Objectives

À la fin de ce cours, les participants seront capables de :

• Comprendre les concepts clés et l'histoire de l'intelligence artificielle.

• Expliquer les principes de l'apprentissage automatique et ses différents types (supervisé, non supervisé, par renforcement).

• Appliquer des algorithmes d'apprentissage automatique de base pour résoudre des problèmes concrets.

• Comprendre les fondements du traitement du langage naturel (TLN) et de la vision par ordinateur.

• Concevoir et développer des systèmes experts simples.

• Évaluer les implications éthiques et sociétales de l'IA.

Public

• Étudiants en informatique, ingénierie, mathématiques ou disciplines connexes.

• Professionnels souhaitant acquérir des compétences en IA.

• Toute personne intéressée par les concepts et les applications de l'intelligence artificielle.

Prerequisites

• Notions de base en mathématiques (algèbre linéaire, probabilités, statistiques).

• Connaissances de base en programmation (Python de préférence).

• Une compréhension élémentaire des structures de données et des algorithmes.

Post-Training

Methods

• Cours magistraux interactifs avec des exemples concrets et des études de cas.

• Travaux pratiques en laboratoire pour appliquer les concepts théoriques.

• Projets individuels ou en groupe pour développer des solutions d'IA.

• Discussions en classe sur les enjeux éthiques et sociétaux de l'IA.

• Utilisation de ressources en ligne, de livres et d'articles scientifiques.

Program

Module 1 : Introduction à l'Intelligence Artificielle (4 heures)

• 1.1 Définition et historique de l'IA

• 1.2 Domaines d'application de l'IA

• 1.3 Les différentes branches de l'IA (apprentissage automatique, TLN, vision par ordinateur, robotique, etc.)

• 1.4 Enjeux éthiques et sociétaux de l'IA

Module 2 : Fondements de l'Apprentissage Automatique (8 heures)

• 2.1 Introduction à l'apprentissage automatique

• 2.2 Apprentissage supervisé :

  • 2.2.1 Régression linéaire et logistique
  • 2.2.2 Arbres de décision
  • 2.2.3 Machines à vecteurs de support (SVM)

• 2.3 Apprentissage non supervisé :

  • 2.3.1 Clustering (K-means, Hierarchical Clustering)
  • 2.3.2 Réduction de dimensionnalité (PCA)

• 2.4 Apprentissage par renforcement :

  • 2.4.1 Concepts de base du renforcement
  • 2.4.2 Algorithmes de Q-learning

Module 3 : Techniques d'Apprentissage Automatique Avancées (8 heures)

• 3.1 Réseaux de neurones :

  • 3.1.1 Introduction aux réseaux de neurones
  • 3.1.2 Rétropropagation
  • 3.1.3 Réseaux de neurones convolutifs (CNN)
  • 3.1.4 Réseaux de neurones récurrents (RNN)

• 3.2 Optimisation et régularisation

• 3.3 Évaluation des modèles et sélection de modèles

• 3.4 Apprentissage ensemble

Module 4 : Traitement du Langage Naturel (TLN) (6 heures)

• 4.1 Introduction au TLN

• 4.2 Analyse syntaxique et sémantique

• 4.3 Modèles de langage

• 4.4 Tâches courantes du TLN :

  • 4.4.1 Classification de texte
  • 4.4.2 Reconnaissance d'entités nommées
  • 4.4.3 Traduction automatique

Module 5 : Vision par Ordinateur (6 heures)

• 5.1 Introduction à la vision par ordinateur

• 5.2 Traitement d'images de base

• 5.3 Détection d'objets

• 5.4 Reconnaissance d'images

• 5.5 Applications de la vision par ordinateur

Module 6 : Systèmes Experts (4 heures)

• 6.1 Introduction aux systèmes experts

• 6.2 Représentation des connaissances

• 6.3 Moteurs d'inférence

• 6.4 Développement de systèmes experts simples

Module 7 : Projet et Présentations (4 heures)

• 7.1 Travail sur les projets

• 7.2 Préparation des présentations

• 7.3 Présentation des projets par les étudiants

Environment

Tags

Intelligence artificielle, IA, Apprentissage automatique, Machine learning, Traitement du langage naturel, TLN, NLP, Vision par ordinateur, Systèmes experts, Réseaux de neurones, Algorithmes d'IA, Science des données, Analyse de don