2026-2027
| Code | Titulaire(s) | Langue(s) d'enseignement | Langue(s) d'évaluation | Théorie | Pratique | Période(s) | Établissement(s) |
|---|---|---|---|---|---|---|---|
| T-CINF-560 | VAN RIJMENANT Pierre | français | français | 48 | 0 | Q2 |
|
Connaissances
Au terme de l’activité d’apprentissage, l’étudiant sera capable de :
- Expliquer les concepts fondamentaux de l’intelligence artificielle.
- 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, ...).
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.
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.
- 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.
- Utilisation des bibliothèques de data sciences (NumPy, Pandas, Matplotlib, ...)
- Manipulation et visualisation de données
- Arbres de décision
- Clustering (K-means)
- ...
Type de support
Autre
Références
Le support principal du cours sera sous forme de fichier interactif (Théorie, explications, exemples, édition et création de code avec visualisation des résultats) en utilisant Jupyter Notebook.
Les sources, références et supports éventuels seront disponibles sur Moodle.
Les usages de l’Intelligence Artificielle dans l’enseignement supérieur sont référencés et détaillés au sein d'une charte institutionnelle. Consultez le site https://ia.condorcet.be pour plus d'informations.