

ISBN : 9781491976449

2.- Eric Matthes

Python Crash Course (3e éd.)

No Starch Press. 2023.

ISBN : 9781593276034

3.- Fernández-Avilés, Gema

Principes fondamentaux de la science des données avec R

McGraw Hill. 2024.

ISBN : 9788448636289

4.- Lantz, Brett

Apprentissage automatique avec R (3e éd.)

Packt Publishing Ltd. 2019.

ISBN : 9781788295864

Objectifs

En matière d'acquisition de connaissances, ce cours vise à permettre aux étudiants de comprendre les langages de programmation, les bibliothèques et les frameworks clés en intelligence artificielle, ainsi que les théories statistiques les plus couramment appliquées dans ce domaine. Ils devront également être capables de classer et de comparer différentes familles d'algorithmes et d'identifier leurs applications pratiques.

En ce qui concerne l’acquisition de compétences, les étudiants doivent développer des aptitudes leur permettant d’évaluer des solutions basées sur l’intelligence artificielle et d’en déterminer l’efficacité. Ils doivent également être capables d’appliquer des technologies et des algorithmes pour résoudre des problèmes spécifiques et d’utiliser des techniques d’apprentissage profond pour relever des défis complexes.

En ce qui concerne les critères d’évaluation, une participation active aux forums et aux débats est exigée, ainsi que la réalisation et la remise de travaux individuels et collectifs. L’examen final représente 50 % de la note finale.

Description du contenu

Le cours s’articule autour de six modules. Le module consacré à la régression linéaire aborde ses fondements théoriques et ses applications pratiques pour identifier des relations linéaires et effectuer des prédictions. Le module consacré à la régression logistique traite des techniques de classification basées sur l’attribution de probabilités. Le module « Régressions Random Forest » présente l’utilisation des arbres de décision pour traiter des données non linéaires et explique comment les combiner afin d’obtenir des modèles plus précis et plus complexes. Le module « Deep Learning et LSTM » explore les réseaux neuronaux et les réseaux récurrents spécialisés dans les données séquentielles. Le module « Réseaux convolutifs » se concentre sur l’extraction de caractéristiques tridimensionnelles et son application à la vision par ordinateur. Enfin, le module « Apprentissage par renforcement » enseigne les techniques d’apprentissage basées sur les récompenses pour la prise de décision séquentielle.

Système et critères d’évaluation

Le système d’évaluation comprend une évaluation continue qui représente 50 % de la note finale et qui prend en compte la participation aux forums ainsi que la réalisation d’activités pratiques individuelles et en groupe. Les 50 % restants correspondent à l’examen final. En cas d’échec, la session de rattrapage permet de rattraper aussi bien les activités que l’examen, à condition d’avoir suivi les consignes et reçu les retours d’évaluation correspondants.

Addendum

Il est recommandé aux étudiants de tenir un journal de bord pour consigner leurs progrès et de participer activement aux cours en ligne, bien que ceux-ci soient également disponibles sous forme d’enregistrements pour consultation ultérieure. Les enseignants sont disponibles pour des séances de tutorat, qui peuvent être demandées par e-mail ou via la messagerie du campus virtuel. La bibliographie suggérée comprend des ouvrages sur les statistiques, la régression et l’apprentissage profond, rédigés par des auteurs reconnus dans les milieux universitaires et professionnels.

Bibliographie

Ouvrages de base :

1.- David W. Hosmer, Jr., Stanley Lemeshow, Rodney X. Sturdivant

Applied Logistic Regression (3e éd.)

Wiley. 2013.

ISBN : 9780470582473

2.- Douglas C. Montgomery, Elizabeth A. Peck, G. Geoffrey Vining

Introduction à l'analyse de régression linéaire

Wiley. 2006.

ISBN : 9780471754954

3.- Josh Patterson, Adam Gibson

Deep Learning : une approche pratique

O’Reilly. 2017.

ISBN : 9781491914250

4.- Joseph M. Hilbe

Modèles de régression logistique

CRC Press. 2009.

ISBN : 9781420075755

5.- Peter Bruce, Andrew Bruce et Peter Gedeck

Statistiques pratiques pour la science des données

2e éd. Marcombo. 2022.

ISBN : 9788426734433

6.- Sheldon M. Ross

Introduction aux statistiques

Reverté. 2007.

ISBN : 9788429150391

Objectifs

Comprendre l'importance de l'explicabilité des modèles d'IA

Apprendre à expliquer les modèles d’IA à l’aide de la XAI en utilisant des outils tels que SHAP ou d’autres solutions alternatives.

Connaître et comprendre les principaux indicateurs associés aux modèles de régression

Connaître et comprendre les principaux indicateurs associés aux modèles de classification

Comprendre le déséquilibre des données et connaître les techniques de rééquilibrage

Description du contenu

1. XAI : définition, concepts et propriétés

2. Stabilité

3. Introduction aux métriques des modèles d’IA

4. Indicateurs de performance des modèles de régression

5. Indicateurs de performance des modèles de classification

6. Données équilibrées

Système et critères d'évaluation

- Examen final du cours (70 % de la note).

- Travail pratique (30 % de la note).

Calendrier

Cliquez sur ce lien pour obtenir le calendrier détaillé au format Excel

Bibliographie

de base :

1.- Kuhn, M. et Johnson, K.

Feature Engineering and Selection : A Practical Approach for Predictive Models

Chapman and Hall/CRC. 2019.

ISBN : 9781138079229

2.- Provost, F., & Fawcett, T.

La science des données pour les entreprises : ce qu’il faut savoir sur l’exploration de données et la pensée analytique

O'Reilly Media. 2013.

ISBN : 9781449374266

Complémentaire :

3.- A. Barredo, N. Díaz-Rodriguez, J. Del Ser, A. Bennetot, S. Tabik, A. Barbado, S. García, S. Gil-Lopez, D. Molina, R. Benjamins, R. Chatila, F. Herrera

« Explainable Artificial Intelligence (XAI) : concepts, taxonomies, opportunités et défis pour une IA responsable »

Information Fusion (58) 82-115. 2020.

ISBN : 15662535

4.- Iqbal H. Sarker

Apprentissage automatique : algorithmes, applications concrètes et orientations de recherche

SN Computer Science 2, 160. 2021.

ISBN : 2662995X