Programme d’études 2022-2023 | English | ||
Data Science for Artificial Intelligence | |||
Unité d’enseignement du programme de Bachelier en sciences de l'ingénieur, orientation ingénieur civil (MONS) (Horaire jour) à la Faculté Polytechnique |
Code | Type | Responsable | Coordonnées du service | Enseignant(s) |
---|---|---|---|---|
UI-B3-IRCIVI-313-M | UE Obligatoire | SIEBERT Xavier | F151 - Mathématique et Recherche opérationnelle |
|
Langue d’enseignement | Langue d’évaluation | HT(*) | HTPE(*) | HTPS(*) | HR(*) | HD(*) | Crédits | Pondération | Période d’enseignement |
---|---|---|---|---|---|---|---|---|---|
| Anglais, Français | 34 | 50 | 0 | 0 | 0 | 7 | 7.00 | 1er quadrimestre |
Code(s) d’AA | Activité(s) d’apprentissage (AA) | HT(*) | HTPE(*) | HTPS(*) | HR(*) | HD(*) | Période d’enseignement | Pondération |
---|---|---|---|---|---|---|---|---|
I-ISIA-030 | Signal Processing 1 | 16 | 32 | 0 | 0 | 0 | Q1 | 57.00% |
I-MARO-014 | Data Mining | 18 | 18 | 0 | 0 | 0 | Q1 | 43.00% |
Unité d'enseignement | ||
---|---|---|
UI-B2-IRCIVI-002-M Mathématiques appliquées | ||
UI-B2-IRCIVI-003-M Probabilité et Statistiques |
Objectifs par rapport aux acquis d'apprentissage du programme
Acquis d'apprentissage de l'UE
- analyser diverses formes de données et signaux - comprendre la théorie sous-jacente au développement des composants de base des systèmes de traitement numérique du signal - implémenter ces composants sous MATLAB - comprendre et expliquer la théorie, les modèles et les techniques utilisées pour l'analyse statistique des données - analyser des jeux de données à l'aide d'un logiciel (Python, MATLAB, R, Weka, ...) - interpréter les résultats fournis par le logiciel, en montrant une compréhension de la théorie
Contenu de l'UE : descriptif et cohérence pédagogique
- systèmes numériques linéaires et invariants; analyse fréquentielle de signaux et systèmes numériques; théorème de Shannon et échantillonnage; transformée de Fourier Discrète; analyse spectrale de signaux aléatoires; filtrage numérique; systèmes simples sous MATLAB - techniques descriptives des donneés (analyse en composantes principales, analyse factorielle discriminante)
- modèles classiques d'analyse des données statistiques (analyse de la variance, régression linéaire)
- data mining / machine learning (méthodes de classification, supervisée et non-supervisée)
Compétences préalables
Algèbre, Analyse, probabilités et statistiques, fonctions de variables complexes
Types d'activités
AA | Types d'activités |
---|---|
I-ISIA-030 |
|
I-MARO-014 |
|
Mode d'enseignement
AA | Mode d'enseignement |
---|---|
I-ISIA-030 |
|
I-MARO-014 |
|
Supports principaux
AA | Supports principaux |
---|---|
I-ISIA-030 | Note de cours - Traitement du Signal (1 et 2) - Thierry Dutoit |
I-MARO-014 |
Supports principaux non reproductibles
AA | Supports principaux non reproductibles |
---|---|
I-ISIA-030 | Sans objet |
I-MARO-014 | - diapositives des présentations orales (théorie et exemples) - syllabus d'exercices pratiques |
Supports complémentaires non reproductibles
AA | Support complémentaires non reproductibles |
---|---|
I-ISIA-030 | Sans objet |
I-MARO-014 | syllabus de théorie et exercices pratiques |
Autres références conseillées
AA | Autres références conseillées |
---|---|
I-ISIA-030 | AUGER, F. (1999) Introduction à la théorie du signal et de l'information, 461 pp. Paris : TechnipDENBIGH, P. (1998) System Analysis and Signal Processing, 513 pp. Harlow : Addison-WesleyBAHER, H. (2001) Analog and Digital Signal Processing, 497 pp. Chichester : Wiley & SonsLYONS, R.G. (1998) Understanding Digital Signal Processing, 517pp. Harlow : Addison-Wesley |
I-MARO-014 | R.O.Duda, P.E.Hart, D.G.Stork. "Pattern Classification". John Wiley and Sons, 2000. Bishop, Christopher M. Pattern recognition and machine learning. springer, 2006. R.E.Walpole, R.H.Myers, S.L.Myers, K.Ye, "Probability and Statistics for Engineers and Scientists", Prentice Hall, 2012 K P Murphy. Machine learning: a probabilistic perspective. MIT press, 2012. |
Reports des notes d'AA d'une année à l'autre
AA | Reports des notes d'AA d'une année à l'autre |
---|---|
I-ISIA-030 | Autorisé |
I-MARO-014 | Autorisé |
Evaluation du quadrimestre 1 (Q1) - type
AA | Type(s) et mode(s) d'évaluation du Q1 |
---|---|
I-ISIA-030 |
|
I-MARO-014 |
|
Evaluation du quadrimestre 1 (Q1) - commentaire
AA | Commentaire sur l'évaluation Q1 |
---|---|
I-ISIA-030 | Rapport de projet, écrit, 2 heures, 35% examen, écrit (ne portant que sur des exercices), 3 heures, 65% |
I-MARO-014 | épreuve écrite pour la théorie, travail pratique sur ordinateur |
Evaluation de l'épreuve de rattrapage du quadrimestre 1 (Q1) pour B1BA - type
AA | Type(s) et mode(s) d'évaluation rattrapage Q1(BAB1) |
---|---|
I-ISIA-030 |
|
I-MARO-014 |
|
Evaluation du quadrimestre 3 (Q3) - type
AA | Type(s) et mode(s) d'évaluation du Q3 |
---|---|
I-ISIA-030 |
|
I-MARO-014 |
|
Evaluation du quadrimestre 3 (Q3) - commentaire
AA | Commentaire sur l'évaluation Q3 |
---|---|
I-ISIA-030 | examen, écrit (portant sur des exercices, qui peuvent toucher à la matière vue dans les laboratoires), 3 heures, 100% |
I-MARO-014 | idem Q1 |