Ce cours initie les étudiants aux principes fondamentaux et aux techniques pratiques de l’apprentissage automatique, en proposant une vue d’ensemble des paradigmes d’apprentissage supervisé, non supervisé et génératif. Il débute par une approche pratique à travers l’analyse exploratoire des données (EDA). Il se poursuit par le développement et l’évaluation de modèles supervisés classiques pour des tâches de classification et de régression. Le cours aborde ensuite les fondements théoriques de l’apprentissage profond ainsi que l’implémentation et l’évaluation de solutions à base de perceptrons multicouches (MLP) pour la classification et la régression. Les étudiants exploreront également les techniques de regroupement (clustering), la réduction de dimensionnalité, et des applications telles que les CNN pour la vision par ordinateur (CV) ainsi que les RNN, LSTM et GRU pour le traitement automatique du langage naturel (NLP). Le cours introduit également des outils NLP modernes, dont les Transformers de Hugging Face, et l’utilisation de modèles préentraînés et d’outils d’annotation en CV. Il se conclut par une introduction à l’IA générative, incluant les GANs, les modèles de diffusion, les mécanismes d’attention et les architectures de type Transformer. Toutes les solutions sont implémentées en Python à l’aide de bibliothèques standards telles que Scikit-learn, TensorFlow et Keras. Les aspects éthiques et sociétaux (tels que l’équité, les biais, la transparence, l’explicabilité et la confidentialité) sont également abordés pour mettre en lumière les impacts plus larges des technologies d’apprentissage automatique.

Temps présentiel : 30 heures

Charge de travail étudiant : 70 heures

Méthode(s) d'évaluation : Examen écrit, Travail personnel, Travaux pratiques