Contenus

Objectif du Cours

-Ce cours vise à fournir aux étudiants une compréhension complète des processus d’intelligence artificielle et d’apprentissage profond. Les étudiants apprendront à comprendre les flux de travail en machine learning et IA, l’importance des données et comment traduire leurs objectifs en hyperparamètres et entrées du système.

Contenu du Cours

Le cours commence par les concepts fondamentaux de l’apprentissage profond, en mettant l’accent sur les architectures CNN et RNN. Ensuite, le programme couvre l’apprentissage par renforcement, les algorithmes génétiques, Deep Q-Learning et les algorithmes NEAT. L’importance des données et l’optimisation des hyperparamètres sont soulignées tout au long du cours.

Acquis d'Apprentissage du Cours

- Expliquer les processus d’apprentissage profond et d’IA
- Comprendre les architectures CNN et RNN
- Comprendre les bases de l’apprentissage par renforcement et des algorithmes génétiques
- Implémenter Deep Q-Learning et les algorithmes NEAT
- Analyser les données efficacement et déterminer les hyperparamètres du modèle

Méthodes d'Enseignement

- Cours illustrés par des exemples visuels et applications réelles
- Discussions conceptuelles et séances de questions-réponses
- Exercices de codage et résolution de problèmes
- Mini-projets et implémentations d’algorithmes

Ressources

- Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning: An Introduction
- Stanley, K., & Miikkulainen, R. (2002). NEAT: NeuroEvolution of Augmenting Topologies
- Tutoriels en ligne, articles scientifiques et bibliothèques Python comme PyTorch et TensorFlow

Intitulés des Sujets

Système d'évalution

Evalution de la Compétence

Tableau de la Charge de Travail