DATA - Electif
Formation : Etudiant
Type de module : Electif
Unité d'enseignement : Modules électifs SCM, SPL et MSC
| semestre | durée en 1/2 journées | crédits de l'UE | crédits du module |
| S9 | 8 | 10 | 2 |
Responsable : Martin GHIENNE
Intervenants du module : Martin GHIENNE, Adrien GOELLER
Modules Supméca prérequis recommandés : STAT
Autres pré requis : Bases en programmation, langage Python
Objectif du module :
Introduire différentes méthodes d'analyse de données et de modélisation à partir des données ainsi que leurs applications en ingénierie mécanique
| Acquis de la formation visés par le module | Niveau d'acquisitions (1,2,3 ou 4) |
| AC 1 : Connaître différents algorithmes associés à la notion « d'Intelligence Artificielle » et leurs applications en ingénierie mécanique | 2 : l'élève-ingénieur sait appliquer les connaissances et les savoir-faire dans des situations courantes |
| AC 2 : Identifier une approche de résolution en fonction de la typologie du problème rencontré | 3 : l'élève-ingénieur est capable d'utiliser les différents concepts et de traiter des cas complexes ou inhabituels |
| AC 3 : Discerner les limitations et les cas de mauvaises utilisation des approches basées sur les données | 3 : l'élève-ingénieur est capable d'utiliser les différents concepts et de traiter des cas complexes ou inhabituels |
| AC 4 : |
| Tableau connaissances / acquis | Ac 1 | Ac 2 | Ac 3 | Ac 4 |
| Algorithmes d'optimisation | ++ | ++ | Aucun | |
| Algorithmes d'assimilation de données | ++ | ++ | + | |
| Algorithmes d'apprentissage supervisés et non-supervisés | ++ | ++ | +++ | |
| Algorithmes d'apprentissage profond | ++ | ++ | +++ | |
| Librairies dédiées à l'analyse et l'exploitation des données (scikit-learn, TensorFlow, etc) | + | + | + | |
|
Niveau de maitrise de la connaissance pour atteindre les objectifs de l'acquis : +++(total), ++( fort), + (partiel). |
||||
Références bibliographiques :
- Andrew Ng, CS229 and CS230 Deep Learning Stanford
- https://github.com/ChristosChristofidis/awesome-deep-learning
- Python code for Artificial Intelligence: Foundations of Computational Agents, David L. Poole and Alan K. Mackworth, 2019
- Statistics and Machine Learning in Python, Edouard Duchesnay, Tommy Löfstedt, 2018
| Organisation pédagogique et modalités d'évaluation : | |
|
Cours : 10h Travaux dirigés : 2h Travaux pratiques : 24h Travail personnel : 2h |
Contrôle continu : 60 % Evaluation terminale : 40 % Examens oraux : 40 % Examens écrits : 60 % |
Commentaire sur l'organisation pédagogique :
L'organisation pédagogique de ce module est basée majoritairement sur une Approche Par Problème.
Mise à jour :
30/06/2020
