Ce cours s’adresse aux passionnés de technologies de pointe. Le cours a pour but de donner aux étudiants la capacité de programmer des algorithmes d’apprentissage machine (machine learning).  Ce cours permet de voir certaines techniques des trois grandes familles d’apprentissage machine, soit l’apprentissage supervisée, l’apprentissage non supervisée, et l’apprentissage par renforcement.  À la fin de ce cours, l’étudiant aura la capacité de préparer les données à l’intelligence artificielle (chargement nettoyage et normalisation), et de programmer des solutions à base d’IA aux problèmes suivants :  classification de données, prédictions sur les données, optimisation de données, regroupement de données similaires, analyse de l’importance des variables, apprentissage de données par simulations, réduction de dimensionnalité de données, traitement naturel du langage, et autres. Le tout, dans un contexte applicable spécialement dans une entreprise et par un non-spécialiste de l’IA.

Cours 1: Survol du cours et discussions

• L’apprentissage machine
• Présentation : IA dans votre entreprise
• Questions, présentation des étudiants et discussions
• Révision du langage Python

Cours 2: Concepts ML

• Connexionnisme vs symbolisme
• Symbolisme – Prolog
• Préparer les données (Pandas)
• Préparer les données (Normalisation)
• Révision du langage Python

Cours 3 : Apprentissage supervisé

• Apprentissage supervisé
• Régression linéaire (Google slide)
• Régression linéaire – Scikit-learn (Colab)

Cours 4: Apprentissage supervisé

• Percepton et MLP (Slides)
• Perceptron et MLP (Colab)
• MLP – Scikit-learn (Colab)

Cours 5: Apprentissage supervisé

• Réseaux bayesiens
• Decision tree
• Random Forest

Cours 6: Apprentissage supervisé

• La logique floue
• Scykit-Fuzzy
• SVM  (Slide)
• SVM  (Colab)

Cours 7: Apprentissage non supervisé

• Apprentissage non supervisé
• Clustering (K-Means)
• Réduction de dimensionalité (PCA)

Cours 8: Apprentissage non supervisé

• Algorithmes génétiques (Prezi)
• Complément Google Slides – Algo génétiques
• Algorithme génétique (Colab)

Cours 9: Apprentissage par renforcement

• Apprentissage par renforcement
• Processus de décision de Markov (MDP)
• Q Learning
• Q Learning et Gym

Cours 10: NLP – Natural Language Processing

• NLP
• AIML – Artificial Intelligence Markup Language.
• BERT

Cours 11: Évaluation des performances

• Les pièges du machine learning.
• Évaluation des performances.
• Cross-Validation
• Grid Search et Pipeline
• Programmation par comportement

Cours 12 : Théories IA complémentaires

• Présentation (Prezi) IA et Éthique
• Présentation (Prezi) IA symbolique

Cours 13 : Théories IA complémentaires

• Présentation (Prezi) IA du futur
• Présentation (Prezi) « Peut-on fabriquer un robot conscient? »

Cours 14 : Théories IA complémentaires

• IA Quantique
• R – Démo
• Présentation (Prezi) Alan Turing
• Présentation AI²
• Présentation de publications.
• Orange

Cours 15 : Présentations

Le cours s’adresse à des gens déjà initiés à la programmation, peu importe le langage utilisé.

Présentations magistrales des sujets par l’enseignant. Exercices pratiques.

• Connaissance en programmation, peu importe le langage utilisé,  ou
• Avoir suivi le cours : Initiation à la programmation Python et à l’intelligence artificielle.