Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                
Scribd Logo
Importer

Bienvenue sur Scribd !

  • 79 vues

    Intelligence Artificielle

    Transféré par

    merouane mehdi
    Ce document présente le contenu d'un cours d'intelligence artificielle dans le cadre d'un semestre universitaire. Le cours aborde différentes techniques d'apprentissage automatique comme l'apprentissage supervisé, non supervisé et par renforcement pour la classification et la prédiction de données réseau.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd

    Intelligence Artificielle

    Transféré par

    merouane mehdi
    79 vues3 pages
    Ce document présente le contenu d'un cours d'intelligence artificielle dans le cadre d'un semestre universitaire. Le cours aborde différentes techniques d'apprentissage automatique comme l'apprentissage supervisé, non supervisé et par renforcement pour la classification et la prédiction de données réseau.

    Titre original

    IA

    Copyright

    © © All Rights Reserved

    Formats disponibles

    PDF, TXT ou lisez en ligne sur Scribd

    Avez-vous trouvé ce document utile ?

    Ce contenu est-il inapproprié ?

    Ce document présente le contenu d'un cours d'intelligence artificielle dans le cadre d'un semestre universitaire. Le cours aborde différentes techniques d'apprentissage automatique comme l'apprentissage supervisé, non supervisé et par renforcement pour la classification et la prédiction de données réseau.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    79 vues3 pages

    Intelligence Artificielle

    Transféré par

    merouane mehdi
    Ce document présente le contenu d'un cours d'intelligence artificielle dans le cadre d'un semestre universitaire. Le cours aborde différentes techniques d'apprentissage automatique comme l'apprentissage supervisé, non supervisé et par renforcement pour la classification et la prédiction de données réseau.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    Vous êtes sur la page 1sur 3

    Page |1

    Semestre 3

    Volume horaire Volume Travail


    Matières Mode d’évaluation

    Coefficient
    hebdomadaire Horaire Complémentair

    Crédits
    Unité
    Semestriel e
    d'enseignement (15 en Consultation Contrôle
    Intitulé Cours TD TP Examen
    semaines) (15 semaines) Continu
    UE Réseauxsans fils et réseaux
    6 3 3h00 1h30 67h30 82h30 40% 60%
    Fondamentale mobiles
    Code : UEF 2.1.1
    Crédits : 10 Cryptographie et Sécurité
    4 2 1h30 1h30 45h00 55h00 40% 60%
    Coefficients : 5 Réseaux
    UE Vidéo et Audio sur IP 4 2 1h30 1h30 45h00 55h00 40% 60%
    Fondamentale
    Code : UEF 2.1.2
    Crédits : 8 Technologies du Web 4 2 1h30 1h30 45h00 55h00 40% 60%
    Coefficients : 4
    TP Réseauxsans fils et
    2 1 1h30 22h30 27h30 100%
    UE réseaux mobiles
    Méthodologiqu TP Cryptographie et Sécurité
    e 2 1 1h30 22h30 27h30 100%
    Réseaux
    Code : UEM 2.1 TP Technologies du Web et
    Crédits : 9 2 1 1h30 22h30 27h30 100%
    VoIP
    Coefficients : 5
    Intelligence artificielle 3 2 1h30 1h00 37h30 37h30 40% 60%
    UE Découverte Panier au choix :
    Code : UED2.1 Internet des objets (internet 1 1 1h30 22h30 02h30 100%
    Crédits : 2 of things)
    Coefficients : 2
    Panier au choix :
    1 1 1h30 22h30 02h30 100%
    Réseaux de terrain
    Page |2

    Semestre : 3
    Unité d’enseignement: UEM 2.1
    Matière 4 :Intelligence Artificielle
    VHS : 37h30 (Cours: 1h30, TP : 1h00)
    Crédits : 3
    Coefficient : 2

    Objectifs de l’enseignement :
    Maitriser l’utilisation des techniques de l’apprentissage automatique pour la classification et la
    prédiction des données sur un réseau de télécommunications.

