Description du cours

Intitulé de l'Unité d'Enseignement

Intelligence artificielle

Code de l'Unité d'Enseignement

22BA032

Année académique

2026 - 2027

Cycle

MASTER

Nombre de crédits

Nombre heures

Quadrimestre

Pondération

Site

Anjou

Langue d'enseignement

Français

Enseignant responsable

Bouharaoua Youcef

Objectifs et contribution de l'Unité d'Enseignement au programme

Le cours d'IA du Master Business Analyst permet de former l'étudiant à cette technologie centrale. L'IA permet de libérer du temps en automatisant le traitement répétitif des données, d'anticiper les tendances futures plutôt que de simplement constater le passé, et de faire le lien
entre les besoins du terrain et les équipes techniques tout en gardant un œil sur la faisabilité et l'éthique des projets. Sa force d'automatisation et sa flexibilité permet un boost considérable de la productivité en entreprise que les étudiants se doivent de comprendre et de maitriser.

Acquis d'apprentissage spécifiques
Au terme de cette UE, l'étudiant·e sera capable de :
- Visualiser les données d’un dataset pour les comprendre et les analyser
- Citer les différents types d’IA et les champs d’applications de l’intelligence artificiel
- Expliquer les étapes de développement de modèles et le fonctionnement des modèles de bases
- Automatiser un processus métier en utilisant une solution IA
- Evaluer, sur base d’un context, si une solution IA existe et répond à des besoins
- Gérer, sur base d’un context, la mise en place d’une solution d’IA à l’intérieur de l’organisation
- Analyser les risques éthiques, juridiques et écologiques d’une solution IA

Prérequis et corequis

Description du contenu

Data Visualization
• Data cleaning • Génération de KPI • Graphiques classiques • Tableaux de bord et reporting • Introduction à Power BI

Fondamentaux de l’IA et du Machine Learning
• Histoire de l’IA • Types d’IA (IA faible vs IA forte, Machine Learning vs Deep Learning, IA symbolique vs IA statistique) • Types d’apprentissage : supervisé, non supervisé, renforcement • Types de tâches : régression, classification, clustering • Panorama des technologies : NLP, Computer Vision, systèmes de recommandation, IA générative • Cycle de vie d’un projet ML : problème métier, collecte et qualité des données, EDA, feature engineering, modélisation, évaluation, déploiement et monitoring • Overfitting et biais algorithmiques • Métriques d’évaluation • Model drifting • Fine-tuning • Explainable AI (xAI) • Prospective de l’IA et dernières tendances technologiques

IA Générative & Automatisation
• Large Language Models (LLM) • Prompt engineering • Tools / function calling / MCP • RAG • AI agents • Automatisation intelligente (RPA + IA) • Cas d’usage en entreprise et impact métier

Gouvernance de l’IA
• AI Act européen • Gestion des risques liés à l’IA • Responsabilité algorithmique • Biais et discrimination • Éthique de l’IA • Green AI • Model and data supply chain • Standards et normes en IA • Méthodologies de gestion de projet IA • Méthodologies de gestion de la
donnée • Construction d’un business case pour un projet IA • Stratégie Make or Buy

Méthodes pédagogiques

Cours théoriques, séances d'exercices et études de cas.

Mode d'évaluation

Examen écrit et évaluation continue en première session.
Examen oral en seconde session.

Références bibliographiques

Slides et autres documents fournis par l'enseignants.