2025-2026
| Code | Type | Responsable | Mode d'évaluation | Année académique | |
|---|---|---|---|---|---|
| CT-P2-INFOGE-109-M | Obligatoire | NZALANKUMBU DIALEMBA Fils | Epreuve intégrée | 2025-2026 | |
| Langue(s) d'enseignement | Langue(s) d'évaluation | Théorie | Pratique | Crédits | |
| français | français | 48 | 0 | 4 | |
| Libellé AA | Période | Théorie | Pratique | Pondération | |
|---|---|---|---|---|---|
| Introduction à l'IA | Q1 | 48 | 0 | - | |
Communiquer et informer
S'engager dans une démarche de développement professionnel
Collaborer à la conception, à l'amélioration et au développement de projets
Cette unité d’enseignement vise à initier les étudiants aux fondements conceptuels et pratiques de l’intelligence artificielle, en mettant l’accent sur des approches concrètes et accessibles telles que le traitement des données, la reconnaissance d’images et la compréhension du langage naturel.
Il est recommandé que l’étudiant maîtrise les compétences suivantes avant de s’inscrire à cette unité d’enseignement :- Notions fondamentales en programmation procédurale et en algorithmique acquises via un langage comme le C.
- Bases de la programmation orientée objet (idéalement en cours d'acquisition via C#).
- Connaissances élémentaires en développement Web (HTML, CSS, JavaScript, PHP) utiles pour contextualiser les usages de l’IA.
- Compréhension de la modélisation de bases de données (MERISE ou UML) et des requêtes SQL.
- Capacité à utiliser un environnement de développement et à comprendre la documentation technique.Aucun pré-requis en mathématiques avancées n’est exigé, mais une certaine aisance avec les notions de logique, de tableau, de moyenne, de distance facilitera la compréhension des algorithmes de classification ou de clustering.
Epreuve intégrée : il n'y aura pas d'évaluation pour chaque AA mais une évaluation unique pour l'unité d'enseignement.