Sciences et technologies (Charleroi)
Introduction à l'IA

Connaissances

Au terme de l’activité d’apprentissage, l’étudiant sera capable de :
- Expliquer les concepts fondamentaux de l’intelligence artificielle, du machine learning et du deep learning.
- Décrire les principales techniques de traitement de données (manipulation, visualisation, prétraitement).
- Définir les méthodes classiques de classification, de clustering et d’analyse d’images et de textes.
- Identifier les bibliothèques Python couramment utilisées en IA (NumPy, Pandas, Matplotlib, Scikit-learn, OpenCV, etc.).
- Présenter les principes de base du traitement du langage naturel (NLP), de l’analyse de sentiment et de la recherche assistée par les embeddings (RAG).

Aptitudes

Au terme de l’activité d’apprentissage, l’étudiant sera capable de :
- Comprendre et manipuler des données pour l’apprentissage automatique.
- Implémenter des algorithmes de classification supervisée simples (ex. arbres de décision) et des techniques de clustering (ex. K-means).
- Réaliser une visualisation pertinente des données analysées.
- Appliquer des techniques de traitement d’image pour détecter ou classifier des objets.
- Mettre en œuvre un pipeline de traitement de texte (prétraitement, vectorisation, classification).
- Mettre en œuvre des techniques de traitement automatique du langage naturel (NLP).

Compétences

Au terme de l’activité d’apprentissage, l’étudiant sera capable de :
- Concevoir et développer une mini-application d’Intelligence Artificielle intégrant les bonnes pratiques de la programmation Python orientée Data Science.
- Travailler en équipe pour réaliser un Projet d’Intelligence Artificielle.
- Analyser un problème concret et proposer une solution d’Intelligence Artificielle appropriée à l’aide de données structurées ou non structurées.
- Réutiliser des modèles ou outils existants pour prototyper rapidement une solution basée sur l’Intelligence Artificielle.
- Interpréter les résultats d’un modèle et en expliquer les limites.

Module 1 : Introduction à Python & data sciences
- Introduction rapide à Python et aux bibliothèques de data sciences (NumPy, Pandas, Matplotlib, ...)
- Manipulation et visualisation de données
- Arbres de décision avec des cas d'usage simples (prédiction de prix, prédictions survie sur le titanic, ...)
- Clustering (K-means) sur des données réelles (groupement de produits acheté souvent ensemble)

Module 2 : Reconnaissance d'images
- Bases du traitement d'images avec OpenCV
- Classification d'images avec des modèles pré-entraînés (mnist, fashionmnist)
- Détection d'objets en temps réel
- TP pratiques en groupe pour fine tuner YOLO sur une nouvelle classe

Module 3 : Compréhension du langage
- Préprocessing de texte et extraction de "features"
- Classification de texte (analyse de sentiment, détection de spam)
- Introduction aux "embedding" et RAG (poser une question et retrouver le document de la questions)
- TP pratiques d'un assistant conversationnel

• Cours magistraux
• Travaux pratiques

Type de support

Diapositives

Références

1. Aurélien Géron. "Machine Learning avec Scikit-Learn, Mise en oeuvre et cas concrets" (3ᵉ édition).
Éditions Dunod, 2023.
2. Documentation officielle de Scikit-learn
3. Virginie Mathivet. "Machine Learning, Implémentation an Python avec Scikit-learn" (2ᵉ édition).
Éditions Eni, 2024.
4. Aurélien Géron. "Deep Learning avec Keras et Tensorflow, Mise en oeuvre et cas concrets" (3ᵉ édition).
Éditions Dunod, 2024.

1. François Chollet, Deep Learning with Python (Second Edition). Manning Publications, 2021.
2. Raschka, Sebastian & Mirjalili, Vahid. "Python Machine Learning" (3ᵉ édition).
Packt Publishing, 2020.