Aperçu des semaines

  • Espace de communication


  • Fiche-contact


    • Enseignante de la matière (Cours+TD): Dr. BELAROUCI Sara

    • Institution : Département Génie Biomédical, Faculté de technologie, Université de Tlemcen.

    • Coefficient: 01

    • Crédit: 03

    • Volume horaire global : 45 heures

    • Horaire: Lundi: 10h00-13h00 (Cours/TD)

    • Salle: B205

    • Contact :  par E-mail: sara.belarouci@univ-tlemcen.dz

    • Disponibilité :

    1.  Au bureau : Dimanche, Jeudi de 10h00 -11h30
    2.  Réponse sur le forum : Toute question en rapport avec le cours doit être postée sur le forum dédié afin que chacun puisse bénéficier de ma réponse. Je m'engage à répondre aux questions dans un délai de 48 heures.
    3.  Par mail : Je m'engage à répondre par mail dans les 48 heures suivant la réception du message, sauf en cas d'imprévu. Veuillez noter que le canal de communication privilégié est le forum. Le mail est réservé aux urgences (en cas de problème d’accès de la plateforme) et il doit être utilisé avec discernement.

    • Modalité d’évaluation: L’évaluation finale se fait à travers :

    1. Un examen final sur table, qui englobe le contenu du cours présenté tous le long du semestre, lors de cet examen, qui représente 60% de la note finale.

    1. L'évaluation continue et régulière, qui constitue les 40% restants de la note finale, vous permet de gagner des points tout au long du semestre. 


  • Objectifs généraux


    Ce module sur l'apprentissage artificiel explore les concepts fondamentaux et les avancées récentes dans ce domaine en plein essor de l'intelligence artificielle. 

    Grâce à des exemples applicatifs variés, il vise à développer les compétences suivantes chez les étudiants :

    • Identifier les divers types d'apprentissage artificiel.

    • Distinguer entre l'apprentissage supervisé, non supervisé, semi-supervisé, par renforcement et par transfert.

    • Illustrer les modèles intelligents pour la classification des données.

    • Examiner les différentes techniques de classification dans le domaine médical

    • Créer une étude comparative entre les différentes techniques de classification.

    • Évaluer les systèmes d'apprentissage artificiel appliqués au diagnostic médical et à d'autres domaines.

    Ce cours vise à :

    • En termes de connaissance, à vous apprendre les notions de base et à favoriser le développement d'une compréhension approfondie de l'apprentissage artificiel.

    • En termes de savoir-faire, permettre aux étudiants d'identifier et de distinguer les types d'apprentissage, ainsi que d'appliquer des modèles pour la classification des données.

    • Sur le plan du savoir-être, mettre l'accent sur le développement d'un esprit critique, de l'autonomie et de la collaboration. De plus, les étudiants acquerront une expertise pratique en examinant les techniques de classification dans des domaines tels que la médecine, renforçant ainsi leur capacité à appliquer ces concepts dans des contextes réels.

  • Introduction générale


    Plongez dans l'Avenir de l'IA : Découvrez l'Apprentissage Artificiel

    Bienvenue à ce cours sur l'apprentissage artificiel, un domaine passionnant de l'intelligence artificielle (IA) qui se concentre sur le développement de systèmes capables d'apprendre et de s'améliorer à partir de données. Que vous soyez débutant ou avancé, ce cours est conçu pour vous offrir une compréhension approfondie des concepts et des techniques clés.

    Destiné spécifiquement aux étudiants en troisième année de licence Génie Biomédical, spécialité « Informatique Biomédicale et Hospitalière », ce cours vise à développer une maîtrise des différents modes d'apprentissage en intelligence artificielle et des techniques pour les optimiser.

    Nous allons explorer l'origine et l'évolution de l'apprentissage automatique en mettant l'accent sur les concepts fondamentaux, les types de données utilisés et leurs principales applications. Le cours abordera divers types d'apprentissage artificiel : supervisé, non supervisé, semi-supervisé, par transfert et par renforcement. De plus, nous examinerons les méthodes évolutionnistes telles que les algorithmes génétiques et l'optimisation par essaims particulaires pour améliorer ces processus. Le cours est structuré pour vous guider progressivement des notions de base aux techniques avancées, avec un mélange de théorie, d'analyses pratiques et d'études de cas.

