IA et Données 1

Apprentissage Machine et Données Massives pour L’Ingénierie Physique (1)

Description : Ce cours propose une introduction structurée aux méthodes fondamentales de l’intelligence artificielle et de l’apprentissage automatique (IA/ML), en combinant des apports théoriques et des mises en pratique. Il débute par une présentation des concepts généraux de l’IA et du machine learning, incluant les réseaux de neurones ainsi que les approches d’apprentissage supervisé et non supervisé. Les fondements du deep learning sont ensuite développés, avec un accent particulier sur les réseaux de neurones convolutionnels (CNN) et leurs applications à l’analyse de données complexes. L’ensemble de ces notions est abordé à travers des cours magistraux et des travaux pratiques visant à favoriser l’appropriation des concepts et des outils.

Le cours explore également des thématiques avancées, telles que l’apprentissage par renforcement, la quantification des incertitudes et les réseaux de neurones informés par la physique (Physics-Informed Neural Networks, PINNs). Ces approches permettent de traiter des problématiques d’optimisation, de prise de décision séquentielle et de modélisation de systèmes physiques en intégrant des contraintes issues des lois fondamentales. À travers des études de cas et des travaux pratiques, le cours met en évidence le potentiel de ces méthodes pour la modélisation, la simulation et l’analyse de systèmes complexes en sciences et en ingénierie.

Bibliographie :

  • Ref. [1] : J.N. Kurtz, Data-Driven Modeling & Scientific Computation: Methods for Complex Systems & Big Data, Oxford University Press (2013)

Acquis d’apprentissage : AA1 : Comprendre les principes fondamentaux de l’IA et du machine learning, incluant réseaux de neurones et apprentissage supervisé/non supervisé – AA2 : Maîtriser le deep learning et les réseaux de neurones convolutionnels pour l’analyse de données complexes – AA3 : Appliquer l’apprentissage par renforcement à des problèmes d’optimisation et de décision séquentielle – AA4 : Intégrer la quantification des incertitudes dans les modèles d’IA/ML – AA5 : Utiliser les réseaux de neurones informés par la physique pour modéliser des systèmes physiques – AA6 : Combiner théorie et pratique à travers des travaux pratiques et des études de cas scientifiques et industriels.

Compétences évaluées :

  • Modélisation Physique
  • Traitement Données

Responsable de cours :

  • Sylvie Le Hegarat
  • Emanuel Aldea

Identifiant Geode : SPM-INF-025

CM :

  1. Réseaux de Neurones (1.5 h)
  2. Introduction à l’apprentissage par renforcement (1.5 h)
  3. Apprentissage Machine informé par la physique (1.5 h)
  4. Quantification des Incertitudes (1.5 h)

TD :

  1. Réseaux de Neurones (1.5 h)
  2. Introduction à l’apprentissage par renforcement (1.5 h)
  3. Apprentissage Machine informé par la physique (1.5 h)
  4. Quantification des Incertitudes (1.5 h)

TP :

  1. Travaux Expérimentaux (TrEx)1/5 (3.0 h)
  2. Travaux Expérimentaux (TrEx)2/5 (3.0 h)
  3. Travaux Expérimentaux (TrEx)3/5 (3.0 h)
  4. Travaux Expérimentaux (TrEx)4/5 (3.0 h)
  5. Travaux Expérimentaux (TrEx)5/5 (3.0 h)