Description du cours
Intitulé de l'Unité d'Enseignement
Intelligence artificielle
Code de l'Unité d'Enseignement
22BA032
Année académique
2024 - 2025
Cycle
MASTER
Nombre de crédits
8
Nombre heures
90
Quadrimestre
1
Pondération
Site
Anjou
Langue d'enseignement
Français
Enseignant responsable
VOGLAIRE Yannick
Objectifs et contribution de l'Unité d'Enseignement au programme
L’UE est une introduction aux techniques quantitatives d’exploration, d’interprétations et de prédictions des données.
A l’issue du cours, l’étudiant.e sera à même de choisir et d’appliquer une technique quantitative pour répondre à une question posée à partir de données existantes.
Prérequis et corequis
Les notions suivantes doivent être maîtrisées afin de suivre l’UE:
• Statistiques descriptives et inférentielles
• Algèbre linéaire
Description du contenu
Partie 1 : "Data visualization & Data Science"
• Introduction à R et RStudio
• Visualisation de données :
- Graphiques classiques
- Tableaux de bord
- Introduction à Power BI
• Réduction de dimensions :
- ACP
- ACM
• Clustering
- Clustering Hiérarchique
- Kmeans
- DBScan
Partie 2 : "AI & Machine learning"
• Régressions :
- Linéaires
- Bivariées
- Multivariées
- non linéaires
• Machine learning
- Knn
- Naive Bayes
- Model based clustering
- SVM
- Arbres de décisions
• Deep learning
Méthodes pédagogiques
Type d’enseignement : ex cathedra plus séances d’exercices.
Le cours fait alterner des exposés théoriques et des mises en pratiques en laboratoire informatique en utilisant un logiciel spécifique comme RStudio ou powerBI. Certaines séances peuvent se passer en classe non équipée de matériel informatique. Le recours à un ordinateur personnel sera alors requis.
Une série d’exercices et de cas pratiques est proposée à la suite de chaque chapitre. La résolution à domicile de ces exercices joue un rôle important dans l’assimilation de la matière ; ils permettent à l’étudiant.e d’évaluer son degré de maîtrise de la matière enseignée et constituent l’instrument privilégié de préparation à l’examen.
D’un point de vue pratique, les cours et séances d’exercices seront donnés en présentiel. Toutefois, certaines séances pourraient basculer en distanciel.
Mode d'évaluation
EVALUATION FORMATIVE
Chaque exposé théorique est suivi d’exercices proposés aux étudiant.e.s, qui disposent de suffisamment de temps pour les résoudre. Les étudiant.e.s sont donc en mesure de se rendre compte immédiatement de leur niveau de compréhension de la matière et ils peuvent poser des questions pour surmonter les difficultés ressenties.
D’autre part, la résolution des exercices proposés à la suite de chaque chapitre permet à chaque étudiant.e de tester sa compréhension et de juger de sa capacité à réussir l’examen.
EVALUATION SOMMATIVE
L’examen est un examen oral qui comprend la présentation d’une analyse de données. La validation de cette présentation sera conditionnée par le dépôt du pdf de la présentation ainsi que des codes ayant généré les figures sur Moodle.
Références bibliographiques
- Data Mining and Analysis, Fundamental Concepts and Algorithms, Zaki M. J., Meira, W Jr,
- Cambridge University Press, May 2014.
- The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second
- Edition, Hastie T., Tibshirani R., Friedman J., Springer, 2009
- Social media mining: an introduction, Zafarani R., Abbasi M.A., Liu H, Cambridge
- University Press, 2014.
- An Introduction to Statistical Learning with Applications in R, James G. , Witten D. ,
- Hastie T., Tibshirani R., Springer, 2009.
- R Programming for Data Science, Peng R. D., LeanPPub, 2016.