    Notre méthodologie d'enseignement est axée sur l'apprentissage actif et interactif, incluant des cours magistraux, des discussions, des travaux dirigés et des projets de groupe. Votre participation active, votre assiduité et votre engagement seront essentiels pour tirer le meilleur parti de ce cours.

    Nous sommes impatients de vous voir progresser et réussir dans ce domaine dynamique et en constante évolution. Ensemble, nous allons explorer les profondeurs de l'apprentissage artificiel, développer des compétences précieuses et préparer le terrain pour vos futures réalisations académiques et professionnelles. Préparez-vous à apprendre, à découvrir et à innover. Bonne chance et bon apprentissage !

  • Pré-requis


    Pour réussir dans ce cours, vous devriez avoir des connaissances préalables dans les domaines suivants :

    • Mathématiques:

    1. Algèbre linéaire : comprendre les vecteurs, matrices, déterminants, et opérations de base.

    2. Statistiques : concepts comme moyenne, écart-type, distribution normale, etc.

    3. Calcul différentiel : dérivées, dérivées partielles, et intégrales.

    • Programmation:

    1. Maîtrise d'un langage de programmation couramment utilisé dans l'apprentissage artificiel, comme Python.

    2. Compréhension de la programmation orientée objet et des concepts de base de développement logiciel.

    • Informatique:

    1. Structures de données : listes, piles, files, arbres, graphes, etc.

    2. Algorithmique: recherche, tri, complexité algorithmique, etc.

    Test: 1Fichier: 1

  • Plan global


    Ce cours se compose de trois unités d'apprentissage qui explorent l'apprentissage artificiel sous différents angles. Chaque unité est abordée par des séquences pédagogiques conçues pour faciliter l'assimilation des concepts. Cette assimilation est renforcée par des travaux dirigés (TD) qui mettent en œuvre ces notions, ce qui constitue l'un des points forts du cours. Toutes les unités d'apprentissage sont décrites ici.

    • La première unité, "Introduction", offre un aperçu de l'historique de l'intelligence artificielle et présente les concepts fondamentaux de l'apprentissage artificiel.

    • La deuxième unité explore les différents modes d'apprentissage artificiel, y compris l'apprentissage supervisé, non supervisé, semi-supervisé, par renforcement et par transfert. Chaque type est analysé en détail, avec un accent sur ses caractéristiques et applications.

    • La troisième unité se concentre sur les méthodes d'amélioration de l'apprentissage, en particulier les approches évolutionnistes comme les algorithmes génétiques et l'optimisation par essaims de particules.

    Ensemble, ces unités fournissent une vue d'ensemble complète de l'apprentissage artificiel, préparant les apprenants à comprendre, concevoir et mettre en œuvre des solutions intelligentes dans divers domaines.

    Pages: 2

  • Visioconférence


    Google Meet™ pour Moodle: 1Jitsi: 1Wiki: 1

  • Chapitre 1: Introduction


    Étiquettes: 5Fichiers: 2Paquetage SCORM: 1Test: 1Devoir: 1

  • Chapitre 2: Les différents modes d'apprentissage


    Étiquettes: 6Fichiers: 2Paquetage SCORM: 1Test: 1Devoir: 1

  • Test de sortie


    Afin d'évaluer les notions acquises dans ce cours, les étudiants passeront un examen final. En cas d'échec, ils devront passer un examen de rattrapage.

    Étiquettes: 2Tests: 2

  • Glossaire du cours


    Glossaire: 1

  • Abréviations

    Glossaire: 1

  • Références bibliographiques

    Étiquettes: 2

  • Ressources d’aide


    Étiquette: 1

  • Compétences acquises lors de ce cours


    Forum: 1

  • Sondage sur le Cours d'Apprentissage Artificiel


    Merci de prendre quelques instants pour répondre à ce sondage concernant votre expérience et vos impressions sur le cours d'apprentissage artificiel :

    Sondages: 5

  • Participer à l’amélioration du cours

     


    Feedback: 1