MI-Machine Learning S6

Ce cours introduit les concepts fondamentaux du machine learning. Il couvre les principales tâches : classification, régression et clustering. Les étudiants apprennent à construire un pipeline complet, depuis les données jusqu’à l’évaluation des modèles. Le cours met l’accent sur des méthodes classiques, avec des applications concrètes.

Il propose aussi une ouverture vers le deep learning et l’apprentissage par renforcement.

• Acquérir les bases théoriques et pratiques des tâches fondamentales du ML (classification, régression, clustering) via des applications concrètes.

Modalités : Mixte : CC + CT
SESSION 1 :
Contrôle Continu
• Type : Écrit, QCM, Projet
• Durée : --
• Précisions : Le contrôle continu représente 50 % de la note finale,
et comprend un devoir écrit ou sur machine comptant pour 25 % et un travail (pouvant prendre la forme d’un projet, d’une présentation, d’un QCM, d’une épreuve écrite) comptant pour 25 %.

Contrôle Terminal
• Type : Écrit
• Durée : 1h30
• Précisions : L’examen final représente 50 % de la note finale.

Régime Dérogatoire
• Type : Écrit
• Durée : 1h30
• Précisions : L’examen final représente 100 % de la note finale.

SESSION 2 :
• Type : Écrit
• Durée : 1h30
• Précisions : L’examen final représente 100 % de la note finale.

► Les différentes épreuves écrites, qu’il s’agisse de l’examen final, du devoir, de l’examen terminal en régime dérogatoire ou de la seconde session, ont une durée indicative de 1h30, susceptible d’être ajustée en fonction des contraintes pédagogiques, matérielles ou logistiques, dans le respect des M3C applicables. Les absences, les aménagements éventuels et les autres situations particulières sont traités conformément aux M3C en vigueur.

Utilisation de l'intelligence artificielle :
Pour cet EC, l’usage de l’intelligence artificielle (IA) générative pour aider à la réalisation des travaux soumis à évaluation est interdite, sauf éventuelles exceptions dûment spécifiées par l’enseignant responsable du cours. Dans le cadre de ces éventuelles exceptions, les principes suivants doivent être respectés.

Les résultats fournis par l’IA doivent constituer un matériau pour votre réflexion, et toujours faire l’objet d’une réappropriation et d’une reprise critique.

Tous les usages doivent être documentés dans une section dédiée à la fin de votre travail, à l’exception des usages de recherche web augmentée, de correction orthographique et syntaxique. Cette section doit permettre à votre lecteur d’évaluer la manière dont vous avez travaillé avec l’IA et mobilisé cette ressource au service d’un travail personnel.

L’intégration directe de contenus engendrés par l’IA doit être faite sous le régime de la citation.

Toute utilisation non déclarée ou non autorisée d’un outil d’IA pourra être considérée comme un manquement aux règles d’intégrité académique.

Il est également demandé aux étudiants de ne pas transmettre à des outils d’IA des données confidentielles ou personnelles concernant l’université, les enseignants, les entreprises partenaires ou d’autres étudiants.

À la fin du cours, l’étudiant sera capable de :

• Comprendre les principales tâches du machine learning.
• Construire un pipeline simple de traitement de données.
• Choisir un modèle adapté à un problème.
• Implémenter des méthodes classiques (arbres, clustering, régression).
• Évaluer les performances d’un modèle.
• Identifier les problèmes de surapprentissage.
• Comprendre les bases des réseaux de neurones et du deep learning.