Course description
Title of the Teaching Unit
Intelligence artificielle
Code of the Teaching Unit
22BA032
Academic year
2024 - 2025
Cycle
Number of credits
8
Number of hours
90
Quarter
1
Weighting
Site
Anjou
Teaching language
French
Teacher in charge
VOGLAIRE Yannick
Objectives and contribution to the program
L’UE est une introduction aux techniques quantitatives d’exploration, d’interprétations et de prédictions des données.
A l’issue du cours, l’étudiant.e sera à même de choisir et d’appliquer une technique quantitative pour répondre à une question posée à partir de données existantes.
Prerequisites and corequisites
Les notions suivantes doivent être maîtrisées afin de suivre l’UE:
• Statistiques descriptives et inférentielles
• Algèbre linéaire
Content
Partie 1 : "Data visualization & Data Science"
• Introduction à R et RStudio
• Visualisation de données :
- Graphiques classiques
- Tableaux de bord
- Introduction à Power BI
• Réduction de dimensions :
- ACP
- ACM
• Clustering
- Clustering Hiérarchique
- Kmeans
- DBScan
Partie 2 : "AI & Machine learning"
• Régressions :
- Linéaires
- Bivariées
- Multivariées
- non linéaires
• Machine learning
- Knn
- Naive Bayes
- Model based clustering
- SVM
- Arbres de décisions
• Deep learning
Teaching methods
Type d’enseignement : ex cathedra plus séances d’exercices.
Le cours fait alterner des exposés théoriques et des mises en pratiques en laboratoire informatique en utilisant un logiciel spécifique comme RStudio ou powerBI. Certaines séances peuvent se passer en classe non équipée de matériel informatique. Le recours à un ordinateur personnel sera alors requis.
Une série d’exercices et de cas pratiques est proposée à la suite de chaque chapitre. La résolution à domicile de ces exercices joue un rôle important dans l’assimilation de la matière ; ils permettent à l’étudiant.e d’évaluer son degré de maîtrise de la matière enseignée et constituent l’instrument privilégié de préparation à l’examen.
D’un point de vue pratique, les cours et séances d’exercices seront donnés en présentiel. Toutefois, certaines séances pourraient basculer en distanciel.
Assessment method
EVALUATION FORMATIVE
Chaque exposé théorique est suivi d’exercices proposés aux étudiant.e.s, qui disposent de suffisamment de temps pour les résoudre. Les étudiant.e.s sont donc en mesure de se rendre compte immédiatement de leur niveau de compréhension de la matière et ils peuvent poser des questions pour surmonter les difficultés ressenties.
D’autre part, la résolution des exercices proposés à la suite de chaque chapitre permet à chaque étudiant.e de tester sa compréhension et de juger de sa capacité à réussir l’examen.
EVALUATION SOMMATIVE
L’examen est un examen oral qui comprend la présentation d’une analyse de données. La validation de cette présentation sera conditionnée par le dépôt du pdf de la présentation ainsi que des codes ayant généré les figures sur Moodle.
References
- Data Mining and Analysis, Fundamental Concepts and Algorithms, Zaki M. J., Meira, W Jr,
- Cambridge University Press, May 2014.
- The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second
- Edition, Hastie T., Tibshirani R., Friedman J., Springer, 2009
- Social media mining: an introduction, Zafarani R., Abbasi M.A., Liu H, Cambridge
- University Press, 2014.
- An Introduction to Statistical Learning with Applications in R, James G. , Witten D. ,
- Hastie T., Tibshirani R., Springer, 2009.
- R Programming for Data Science, Peng R. D., LeanPPub, 2016.