Syllabus de Cours: Introduction
à l'Intelligence Artificielle
Présentation du Cours
Ce cours d'introduction à l'Intelligence Artificielle (IA) est conçu pour offrir aux étudiants
une compréhension fondamentale des concepts, des méthodes et des applications de
ce domaine en constante évolution. L'IA est devenue une force motrice dans de
nombreux secteurs, transformant la façon dont nous interagissons avec la technologie
et le monde qui nous entoure. Ce syllabus détaille les objectifs d'apprentissage, le
contenu des modules, les méthodes d'évaluation et les ressources pédagogiques
nécessaires pour réussir ce cours.
L'objectif principal est de démystifier l'IA, en explorant ses fondements théoriques, ses
outils pratiques et ses implications sociétales. Les étudiants seront initiés aux
différentes branches de l'IA, de la logique formelle à l'apprentissage automatique
avancé, en passant par la résolution de problèmes et le traitement du langage naturel.
Le cours mettra l'accent sur une approche équilibrée, combinant théorie et applications
pratiques, afin de préparer les étudiants à comprendre et à interagir avec les systèmes
d'IA.
Objectifs Généraux du Cours
À la fin de ce cours, les étudiants seront capables de :
• Comprendre les principes fondamentaux de l'IA : Acquérir une connaissance
solide de ce qu'est l'IA, de son histoire, de ses différentes approches
(symbolique, connexionniste) et de son évolution.
• Maîtriser les techniques de représentation des connaissances et de
résolution de problèmes : Apprendre à modéliser des problèmes complexes et
à utiliser des algorithmes de recherche pour trouver des solutions efficaces.
• Appréhender les paradigmes de l'apprentissage automatique : Distinguer
et appliquer les concepts clés de l'apprentissage supervisé, non supervisé et
par renforcement, ainsi que les bases du Deep Learning.
• Identifier les applications et les limites de l'IA : Reconnaître les domaines où
l'IA excelle, mais aussi ses contraintes techniques, éthiques et sociales.
• Développer une pensée critique : Analyser les implications de l'IA sur la
société, l'économie et l'emploi, et discuter des défis éthiques liés à son
développement et à son déploiement.
Plan du Cours (Modules Détaillés)
Le cours est structuré en cinq modules principaux, chacun couvrant des
aspects spécifiques de l'intelligence artificielle. Chaque module comprendra
des cours magistraux, des travaux dirigés et des exercices pratiques pour
renforcer l'apprentissage.
Module 1: Introduction à l'Intelligence Artificielle (Durée estimée: 3
semaines)
Ce module pose les bases du cours en définissant ce qu'est l'intelligence artificielle, en
explorant son histoire et en présentant ses principaux domaines d'application. Il aborde
également les considérations éthiques et sociétales liées à l'IA.
• Objectifs d'apprentissage:
◦ Définir l'intelligence artificielle et ses sous-domaines.
◦ Tracer l'histoire de l'IA et ses étapes clés.
◦ Discuter du potentiel et des limites actuelles de l'IA.
◦ Introduire le vocabulaire fondamental de l'IA.
• Contenu:
◦ Définition de l'IA: forte vs faible, IA symbolique vs connexionniste.
◦ Historique de l'IA: des origines aux développements récents.
◦ Domaines d'application de l'IA: robotique, vision par ordinateur,
traitement du langage naturel, etc.
◦ Considérations éthiques et sociétales de l'IA.
Méthodes d'Évaluation
L'évaluation des étudiants sera basée sur une combinaison des éléments suivants,
visant à mesurer la compréhension théorique et la capacité à appliquer les concepts
appris:
• Projets pratiques (individuels ou en groupe): Les étudiants devront réaliser
des projets concrets utilisant des outils et des bibliothèques d'IA pour
résoudre des problèmes spécifiques. Ces projets permettront d'évaluer la
capacité à mettre en œuvre les algorithmes et à interpréter les résultats.
• Examens (partiels et final): Des examens écrits évalueront la compréhension
des concepts théoriques, des algorithmes et des principes fondamentaux de l'IA.
• Participation en classe: L'engagement actif dans les discussions, les questions
et les exercices en classe sera également pris en compte.
Ressources Pédagogiques
Pour accompagner les étudiants dans leur apprentissage, diverses ressources
seront mises à disposition:
• Manuels de référence:
◦ Russell, Stuart J., and Peter Norvig. "Intelligence Artificielle: Une
Approche Moderne." Pearson Education, 4e édition, 2021. (Référence
principale)
◦ Goodfellow, Ian, Yoshua Bengio, and Aaron Courville. "Deep Learning."
MIT Press, 2016. (Pour le module sur le Deep Learning)
• Articles scientifiques et publications récentes: Des lectures
complémentaires seront suggérées tout au long du cours pour approfondir
certains sujets.
• Plateformes d'apprentissage en ligne: Des cours en ligne gratuits ou payants
sur des plateformes comme Coursera, edX, ou OpenClassrooms pourront être
recommandés pour des compléments d'information ou des exercices pratiques.
• Environnements de développement:
◦ Langage de programmation: Python (avec ses bibliothèques dédiées à
l'IA comme NumPy, Pandas, Scikit-learn, TensorFlow, PyTorch).
◦ Environnement de développement intégré (IDE): Jupyter
Notebooks, Google Colab, ou tout autre IDE compatible avec Python.