Introduction aux datasciences S8
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Liste des enseignements
Machine learning
2 créditsApprentissage profond - notions de base
2 créditsFrameworks IA Big Data
4 crédits
Machine learning
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Machine learning, Machine learning TD
Aborder la prédiction et l’apprentissage automatique qui sont les tâches les plus courantes effectuées par les data scientists et les data analysts.
- Présentation des activités clés de l’apprentissage automatique
- Méthodes d’apprentissage supervisé: régression et classification binaire
- Approches et algorithmes pour l’apprentissage supervisé
- Apprentissage itératif basé sur l’optimisation
- Généralisation, régularisation et Validation
Apprentissage profond - notions de base
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Apprentissage profond CM, Apprentissage profond TD
Acquérir les bases des Réseaux de Neurones pour le traitement et l’analyse de grands volumes de données. Description :
- Notions d’apprentissage profond supervisé;
- Comprendre les algorithmes sous-jacents les méthodes d’apprentissage profond;
- Structurer et préparer les données sous une forme appropriée;
- Implémenter un perceptron ;
- Comprendre l’action des hyperparamètres de base
Frameworks IA Big Data
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Frameworks IA Big Data CM, Frameworks IA Big Data TP
Présenter une approche et des outils pour le développement de projets IA et Big Data:
- Structuration de la donnée dans des environnements hétérogènes : différentes familles de bases de données de type NoSQL, Relationnelles et Colonnes ;
- Apprentissage des architectures Big Data : un exemple de plateforme opérationnelle avec une présentation des avantages et des inconvénients - Les étudiants sont sollicités pour évaluer différents scénarios ;
- Séances de Travaux en équipe et/ou seul pour apprendre le framework Spark dans un usage lié à des cas concrets issus d’expertises professionnelles ;
- Développement de modèles d’IA basés sur des cas réels de mise en situation (E-commerce, Industrie 4.0, Géosciences...) ;
- Exemple d’étude de cas : la démonstration de la prédiction de l’indice de végétalisation sur les années à venir à partir de l’historique d’images satellitaires. L’objectif est de montrer aux étudiants comment dans l’agriculture par exemple on peut imaginer la répartition des zones agricoles