Présentation

• Florent Capelli, florent.capelli@univ-artois.fr.
• Bureau P352 (troisième étage, côté sud).
• Responsable Master IA Appliqué.

Organisation de l’année

• 10 cours: les lundis de 9h à 10h
• 10 séances de TD: les lundis de 10h à 11h
• 10 séances de TP:
  • Groupe 1: les lundis de 11h à 13h.
  • Groupe 2: les vendredis de 9h à 13h.

Évaluation: contrôle continu et examen

• Modalité d’évaluation:
  • 1 TP noté: la semaine du 02/11 (donc le 02/11 et le 06/11).
  • 1 examen final (entre le 9 et le 11 décembre ; session 2 du 28 au 30 juin).

Note finale:

• Session 1: (2 × EX1 + CC)/3.
• Session 2: max (EX2, (2 × EX2 + CC)/3).

Utilisation des LLMs

• Les exercices sont pensés pour être résolu sans utiliser de LLM:
  • La plupart des questions seraient résolues sans problème par un LLM.
  • Le but est d’apprendre à utiliser ces bibliothèques vous-même (meilleur compréhension des problèmes théoriques, des bibliothèques, meilleur utilisation des agents de codes à long terme…)
• Utilisations légitimes:
  • Demander un exemple d’utilisation d’une fonction spécifique dans une librarie.
  • Trouver un bug dans une fonction que vous avez écrite.
  • Critiquer votre fonction pour trouver des points d’amélioration et apprendre.

Buts du cours

1. Gagner en familiarité avec les différentes bibliothèques qui vous seront utiles pour le reste du cursus.
2. Comprendre les concepts les plus importants de l’IA par la pratique.
3. Manipuler les données efficacement.

Programme préliminaire

Principales bibliothèques :

• numpy: calcul scientifique
• matplotlib: affichage de données
• pandas: manipulation de données (voir le cours science des données)
• scikit-learn: nombreux algorithmes d’apprentissage machine
• pytorch: deeplearning.

Concepts :

• Notions principales de machine learning : classification, régression.
• Modèles : régression linéaire, arbre de décision, réseaux de neurones (et variantes), etc.
• (ré)Implémentation : méthode du gradient / backward propagation, algorithme minmax, apprentissage d’arbre de décision, pivot de Gauss, etc.

Rappels de Python

• Rappel des principales structures de données.
• Rappel des structures de contrôles principales.
• Rappel sur les fonctions.
• Rappel sur les classes.

Types de bases

• integer (entier).
• float (virgule flottante).
• bool: true/false.

a = 23/4
b = 23//4
c = 23%4

Chaînes de caractères (strings)

prenom = "Alice"
age = 22
presentation = f"{prenom} a {age} ans."
print(presentation)

s = "abcd"
s[1] = "e"
print(s)

Listes

l=[0,1,2,3,4]
l[1] = 2
l[-1] = 3

l=[0,1,2,3,4]
q=l
q[1]=2

l=[[0,1,2,3,4]]
print(len(l))
print(len(l[0]))

Listes II

Dictionnaires

Les dictionnaires associent des clés à des valeurs:

d = {"age" : 22, "prenom" : "Alice"}`

Autres structures de données

Set(): permet de stocker des ensembles ordonnés, ie, sans doublons.

Tuple: liste mais dont la longueur est fixée.

If elif else

if x>=10:
    print("Passe")
elif x<0:
    print("QUOI?")
else:
    print("Raté")

Boucle for

for i in range(5):
    print(i)

for i in [1,4,5]:
    print(i)

d = {"a" : 1, "b" : 2}
for i in d:
    print(i)

Iterables

Que valent les programmes suivants ?

Fonctions

def f(x):
    x+=1
y=0
f(y)
print(y)

def f(l):
    l.append(3)
l=[1,2]
f(l)
print(l)

Fonctions récursives

def f(l, r=[]):
     if len(l)>0:
         x=l.pop()
         r.append(x)
         f(l,r)

def f(n):
    if n==0:
        return [""]
    if n==1:
        return ["()"]
    else:
        l=f(n-1)
        return [f"(){j}" for j in l]+[f"({j})" for j in l]

Classes

class A:
    def __init__(self):
        self.x = 5
        self.y = 5
    def display(self):
        print(self.x, self.y)
class B(A):
    def __init__(self):
        self.x = 12

Fichiers

with open("truc", "r") as f:
    l = f.readlines()

with open("truc", "w") as f:
    f.write("hahaha")

Bibliothèques