Fondations de l'intelligence artificielle

Ce cours initie les étudiants aux fondements de l'Intelligence Artificielle. Sept grandes thématiques sont abordées :
 - Introduction à l'IA : où on en est aujourd'hui, la différence entre IA symbolique vs connexionnisme, ce qui distingue vraiment l'IA, le ML et le DL, avec des exemples concrets tirés de vos domaines (physique, chimie, biologie...), et bien plus encore.
- Données et pré-traitement : parce que tout modèle n'est jamais meilleur que les données qu'on lui donne : comment les explorer, les nettoyer, les transformer, les normaliser, et choisir les bonnes variables.
- Les grandes familles d'apprentissage : supervisé, non supervisé, par renforcement : comprendre ce qui les distingue et quand utiliser chacune.
- Les algorithmes classiques : régression, classification, arbres de décision, SVM, clustering : la boîte à outils de base du machine learning.
- Évaluer et valider un modèle : sur- apprentissage, validation croisée, métriques : comment savoir si un modèle est réellement bon, ou juste bon sur papier.
- Deep Learning et vision par ordinateur : réseaux de neurones, architectures convolutives et récurrentes, transfer learning et leurs applications.
- Traitement du langage naturel : des modèles de langage aux Transformers, jusqu'aux grands modèles (LLM) et à l'art du prompt.

À l’issue de ce cours, les étudiants disposeront des connaissances et des compétences techniques nécessaires pour travailler sur des projets liés à l’intelligence artificielle et pour en mettre en œuvre les méthodes et outils dans leurs domaines respectifs. Ils seront également capables d’analyser de manière critique les forces et les limites des modèles développés et d’en évaluer la pertinence dans leur contexte d’application.

Connaissances et compétences pré-requises ou co-requises

Programmation de base, algorithmique élémentaire, mathématiques de base (algèbre linéaire et probabilités).

Cours pré-requis

• Cours magistraux : exposés théoriques illustrés d'exemples concrets et de démonstrations.
• Exercices pratiques guidés : mise en application des concepts sur des jeux de données simples, et implémentation de modèles avec des bibliothèques standards (Python).
• Projet appliqué : réalisation individuelle ou en groupe sur un jeu de données choisi par l'étudiant·e.
• Auto-apprentissage encadré : lectures et ressources complémentaires entre les séances.

Références, bibliographie et lectures recommandées

 Les ouvrages proposés ci-dessous constituent des références complémentaires permettant aux étudiants qui le souhaitent d’approfondir leurs connaissances :

• Hands-on Machine Learning with Scikit-Learn, Keras and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. (2019). 2nd ed. CA 95472: O’Reilly. 
• Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.
• Zheng, A., & Casari, A. (2018). Feature engineering for machine learning: Principles and techniques for data scientists. O'Reilly Media
• Reis, J., & Housley, M. (2022). Fundamentals of data engineering: Plan and build robust data systems. O'Reilly Media. 

D’autres ressources, notamment des liens vers des cours, tutoriels et  supports pédagogiques complémentaires, seront également partagées directement dans les diapositives afin de permettre aux étudiants d’explorer  certains sujets plus en profondeur et d’aller plus loin dans leur apprentissage.

Support(s) de cours

• Université virtuelle

Informations complémentaires

Je veillerai à ce que les diapositives de cours soient aussi complets que possible, avec, lorsque cela est pertinent, des liens vers des références intéressantes ainsi que des diapositives supplémentaires à consulter et à étudier à la maison. Les supports seront disponibles sur la UV-ULB après chaque cours.

Contacts

ihsane.gryech@ulb.be

Campus

Plaine

Méthode(s) d'évaluation

• Examen écrit
• Projet
• Evaluation continue

Examen écrit

Projet

Evaluation continue

L'évaluation comprend trois parties :
1- Examen écrit : évalue les connaissances théoriques et la compréhension des algorithmes abordés.
2- Projet: évalue la capacité à appliquer les concepts du cours sur des données réelles —> implémentation, test et analyse d'un pipeline AI complet.
3- Quiz en classe et devoirs : évaluent la compréhension progressive des étudiants via des exercices réguliers tout au long du semestre.

Construction de la note (en ce compris, la pondération des notes partielles)

La note du cours se compose de trois parties :

• 50 % du résultat à l'examen écrit
• 30 % du résultat au projet
• 20 % des quiz en classe et devoirs

Langue(s) d'évaluation

• français
• (éventuellement anglais )