STM-MIK-13-Informatique3 IA : Marchine learning
- ue-fipmik-stm-mik-13
- FIP Mécatronique
Semestre : 9
Responsable(s) du contenu pédagogique
- Ali AYADI
- Marc VEDRINES
| Total coefficients : 2 |
| Total heures : 32 (8 cours, 8 TD, 8 TP, 8 projet) |
| Total heures travail personnel : 64 |
Prérequis
Programmation Orientée Objet
Python
Objectif
Comprendre les bases de l'apprentissage automatique (supervisé, non supervisé).
Etre capable d'identifier le type d'apprentissage le plus à même d'accomplir une tâche donnée.
Implémentation d'algorithmes connus pour l'apprentissage non supervisé/supervisé.
Comprendre et implémenter un algorithme d'optimisation (ex: descente de gradient).
Déployer les algorithmes sur des cartes embarquées dans des containers docker.
Etre capable d'appliquer les notions apprises à un projet alliant robotique et intelligence artificielle.
Compétences attendues
Axe A2 : ANALYSE TECHNIQUE
Capacité à mobiliser les ressources dans le domaine de la spécialité. Mettre en œuvre des connaissances techniques multidisciplinaires pour résoudre des problèmes d'ingénierie.
- Déterminer les leviers d'actions permettant de résoudre un problème
- Identifier et comparer des méthodes de résolutions potentielles
Axe A3 : CONCEPTION TECHNIQUE
Capacité à mobiliser ou à développer des nouvelles méthodes de conception afin de concevoir des produits, des processus et des systèmes en tenant compte des dernières avancées techniques dans le domaine tout en prenant en compte les enjeux environnementaux et énergétiques.
- Choisir, appliquer et adapter les méthodes d'analyse et de spécifications du besoin
- Définir les solutions techniques répondant au besoin
- Établir les modèles en vue de la prévision du comportement du produit ou du système
- Choisir et appliquer les méthodes de dimensionnement et de modélisation
Programme
1) Apprentissage non supervisé (8h)
Bases théoriques.
Implémentation de K-means, KNN, réduction de dimensionnalité, détection d'outliers.
2) Apprentissage supervisé (24h)
Bases théoriques
Descente de gradient.
Neurone, Réseaux de neurones.
Implémentation d'une descente de gradient "à la main" avec quelques neurones.
Perceptron multi-couche, réseaux convolutionnels, transformers.
Applications en traitement d'images et textes.
Déploiement des algorithmes développés sur une jetson nano.
Découverte des containers Docker et des serveurs Flask pour créer des APIs.
Mode d'évaluation
TD noté + Projet