Le deuxième cours d’introduction à l’IA : arbres et graphes, travail dans des notebooks, puis un premier survol de l’apprentissage automatique et de l’apprentissage profond, des étapes d’un projet jusqu’aux grandes familles d’algorithmes.

Type

Cours (partie 2 sur 3)

Durée

60 h - 15 blocs/séances

Matériel

6 présentations (PDF)

Langue

Français

Voir le cours sur GitHub

Ce que couvre le cours

Les premières semaines portent sur des structures de données omniprésentes en IA : les arbres (vocabulaire, stockage dans une liste, visualisation avec Graphviz, parcours préfixe, infixe et postfixe) et les graphes (matrices d’adjacence orientées, non orientées et pondérées, algorithmes de graphes, et algorithme de Dijkstra expliqué en théorie puis exécuté en Python avec SciPy).

Les étudiants apprennent ensuite à travailler dans des notebooks avec Google Colab : chargement de données massives, représentation d’arbres et de graphes dans des cellules, création de graphiques et place respective du notebook et de l’IDE dans un projet.

La dernière partie présente l’apprentissage automatique et l’apprentissage profond (avec un exemple de CNN sur MNIST), les étapes d’un projet d’AA en milieu professionnel et universitaire, de l’exploration à la conception du modèle et à la rédaction du rapport, puis les grands types d’apprentissage : classification et régression supervisées, regroupement (clustering) et réduction de dimension (PCA) non supervisés, apprentissage semi-supervisé et apprentissage par renforcement.

Déroulement

• Séances 1 et 2 : arbres
• Séances 3 et 4 : graphes et chemins
• Séances 5 et 6 : notebooks et projet
• Séances 7 et 8 : périodes de travail
• Séance 9 : introduction à l’apprentissage profond
• Séance 10 : étapes d’un projet d’AA/AP
• Séances 11 à 13 : algorithmes d’apprentissage automatique
• Séance 14 : période de travail
• Séance 15 : examen final

Technologies

Python, Graphviz, SciPy, Google Colab et notebooks Jupyter, scikit-learn, TensorFlow et Keras.

Voir le cours sur GitHub