Mathématiques S5

Positionnement : Semestre 5UE : MathématiquesECTS : 7
Nombre d’heures : 133h
Modalité : Présentiel (100%)
 L’UE Mathématiques est constituée de 3 éléments constitutifs d’UE :  

• Machine learning
• Ingénierie de la fouille et de la visualisation de données massives
• Analyse de données non numériques

 
La note finale associée à cette UE est calculée en pondérant les notes des 3 ECUE avec les coefficients associés.
 
ECUE 1 : Machine learning (Coef : 2) – 63h (Cours, TD) - 15h (Estimation temps de travail personnel)
 
Objectifs : Maitriser les outils d’apprentissage automatique pour la science des données et plus particulièrement les approches basées sur des structures neuronales. Comprendre leurs forces et faiblesses, les fondements mathématiques et algorithmiques et leurs mises en pratique.
 
Contenu :  

• Apprentissage supervisé par structure simple : o Formulation d’un problème d’apprentissage, fonctions de coût 
  • Modèles classiques (perceptron) : fonctionnement et réalisation pratique, discriminateur 
  • Apprentissage : Gradient Stochastique, rétropropagation, hyper-paramètre 
• Deep learning : 
  • Réseaux convolutifs : fonctionnement et déploiement 
  • Structure complète de discrimination : déploiement dans un contexte de Framework 
  • Evolution : transfert Learning, Autoencodeur et lien avec l’ACP 

 
 
Compétences visées : Compréhension des différentes problématiques des modèles de l’apprentissage par réseaux de neurones 
Savoir déployer des algorithmes de prédiction classiques avec des applications pour les problématiques de discrimination
 
Modalités d’évaluation :  Réalisation de deux projets et présentation de ces projets.
 
ECUE 2 Analyse de données non numériques (Coef : 1) – 42h (Cours, TP, Projet) - 10h (Estimation temps de travail personnel)
 
Objectifs :  
Maitriser les outils d’apprentissage de politique (apprentissage par renforcement) 
Application d’algorithmes IA dans des contextes de données non numériques
 
Contenu :  

• Apprentissage de politique :
  • Formulation d’un problème d’apprentissage par renforcement 
  • Algorithme Q-learning 
  • Etude des hyperparamètres 
• Deep Q-learning : 
  • Contexte historique : DeepMind, AlphaGo 
  • Etude de la structure Deep Q-learning : double structure, Buffer, fonction de coût 
  • Etude de l’algorithme d’apprentissage Deep Q-learning : concept, utilisation des FrameWorks 
  • Evolution : Gradient de politique 
• Corpus non numérique : 
  • Contexte des Sciences Humaines et Sociales 
  • Méthodes adaptées 

 
 
 
Compétences visées : Capacité à mettre en œuvre des techniques d’apprentissage de politique, de prise en compte de l’environnement
Maîtrise de techniques adaptées à des corpus non numériques.
 
Modalités d’évaluation : Projets
 
ECUE 3 : Ingénierie de la fouille et de la visualisation de données massives (Coef 1) – 28h (Cours, TP, Projet) - 10h (Estimation temps de travail personnel)
 
Objectifs : Introduire les concepts de visualisation de données et de complexité en intelligence artificielle, en mettant particulièrement l'accent sur l'IA symbolique appliquée aux graphes et aux données cyber. Les étudiants exploreront diverses techniques et outils pour représenter visuellement des données complexes, mesurer des indicateurs graphiques et détecter des chemins courts dans des structures de données. Le cours aborde également les aspects perceptifs et interactifs de la visualisation d'informations.
 
Contenu :  

• Introduction à la date complexité par l’IA et l’IA symbolique sur graphes 
• Exemples sur données cyber 
• Mesure et calcul d’indicateurs complexes : graphe, topologie d’arborescence 
• Détection de chemins courts et représentation graphique 
• Visualisation d’information : historique, applications, outils 
• Enjeux perceptifs de la visualisation d’information : couleurs, formes, immersion, lecture
• Techniques de représentations : graphes, hiérarchies, lignes de temps 
• Techniques d’interaction : association focus/contexte, distorsion, filtra 
• Enjeux de la data visualisation multidimensionnelle 

 
 
Compétences visées : Les apprenants seront capables de :

• Mesurer des indicateurs complexes, analyse des chemins courts et représenter visuellement ces données
• Interagir efficacement avec les données et maitriser la data visualisation multidimensionnelle

 
Modalités d’évaluation : Travaux de groupes et projets.
 

• Contrôle continu
• Projet(s)
• Mémoire
• Examen final