Aperçu des sections

  • Fiche de contact

    Enseignant, Dr. Hadjadj Abdelhalim. 

    Email: a.hadjadj@centre-univ-mila.dz

    Intitulé du Master : Intelligence Artificielle et ses Applications

    • Semestre : 2 
    • Intitulé de l’UE : UE fondamentale 3 (UEF3) 
    • Intitulé du cours : Apprentissage automatique
    •  Crédits : 5
    •  Coefficient : 3 
    •  Public cible : Étudiants du Master 1ere année en Intelligence Artificielle et ses Applications
    •  Durée : 13 semaines 
    •  Horaire : 
      •  Cours : Dimanche : 12h30 -14h00, Salle : Amphi 03 
      • TD : Dimanche : 14h00 -15h30, Salle : 06 
      • TP: Lundi 9h30-11h00, Salle: lab 21. 
    • Disponibilité :
      • À mon bureau : Tranche1, Bureau N : 01, lundi :11h00-12h30
      • Par mail : Je m’engage à répondre par mail dans 24 heures qui suivent la réception du message
    • Modalités d'évaluation
      •  Examen Final (60% de la note finale)
      • Contrôle Continu (40% de la note finale)

    • Les objectifs

      Les objectifs de ce cours sont conçus pour fournir aux étudiants une compréhension approfondie et une maîtrise des concepts clés, et peuvent être détaillés de la manière suivante : 

      •  Définir et expliquer les principes fondamentaux de l'apprentissage automatique, y compris les concepts clés et les principaux paradigmes (supervisé, non supervisé, par renforcement). 
      •  Identifier et choisir les algorithmes d'apprentissage appropriés en fonction du type de problème et des caractéristiques des données. 
      •  Implémenter les algorithmes d'apprentissage automatique à l'aide d'outils standards pour préparer, analyser les données et concevoir des modèles prédictifs ou descriptifs.
      • Évaluer la performance des modèles à l'aide de métriques et méthodes de validation adéquates.

    • Prérequis

      Pour pouvoir tirer le maximum de ce cours, il est recommandé d'avoir des connaissances solides dans les domaines suivants : 

      •  Algorithmique : Compréhension des structures de données et de la complexité algorithmique. 
      • Algèbre Linéaire : Maîtrise des vecteurs, matrices, espaces vectoriels, valeurs propres.  Analyse : Connaissances en calcul différentiel (dérivées, gradients). 
      •  Probabilités et Statistiques : Bases du calcul des probabilités, variables aléatoires, distributions de probabilité, inférence statistique.

      • Test Prérequis

      • Réorientation

        Si vous rencontrez des difficultés avec ce test de prérequis, ne vous inquiétez pas ! Il existe de nombreuses ressources disponibles pour vous aider à renforcer vos connaissances et compétences avant de commencer le cours. Voici quelques références qui peuvent vous être utiles :

        1. Probabilités/Statistiques : Khan Academy (section Probabilités et Statistiques), StatQuest with Josh Starmer (YouTube).
        2. Python pour la Data Science : Tutoriels officiels Python, Documentation  Pandas, NumPy (Coursera, edX, DataCamp).

        • Grandes lignes du cours

          Le cours "Apprentissage Automatique" est structuré en dix chapitres principaux, progressant des concepts fondamentaux aux techniques plus avancées et à leurs applications.

          • Chapitre 01 : Introduction
            • Chapitre 02 : Apprentissage supervisé
              • Chapitre 03 : Arbres de décision
                • Chapitre 04 : Classificateur de Bayes
                  • Chapitre 05 : La régression logistique
                    • Chapitre 06 : Machine à vecteurs de supports (SVM)
                      • Chapitre 07 : Les réseaux de neurones
                        • Chapitre 08 : Classification et groupement de données (Apprentissage non supervisé)
                          • Chapitre 09 : Réduction de la dimensionnalité de données
                            • Chapitre 10 : Applications
                            Carte conceptuelle des contenus des chapitres

                            • Espace de discussion

                              Pour favoriser les échanges et répondre à vos questions en temps réel, nous organisons des séances de visioconférences interactives, des salles de discussion thématiques ainsi qu’un chat en direct. Ces dispositifs vous permettent de communiquer facilement avec les enseignants, poser vos questions, partager vos idées, et collaborer avec vos camarades dans un environnement dynamique et convivial.

