(IT 524)
| Nom du Cours | Semestre du Cours | Cours Théoriques | Travaux Dirigés (TD) | Travaux Pratiques (TP) | Crédit du Cours | ECTS | |
|---|---|---|---|---|---|---|---|
| IT 524 | 2 | 4 | 0 | 0 | 3 | 8 |
| Cours Pré-Requis | |
| Conditions d'Admission au Cours |
| Langue du Cours | Anglais |
| Type de Cours | Obligatoire |
| Niveau du Cours | Master |
| Enseignant(s) du Cours | Ahmet Teoman NASKALİ tnaskali@gsu.edu.tr (Email) |
| Assistant(e)s du Cours | |
| 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. |
| Contenus | 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 Théoriques
| Semaine | Intitulés des Sujets |
|---|---|
| 1 | Introduction à l’IA et au machine learning |
| 2 | Importance des données et prétraitement |
| 3 | Concepts fondamentaux de l’apprentissage profond |
| 4 | Convolutional Neural Networks (CNN) |
| 5 | Applications CNN et techniques avancées |
| 6 | Recurrent Neural Networks (RNN) |
| 7 | Applications RNN et techniques d’optimisation |
| 8 | Introduction à l’apprentissage par renforcement |
| 9 | Deep Q-Learning |
| 10 | Algorithmes génétiques |
| 11 | Présentations de projets et évaluation |
Intitulés des Sujets Pratiques
| Semaine | Intitulés des Sujets |
|---|
Contribution à la Note Finale
| Numéro | Frais de Scolarité | |
|---|---|---|
| Contribution du contrôle continu à la note finale | 2 | 50 |
| Contribution de l'examen final à la note finale | 1 | 50 |
| Toplam | 3 | 100 |
Contrôle Continu
| Numéro | Frais de Scolarité | |
|---|---|---|
| Devoir | 0 | 0 |
| Présentation | 1 | 25 |
| Examen partiel (temps de préparation inclu) | 0 | 0 |
| Projet | 1 | 25 |
| Travail de laboratoire | 0 | 0 |
| Autres travaux pratiques | 0 | 0 |
| Quiz | 0 | 0 |
| Devoir/projet de session | 0 | 0 |
| Portefeuille | 0 | 0 |
| Rapport | 0 | 0 |
| Journal d'apprentissage | 0 | 0 |
| Mémoire/projet de fin d'études | 0 | 0 |
| Séminaire | 0 | 0 |
| Autre | 0 | 0 |
| Make-up | 0 | 0 |
| Toplam | 2 | 50 |
| No | Objectifs Pédagogiques du Programme | Contribiton | ||||
|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | ||
| 1 | X | |||||
| 2 | X | |||||
| 3 | X | |||||
| 4 | X | |||||
| 5 | X | |||||
| 6 | X | |||||
| 7 | X | |||||
| 8 | X | |||||
| 9 | X | |||||
| 10 | X | |||||
| 11 | X | |||||
| Activités | Nombre | Durée | Charge totale de Travail |
|---|---|---|---|
| Durée du cours | 11 | 4 | 44 |
| Préparation pour le cours | 11 | 9 | 99 |
| Devoir | 0 | 0 | 0 |
| Présentation | 1 | 18 | 18 |
| Examen partiel (temps de préparation inclu) | 0 | 0 | 0 |
| Projet | 1 | 17 | 17 |
| Laboratoire | 0 | 0 | 0 |
| Autres travaux pratiques | 0 | 0 | 0 |
| Examen final (temps de préparation inclu) | 1 | 22 | 22 |
| Quiz | 0 | 0 | 0 |
| Devoir/projet de session | 0 | 0 | 0 |
| Portefeuille | 0 | 0 | 0 |
| Rapport | 0 | 0 | 0 |
| Journal d'apprentissage | 0 | 0 | 0 |
| Mémoire/projet de fin d'études | 0 | 0 | 0 |
| Séminaire | 0 | 0 | 0 |
| Autre | 0 | 0 | 0 |
| baclé | 0 | 0 | 0 |
| Yil | 0 | 0 | 0 |
| Yil | 0 | 0 | 0 |
| Yil | 0 | 0 | 0 |
| Charge totale de Travail | 200 | ||
| Charge totale de Travail / 25 | 8.00 | ||
| Crédits ECTS | 8 | ||