Programme des cours 2026-2027
ATTENTION : version 2026-2027 de l'engagement pédagogique
BINV3100-2  
Machine Learning et Data Science : les fondements de l'Intelligence Artificielle, Machine Learning et Data Science : les fondements de l'Intelligence Artificielle
Durée :
40h Pr
Nombre de crédits :
Bachelier en informatique, orientation développement d'applications4
Nom du professeur :
Adrien FOUCART
Coordinateur(s) :
Adrien FOUCART
Langue(s) de l'unité d'enseignement :
Langue française
Organisation et évaluation :
Enseignement au premier quadrimestre, examen en janvier
Unités d'enseignement prérequises et corequises :
Les unités prérequises ou corequises sont présentées au sein de chaque programme
Contenus de l'unité d'enseignement :
L'objectif de cette UE est d'initier les étudiant.es aux principes fondamentaux du "machine learning" (apprentissage machine) et à l'analyse de données:

  • Pré-traitement de données (tabulaires, images, texte...)
  • Extraction de descripteurs
  • Visualisation
  • Entraînement de modèles de machine learning
  • Évaluation des performances
Acquis d'apprentissage (objectifs d'apprentissage) de l'unité d'enseignement :
Au terme de cette UE, un.e étudiant.e sera capable de:

  • Manipuler programmatiquement des données de différents types (tabulaires, image, texte...)
  • Entraîner et évaluer des modèles de machine learning simples (arbres de décision, classificateurs linéaires, plus proches voisins...)
  • Utiliser et évaluer des modèles modernes (Transfomers / Vision Transfomers)
  • Comprendre comment les concepts fondamentaux du machine learning s'appliquent aux systèmes modernes d'intelligence artificielle (ex. LLMs)
Acquis d'apprentissage(s) terminaux visé(s):

  • AAT1. Concevoir des solutions informatiques efficaces qui répondent à des problèmes en maitrisant les structures de données véhiculées.
  • AAT5. Se conformer aux bonnes pratiques du métier tout en restant critique.
  • AAT6. Exploiter de façon autonome et rigoureuse les différentes ressources d'information (en français ou en anglais).
  • AAT8. Collaborer au sein d'une équipe en s'adaptant à ses interlocuteurs, en organisant les différentes tâches d'un travail selon leur complexité et leur dépendance ainsi qu'en respectant les délais prévus.
Savoirs et compétences prérequis :
 / 
Activités d'apprentissage prévues et méthodes d'enseignement :
Le cours combinera, durant les séances:

  • Des courtes présentations théoriques.
  • Des exercices en individuel.
  • Des exercices et projets collaboratifs.
Mode d'enseignement (présentiel, à distance, hybride) :
Cette UE sera organisée à 100% en présenciel.
Lectures recommandées ou obligatoires et notes de cours :
Des supports de cours écrits (slides, notes théoriques) seront fournis sur Moodle.

Des liens vers des ressources supplémentaires pour aller plus loin dans certains concepts seront également proposés.
Modalités d'évaluation et critères :
L'évaluation est exclusivement basée sur de l'évaluation continue. 

Différents délivrables seront à fournir au cours des séances:

  • Résultats d'analyses de données / d'évaluations de modèles.
  • Scripts Python.
  • Contributions à des projets collectifs (pull requests, code review, issues...).
  • Contributions à des notes de cours collectives (sur Moodle)
Certaines séances pourront aussi être organisées en "challenge" (par exemple: challenge de classification), avec rapide présentation ou discussion autour des résultats, individuellement ou en groupes. Les modalités exactes (quelle séance, quel mode d'évaluation) seront toujours communiquées au minimum la semaine précédente.

Il n'y aura pas de seconde session.
Stage(s) :
Remarques organisationnelles :
Lors du calcul de la moyenne arithmétique pondérée du PAE d'un étudiant, ainsi que du calcul de la moyenne arithmétique pondérée globale de son cursus, le poids associé à la note de la présente UE est son nombre d'ECTS.
Contacts :
Adrien Foucart: adrien.foucart@vinci.be