                            • Chapitre 01 : Introduction

                              • Objectifs Spécifiques 

                                • Expliquer le lien entre l'explosion des données massives et l'essor ainsi que la pertinence de l'Apprentissage Automatique dans le contexte technologique actuel.
                                •  Définir l'Apprentissage Automatique et énoncer son objectif principal. Identifier et décrire les trois principaux paradigmes de l'Apprentissage Automatique : supervisé, non supervisé, et par renforcement, en soulignant leurs différences fondamentales. 
                                •  Donner des exemples concrets de problèmes ou de tâches relevant de chaque paradigme d'apprentissage . Reconnaître et citer divers domaines d'application concrets où l'Apprentissage Automatique est utilisé. 
                                •  Comprendre et expliquer le rôle fondamental des concepts issus des probabilités, des statistiques, de l'algèbre linéaire et de l'analyse comme outils mathématiques essentiels pour la modélisation, l'analyse et le développement d'algorithmes en Apprentissage Automatique

                            • Chapitre 02 : Apprentissage supervisé

                              Objectifs Spécifiques

                               À l'issue de ce chapitre, l'étudiant sera capable de : 

                              •  Décrire en détail le principe de l'apprentissage supervisé, incluant les notions d'ensemble, d'entraînement, d'attributs, d'étiquettes, et d'objectif de généralisation. 
                              •  Expliquer le fonctionnement et l'objectif de l'apprentissage supervisé pour les tâches de régression. Comprendre le concept de modèle linéaire et son application à la régression. 
                              •  Expliquer le fonctionnement et l'objectif de l'apprentissage supervisé pour les tâches de classification. 
                              •  Comprendre comment les modèles linéaires peuvent être adaptés et utilisés pour résoudre des problèmes de classification. 
                              •  Distinguer clairement les problèmes de régression et de classification et identifier le type de tâche approprié pour un scénario donné

                            • Test Final

                              Instructions 

                              1.  Lisez attentivement chaque question avant de répondre. 
                              2.  Répondez directement sur cette feuille ou sur une feuille séparée en indiquant clairement le numéro de la question. 
                              3.  Soyez clair et concis dans vos réponses. Justifiez vos réponses lorsque cela est demandé. 
                              4.  Le barème est indicatif.

                            • Glossaire du cours

                            • Références Bibliographique

                              Bibliographique

                              [1] The StatQuest Illustrated Guide to Machine Learning, par Josh Starmer, Ph.D
                              ➡️ Ce guide illustré est reconnu pour sa capacité à vulgariser les concepts complexes de l'apprentissage automatique.

                               [2] Studies in Computational Intelligence, Volume 498, éditeur J. Kacprzyk, Warsaw, Poland
                              ➡️ Cette collection regroupe des recherches avancées en intelligence computationnelle, incluant le machine learning, le traitement du langage naturel, et les systèmes intelligents.

                               [3] Machine Learning: A Probabilistic Perspective, par Kevin P. Murphy
                              ➡️ Une référence académique de haut niveau, ce livre adopte une approche probabiliste pour expliquer les modèles d'apprentissage automatique.

                              [4] Pattern Recognition and Machine Learning, par Christopher M. Bishop
                              ➡️ Cet ouvrage est une référence classique dans le domaine de la reconnaissance des formes et de l'apprentissage. Il introduit les modèles probabilistes, la théorie bayésienne, les méthodes d’inférence, etc.

                              Webographie

                              [1] Cours de Google Developers sur le machine learning
                              📍 https://developers.google.com/machine-learning/crash-course?hl=fr 

                              [2] Documentation officielle de Scikit-learn : apprentissage supervisé
                              📍 https://scikit-learn.org/stable/supervised_learning.html

                              [3]   Cours du site GeeksforGeeks sur le machine learning
                              📍 https://www.geeksforgeeks.org/machine-learning/machine-learning/

                              • Grille d'évaluation

                              • Espace Testeur / Enseignant dédié à l’évaluation