Aperçu des sections

  • Fiche de contact

    Tout replier Tout déplier

    Enseignant, Dr. Hadjadj Abdelhalim. 

    Email: a.hadjadj@centre-univ-mila.dz

    • Disponibilité :
      • À mon bureau : Tranche1, Bureau N : 01, lundi :11h00-12h30
      • Par mail : Je m’engage à répondre par mail dans 24 heures qui suivent la réception du message,
    Année universitaire : 2024-2025

  • Les objectifs

    Les objectifs de ce cours sont conçus pour fournir aux étudiants une compréhension approfondie et une maîtrise des concepts clés, et peuvent être détaillés de la manière suivante : 

    •  Définir et expliquer les principes fondamentaux de l'apprentissage automatique, y compris les concepts clés et les principaux paradigmes (supervisé, non supervisé, par renforcement). 
    •  Identifier et choisir les algorithmes d'apprentissage appropriés en fonction du type de problème et des caractéristiques des données. 
    •  Implémenter les algorithmes d'apprentissage automatique à l'aide d'outils standards pour préparer, analyser les données et concevoir des modèles prédictifs ou descriptifs.
    • Évaluer la performance des modèles à l'aide de métriques et méthodes de validation adéquates.
    •  Analyser les domaines d'application de l'apprentissage automatique dans l'intelligence artificielle et les systèmes de traitement de données massives.

  • Prérequis


    Pour pouvoir tirer le maximum de ce cours, il est recommandé d'avoir des connaissances solides dans les domaines suivants : 

    •  Algorithmique : Compréhension des structures de données et de la complexité algorithmique. 
    • Algèbre Linéaire : Maîtrise des vecteurs, matrices, espaces vectoriels, valeurs propres.  Analyse : Connaissances en calcul différentiel (dérivées, gradients). 
    •  Probabilités et Statistiques : Bases du calcul des probabilités, variables aléatoires, distributions de probabilité, inférence statistique.
    • Programmation Python : Maîtrise du langage Python et de ses bibliothèques scientifiques de base (NumPy, Pandas, Matplotlib)

  • Test Prérequis

  • Plan du cour

    Le cours "Apprentissage Automatique" est structuré en dix chapitres principaux, progressant des concepts fondamentaux aux techniques plus avancées et à leurs applications.

    • Chapitre 01 : Introduction
    • Chapitre 02 : Apprentissage supervisé
    • Chapitre 03 : Arbres de décision
    • Chapitre 04 : Classificateur de Bayes
    • Chapitre 05 : La régression logistique
    • Chapitre 06 : Machine à vecteurs de supports (SVM)
    • Chapitre 07 : Les réseaux de neurones
    • Chapitre 08 : Classification et groupement de données (Apprentissage non supervisé)
    • Chapitre 09 : Réduction de la dimensionnalité de données
    • Chapitre 10 : Applications
    Carte conceptuelle des contenus des chapitres

  • Chapitre 01 : Introduction

  • Chapitre 02 : Apprentissage supervisé

  • Chapitre 03 : Arbres de décision

  • Chapitre 04 : Classificateur de Bayes

  • Chapitre 05 : La régression logistique

  • Chapitre 06 : Machine à vecteurs de supports (SVM)

  • Chapitre 07 : Les réseaux de neurones

  • Chapitre 08 : Classification et groupement de données (Apprentissage non supervisé)

  • Chapitre 09 : Réduction de la dimensionnalité de données

  • Espace d'échange