Durée
20h Th, 20h Pr
Nombre de crédits
| Master : ingénieur civil des constructions, à finalité spécialisée en "civil engineering" | 3 crédits |
Enseignant
Langue(s) de l'unité d'enseignement
Langue anglaise
Organisation et évaluation
Enseignement au premier quadrimestre, examen en janvier
Horaire
Unités d'enseignement prérequises et corequises
Les unités prérequises ou corequises sont présentées au sein de chaque programme
Contenus de l'unité d'enseignement
Ce cours met l'accent sur la compréhension pratique de la manière dont les techniques d'apprentissage automatique (ML) peuvent être exploitées pour résoudre différents types de problèmes. Il s'adresse aux étudiants qui n'ont pas nécessairement été exposés au ML auparavant. Le cours couvre tous les principaux algorithmes liés aux tâches de régression et de classification dans le cadre de l'apprentissage supervisé, y compris les modèles linéaires généralisés, les différents types d'arbres de décision et les réseaux neuronaux. Le cours abordera également les stratégies pour un entraînement efficace des modèles ML ainsi que la manière de structurer les projets d'apprentissage automatique. La partie essentielle de l'expérience d'apprentissage consistera à mettre en œuvre certains de ces algorithmes dans des devoirs à la maison ainsi que dans le projet final à l'aide d'ensembles de données liés à des applications en génie civil.
Acquis d'apprentissage (objectifs d'apprentissage) de l'unité d'enseignement
À la fin de ce cours, vous serez en mesure de :
- Comprendre le potentiel des outils d'IA et d'apprentissage automatique.
- Connaître les techniques d'apprentissage automatique les plus courantes.
- Savoir mettre en œuvre des techniques d'apprentissage automatique en Python à l'aide de bibliothèques de science des données populaires.
- Disposer de tous les outils nécessaires pour démarrer vous-même un projet d'apprentissage automatique.
- [Ecirc]tre capable de lire des publications sur l'apprentissage automatique.
Savoirs et compétences prérequis
La principale condition préalable pour suivre ce cours est la volonté d'apprendre. Une connaissance préalable de la théorie des probabilités et de l'algèbre linéaire est un atout, mais n'est pas indispensable pour réussir ce cours. Une certaine expérience en informatique scientifique est souhaitable, car le cours comporte une partie programmation. Ce cours est donc axé sur la pratique, avec quelques notions théoriques clés.
Activités d'apprentissage prévues et méthodes d'enseignement
Cours interactifs suivis d'exercices pratiques.
Mode d'enseignement (présentiel, à distance, hybride)
Combinaison d'activités d'apprentissage en présentiel et en distanciel
Informations complémentaires:
Les cours seront principalement dispensés en présentiel, mais certains éléments devront peut-être être suivis en ligne. Par exemple, les conférences données par des praticiens du ML de la Silicon Valley se dérouleront sous forme de webconférences. Nous nous adapterons au besoin tout au long du semestre.
Supports de cours, lectures obligatoires ou recommandées
Plate-forme(s) utilisée(s) pour les supports de cours :
- eCampus
Informations complémentaires:
Sera communiqué en classe et partagé via e-campus. Vous n'avez pas besoin d'acheter de matériel pédagogique.
Modalités d'évaluation et critères
Travail à rendre - rapport
Evaluation continue
Informations complémentaires:
Votre compréhension du sujet sera évaluée/renforcée à travers des devoirs à faire à la maison et le projet final de cours. Ces deux éléments contribuent à votre note finale, il n'y a pas d'examen final. L'objectif est que vous travailliez de manière continue tout au long du semestre sans stress à la fin.
Stage(s)
Remarques organisationnelles et modifications principales apportées au cours
La langue d'enseignement est l'anglais.
Contacts
Instructor: Prof. Nenad Bijelic (nenad.bijelic@uliege.be)