Intelligence Artificielle 1

Intelligence Artificielle 1 GTI4AI01

Enseignant:

Email:

Durée totale du cours: 21 H

Semestre : 4

Nombre de crédits : 2

Code : GTI5A01  Intelligence artificielle I

Objectifs d’apprentissage et compétences visées

Contenu du  cours

• Compréhension du concept et de la portée de l'IA
• Aperçu historique du développement de l'IA et des jalons importants
• Applications de l'IA dans les télécommunications et d'autres secteurs

• Bases de l'apprentissage automatique et de ses catégories
• Apprentissage supervisé, non supervisé et par renforcement
• Introduction aux principaux algorithmes d'apprentissage automatique

• Collecte, nettoyage et transformation des données
• Techniques de sélection et d'extraction de caractéristiques
• Gestion des données manquantes et des valeurs aberrantes

• Régression linéaire et régression logistique
• Arbres de décision et forêts aléatoires
• Machines à vecteurs de support (SVM)

• Algorithmes de regroupement (clustering) : K-means, regroupement hiérarchique
• Réduction de la dimension : Analyse en composantes principales (ACP)
• Applications de l'apprentissage non supervisé dans les télécommunications

• Introduction aux réseaux neuronaux artificiels (RNA)
• Architectures d'apprentissage profond : réseaux neuronaux convolutionnels (CNN), réseaux neuronaux récurrents (RNN)
• Applications de l'apprentissage profond dans l'analyse d'images et de textes

• Bases du NLP et ses défis
• Tokenisation, racinisation et lemmatisation
• Analyse de sentiment et génération de texte

• Considérations éthiques dans le développement et le déploiement de l'IA
• Traitement des biais dans les algorithmes d'IA
• Tendances émergentes de l'IA et son impact sur les télécommunications

Contenu : Travaux pratiques

Méthodes d’enseignement et d’apprentissage

Connaissances et compétences pré-requises

Références bibliographiques

• "Introduction à l'intelligence artificielle" par Stuart Russell et Peter Norvig.
  • Cette référence classique propose une introduction complète aux concepts fondamentaux de l'intelligence artificielle, y compris l'apprentissage automatique et les réseaux neuronaux.
• "Apprentissage automatique" par Tom Mitchell.
  • Ce livre explore les principes et les techniques de base de l'apprentissage automatique, en fournissant une base solide pour comprendre les différents types d'algorithmes.
• "Deep Learning" par Ian Goodfellow, Yoshua Bengio et Aaron Courville.
  • Ce livre couvre en profondeur les concepts de l'apprentissage profond, des réseaux neuronaux et de leurs applications à divers problèmes.
• "Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow" par Aurélien Géron.
  • Ce livre propose des exemples pratiques d'apprentissage automatique en utilisant des bibliothèques populaires comme Scikit-Learn, Keras et TensorFlow.
• "Natural Language Processing with Python" par Steven Bird, Ewan Klein et Edward Loper.
  • Cette ressource se concentre sur le traitement du langage naturel (NLP) et fournit des exemples pratiques en utilisant la bibliothèque Python NLTK.
• "Pattern Recognition and Machine Learning" par Christopher M. Bishop.
  • Ce livre offre une introduction approfondie à la reconnaissance de motifs et à l'apprentissage automatique, avec des applications dans divers domaines.
• "Machine Learning Yearning" par Andrew Ng.
  • Ce document en ligne, écrit par le célèbre expert en IA Andrew Ng, offre des conseils pratiques pour aborder des projets d'apprentissage automatique.
• Articles de recherche et blogs:
  • Explorez des articles de recherche et des blogs spécialisés dans le domaine de l'intelligence artificielle pour rester à jour avec les dernières avancées et les meilleures pratiques.
• Cours en ligne et ressources éducatives:
  • Utilisez des plateformes d'apprentissage en ligne comme Coursera, edX et Udacity pour suivre des cours sur l'intelligence artificielle et le machine learning

Modalité d’évaluation

Résultats d'apprentissage :

1. Compréhension des Concepts d'IA : Maîtrise des concepts fondamentaux de l'intelligence artificielle, y compris les types d'apprentissage, les algorithmes et les applications dans divers domaines.
2. Apprentissage Automatique Basique : Capacité à différencier entre l'apprentissage supervisé, non supervisé et par renforcement, et connaissance des algorithmes associés.
3. Prétraitement des Données : Compétence pour collecter, nettoyer et transformer des données brutes en un format approprié pour l'apprentissage automatique.
4. Algorithmes d'Apprentissage : Connaissance et application des principaux algorithmes d'apprentissage supervisé et non supervisé tels que la régression linéaire, les arbres de décision et les méthodes de clustering.
5. Fondamentaux du Traitement du Langage Naturel : Familiarité avec les techniques de base du traitement du langage naturel, notamment la tokenisation, la racinisation et l'analyse de sentiment.
6. Notions d'Apprentissage Profond : Compréhension des concepts de base des réseaux neuronaux artificiels (RNA) et des architectures d'apprentissage profond comme les réseaux neuronaux convolutionnels (CNN) et les réseaux neuronaux récurrents (RNN).
7. Éthique dans l'IA : Sensibilisation aux considérations éthiques liées à l'utilisation de l'IA, notamment la gestion des biais, la protection de la vie privée et la transparence des modèles.
8. Sélection et Évaluation des Modèles : Capacité à choisir les algorithmes appropriés en fonction des données et des objectifs, et compétence dans l'évaluation des performances des modèles.
9. Applications en Télécommunications : Compréhension des possibilités d'application de l'IA dans le domaine des télécommunications, telles que l'optimisation des réseaux, l'analyse de données, etc.
10. Communication Technique : Compétence pour expliquer les concepts d'IA de manière claire et compréhensible, tant à des pairs techniques qu'à des non-initiés.
11. Travail en Équipe : Capacité à collaborer au sein d'une équipe pour résoudre des problèmes d'IA, en contribuant efficacement aux projets et aux discussions.
12. Apprentissage Continu : Capacité à rester informé des évolutions récentes dans le domaine de l'IA et à poursuivre l'apprentissage et l'amélioration des compétences en dehors du cours.