    Connaissances préalables recommandées :


    Théorie de l'optimisation,Traitement du signal et de l’image, Modèles statistiques, environnement de
    développement (Python)

    Contenu de la matière :

    Chapitre 1 : Notions d'intelligence artificielle (IA) (2 semaines)


    - Concept de l'IA : Imitation de l'intelligence humaine
    - Constituants de l'intelligence
    - Conception d'un Système IA, : Objectifs, Eléments du système, Apprentissage automatique
    - Etapes de conception d'un système IA : Formulation du problème, Fractionnement du
    problème, Apprentissage, Evaluation du système, Déploiement du système
    - Approches d'apprentissage : non supervisé, supervisé, semi-supervisé, par transfert, par
    renforcement
    - Quelques applications de l'IA : Traitement du langage naturel, Systèmes experts, Reconnaissance
    de formes, Robotique

    Chapitre 2 : Apprentissage non supervisé (2 semaines)


    - Introduction
    - Taxonomie des algorithmes d'apprentissage non supervisé
    - Algorithme k-Means
    - Applications

    Chapitre 3 : Apprentissage supervisé par régression (2 semaines)


    - Introduction
    - Régression linéaire
    - Régression polynomiale
    - Régression logistique
    - Applications

    Chapitre 4 : Apprentissage supervisé par les réseaux de neurones (3 semaines)


    - Introduction
    - Représentation neuronale : le Perceptron
    - Architecture des réseaux de neurones (Perceptrons monocouches et multicouches)
    - Critère d'optimisation du réseau de neurones multicouches
    - Algorithme d’apprentissage du réseau de neurones multicouches
    - Applications

    Chapitre 5 : Apprentissage profond par les réseaux convolutifs (3 semaines)


    - Introduction
    - Réseau de neurones convolutifs (CNN) : Principe
    Page |3

    - Architectures des CNN : Convolution, Rectification, Normalisation par lot (Batch normalization),
    Regroupement (Pooling), Aplatissement, réseaux de neurones multicouches (Fully connected
    layers), Softmax.
    - Critères d'optimisation : Perte d'entropie, critère des moindres carrées.
    - Réglage des hyper paramètres
    - Exemples d’architectures (VGG, ResNet, AlexNet, GoogleNet …)

    Chapitre 6 : Apprentissage par renforcement (3 semaines)


    - Introduction
    - Principe de l'apprentissage par renforcement
    - Algorithme Q-Learning
    - Applications

    TP Intelligence artificielle

     TP1 : Compréhension et préparation des données : Familiarisation avec les librairies utilisées en
    IA (Keras, tensorflow, sklearn, pytorch), préparation des données sous format utilisable pour
    une application d’apprentissage.

     TP2 : Apprentissage non supervisé : Algorithme K-Means pour la classification des données.

     TP3 : Apprentissage supervisé par régression logistique : Conception d’un modèle de prédiction
    de données, churn prediction, prédiction de la puissance du signal reçu, etc.

     TP4 : Apprentissage supervisé par la classification neuronale artificielle (Modèle


    perceptron multicouches) : Classification des signaux, classification des images,
    classification des modulations numériques, Détection des signaux d’interférence radio,
    etc.

     TP5 : Apprentissage profond par les réseaux convolutifs: Application à la reconnaissance


    d'objets, la détection du spectre pour l’identification des signaux LTE, la détection de
    dépassement de couverture radio, etc.
     TP 6 : Apprentissage par renforcement : Utilisation de l'algorithme Q-Learning pour l'allocation
    des ressources sur le réseau de télécommunications.

    Mode d’évaluation :
    Contrôle continu : 100%

    Références bibliographiques :

    1. D.Sarkar, R. Bali, T. Sharma., Practical machine learning with python : A Problem-Solver’s Guide to
    Building Real-World Intelligent Systems. practical-machine-learning-python-problem-solvers.pdf
    (kre.dp.ua)
    2. Machine learning with python : tutorials point, Machine Learning with Python (tutorialspoint.com)
    3. F. Chollet, 2018. Deep learning with python, Deep Learning with Python (wordpress.com)
    4. R.S.Sutton., A .J. Barto, 2018. Reinforcement learning : an introduction, Reinforcement Learning: An
    Introduction, 2nd Edition - PDF Drive
    5. F. Richard Yu, Y. He, 2019. Deep Reinforcement learning for wirless networks, Edition Springer.
    6. F.L. Luo, 2020. Machine learning for future wireless communications, Edition Wiley.

    Vous aimerez peut-être aussi