 | Programme d’études 2023-2024 | English | |
 | Intelligence artificielle | ||
Unité d’enseignement du programme de Master en sciences informatiques (MONS) (Horaire jour) à la Faculté des Sciences |
| Code | Type | Responsable | Coordonnées du service | Enseignant(s) |
|---|---|---|---|---|
| US-MC-SCINFO-043-M | UE Obligatoire | MELOT Hadrien | S825 - Algorithmique |
|
| Langue d’enseignement | Langue d’évaluation | HT(*) | HTPE(*) | HTPS(*) | HR(*) | HD(*) | Crédits | Pondération | Période d’enseignement |
|---|---|---|---|---|---|---|---|---|---|
| Français | 30 | 20 | 0 | 0 | 0 | 6 | 6.00 | 1er quadrimestre |
| Code(s) d’AA | Activité(s) d’apprentissage (AA) | HT(*) | HTPE(*) | HTPS(*) | HR(*) | HD(*) | Période d’enseignement | Pondération |
|---|---|---|---|---|---|---|---|---|
| S-INFO-014 | Approches classiques de l'Intelligence artificielle | 22 | 12 | 0 | 0 | 0 | Q1 | 66.00% |
| S-INFO-114 | Introduction au Deep Learning | 8 | 8 | 0 | 0 | 0 | Q1 | 34.00% |
| Unité d'enseignement |
|---|
Objectifs par rapport aux acquis d'apprentissage du programme
- Avoir acquis des connaissances hautement spécialisées et intégrées et des compétences larges dans les diverses disciplines des sciences informatiques, qui font suite à celles relevant du niveau de bachelier en sciences informatiques
Acquis d'apprentissage de l'UE
A l'issue de cet enseignement, les étudiants auront été initiés à différents domaines classiques de l'Intelligence Artificielle et du Deep Learning. Ils seront capables d'identifier quand une méthode particulière est applicable.
Contenu de l'UE : descriptif et cohérence pédagogique
Voir les deux activités d'apprentissage.
Compétences préalables
Connaissance d'un langage de programmation (par ex. Python ou Java) et connaissances en structure de données de base (listes, arbres, graphes).
Types d'activités
| AA | Types d'activités |
|---|---|
| S-INFO-014 |
|
| S-INFO-114 |
|
Mode d'enseignement
| AA | Mode d'enseignement |
|---|---|
| S-INFO-014 |
|
| S-INFO-114 |
|
Supports principaux
| AA | Supports principaux reproductibles |
|---|---|
| S-INFO-014 | Note de cours - Approches Classiques de l'Intelligence Artificielle - Hadrien Mélot |
| S-INFO-114 |
Supports principaux non reproductibles
| AA | Supports principaux non reproductibles |
|---|---|
| S-INFO-014 | Sans objet |
| S-INFO-114 | Tous les supports et outils du cours sont mis à la disposition des étudiants par Moodle, la plateforme e-learning de l'UMONS. |
Supports complémentaires non reproductibles
| AA | Support complémentaires non reproductibles |
|---|---|
| S-INFO-014 | Sans objet |
| S-INFO-114 | Tous les supports complémentaires seront accessibles sur Moodle, la plateforme e-learning de l'UMONS. |
Autres références conseillées
| AA | Autres références conseillées |
|---|---|
| S-INFO-014 | - Russel, S. and Norvig, P., Artificial Intelligence: A Modern Approach, 3ième édition, Pearson, 2010 - Talbi, E.-G., Metaheuristics: from design to implementation, Wiley, 2009 |
| S-INFO-114 | Sans objet |
Reports des notes d'AA d'une année à l'autre
| AA | Reports des notes d'AA d'une année à l'autre |
|---|---|
| S-INFO-014 | Autorisé |
| S-INFO-114 | Autorisé |
Evaluation du quadrimestre 1 (Q1) - type
| AA | Type(s) et mode(s) d'évaluation du Q1 |
|---|---|
| S-INFO-014 |
|
| S-INFO-114 |
|
Evaluation du quadrimestre 1 (Q1) - commentaire
| AA | Commentaire sur l'évaluation Q1 |
|---|---|
| S-INFO-014 | Examen écrit (85%) et devoirs en ligne (15%) |
| S-INFO-114 | Cfr. types et modes d'évaluation |
Evaluation de l'épreuve de rattrapage du quadrimestre 1 (Q1) pour B1BA - type
| AA | Type(s) et mode(s) d'évaluation rattrapage Q1(BAB1) |
|---|---|
| S-INFO-014 |
|
| S-INFO-114 |
|
Evaluation du quadrimestre 3 (Q3) - type
| AA | Type(s) et mode(s) d'évaluation du Q3 |
|---|---|
| S-INFO-014 |
|
| S-INFO-114 |
|
Evaluation du quadrimestre 3 (Q3) - commentaire
| AA | Commentaire sur l'évaluation Q3 |
|---|---|
| S-INFO-014 | Examen oral 100% |
| S-INFO-114 | Cfr. types et modes d'évaluation |