- Enseignant: Claudon Jose
Ce cours vise à introduire les notions de base de l’intelligence artificielle et du machine learning, à travers l’étude de modèles classiques d’apprentissage supervisé et non supervisé. L’accent est mis sur la compréhension des principes, la mise en œuvre pratique et l’interprétation des résultats.
Les points suivants seront abordés :
* Régression linéaire simple
* Régression multi-linéaire
* Régression logistique
* Random forest
* Gradient Boost
* KNN
* SVM
* Introduction à l'apprentissage non-supervisée : méthode K-means
Les points suivants seront abordés :
* Régression linéaire simple
* Régression multi-linéaire
* Régression logistique
* Random forest
* Gradient Boost
* KNN
* SVM
* Introduction à l'apprentissage non-supervisée : méthode K-means
- Enseignant: Leclerc Willy
- Enseignant: Ben Mejri Islem
- Enseignant: Bensemmane Ilyes
- Enseignant: Gasmi Abrar
- Enseignant: Haddad Hamza
- Enseignant: Haddad Hamza
Bases du langage Python 3
- Manipulation de variables
- Conditionnelles
- Boucles
- Fonctions
- Entrées/sorties
- Manipulation de fichiers
- Graphiques/courbes
- Numpy, scipy
- Enseignant: Haddad Hamza
- Enseignant: Leclerc Willy
- Enseignant: Sioud Riheb
Objectifs du module R5.01 - Mécanique (PN 2022) :
Énergétique :
• travail, énergie potentielle, énergie cinétique, puissance,
• théorème de l’énergie cinétique (sous ses deux formes : puissance et travail),
• théorème de l’énergie mécanique,
• notion de rendement (puissance des actions mécaniques intérieures).
Recommandation : un étudiant doit être capable d'établir et/ou de vérifier une note de calcul en dynamique pour
un problème à 1 ddl pour le tronc commun et plus complexe pour les parcours. L'étudiant doit être capable de
choisir la méthode pour y arriver (manuelle ou avec un logiciel adapté, du plus simple au plus complet)
- Enseignant: Guessasma Mohammed
- Enseignant: Descamps Mickael
- Enseignant: Descamps Mickael
