Machine Learning et Deep Learning

4ème annee - Data Science - S2

Author

Abdallah Khemais

Derniere mise a jour

03/04/2026

Présentation du Cours

Informations Générales

Détails du cours

Intitulé: Machine Learning et Deep Learning
Département: Génie Informatique
Niveau: 4ème année DS
Semestre: S2
Régime: Mixte
Volume Horaire Total: 42h
- Cours / TD: 21h
- TP / Projet: 21h

Prérequis

Mathématiques

Algèbre linéaire: vecteurs, matrices, opérations matricielles
Calcul différentiel et intégral: dérivées, gradients, intégrales
Probabilités et statistiques: distributions de probabilité, estimations de paramètres, tests d’hypothèses

Programmation

Python: structures de contrôle, fonctions, classes
Bibliothèques: NumPy, Pandas, Matplotlib

Objectifs d’Apprentissage

Au terme de ce cours, vous serez capable de:

Comprendre les concepts fondamentaux du Machine Learning
Identifier différents types de problèmes ML et leurs solutions
Appliquer des techniques de régression et classification
Maîtriser les méthodes d’évaluation et d’optimisation
Comprendre et implémenter des réseaux de neurones
Utiliser des techniques avancées (CNN, Transfer Learning, GAN)

Structure du Cours

Le cours est divisé en 3 parties principales:

Partie 1: Machine Learning Fondamental (S1-S10)

Introduction à l’IA et au ML
Apprentissage supervisé (classification et régression)
Apprentissage non supervisé (clustering)

Partie 2: Réseaux de Neurones & Deep Learning (S11-S20)

Réseaux de neurones artificiels
CNN et Transfer Learning
RNN et séries temporelles
IA générative et GAN

Partie 3: Projet & Évaluation (S21-S24)

Mini-projet en groupe
Présentations et évaluations

Évaluation

Type	Pourcentage	Détails
Mini-Projet	60%	Rapport (20%) + Code (20%) + Présentation (20%)
Devoir Surveillé	40%	Théorie (20%) + Pratique (20%)

Ressources

Ouvrages de référence

Géron, A. (2019) - Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition
Goodfellow, Bengio & Courville (2016) - Deep Learning, MIT Press
Chollet, F. (2021) - Deep Learning with Python, 2nd Edition

Outils

Langages: Python
Bibliothèques: Scikit-learn, TensorFlow, Keras, PyTorch (optionnel)
Environnement: Jupyter Notebook, Google Colab, VS Code

Contact

Enseignants: Dr. Fatma Sbiaa, Abdallah Khemais
Directeur du Département: Mr. Ramzi Mahmoudi
Directeur des Études: Pr. Moncef Bouzidi

Plateforme d’apprentissage

Tous les supports de cours sont disponibles sur Moodle/Teams

# Présentation du Cours {.unnumbered} ## Informations Générales ::: {.callout-note icon=false} ## Détails du cours - **Intitulé**: Machine Learning et Deep Learning - **Département**: Génie Informatique - **Niveau**: 4ème année DS - **Semestre**: S2 - **Régime**: Mixte - **Volume Horaire Total**: 42h - Cours / TD: 21h - TP / Projet: 21h ::: ## Prérequis ### Mathématiques - **Algèbre linéaire**: vecteurs, matrices, opérations matricielles - **Calcul différentiel et intégral**: dérivées, gradients, intégrales - **Probabilités et statistiques**: distributions de probabilité, estimations de paramètres, tests d'hypothèses ### Programmation - **Python**: structures de contrôle, fonctions, classes - **Bibliothèques**: NumPy, Pandas, Matplotlib ## Objectifs d'Apprentissage Au terme de ce cours, vous serez capable de: 1. Comprendre les concepts fondamentaux du Machine Learning 2. Identifier différents types de problèmes ML et leurs solutions 3. Appliquer des techniques de régression et classification 4. Maîtriser les méthodes d'évaluation et d'optimisation 5. Comprendre et implémenter des réseaux de neurones 6. Utiliser des techniques avancées (CNN, Transfer Learning, GAN) ## Structure du Cours Le cours est divisé en 3 parties principales: ### Partie 1: Machine Learning Fondamental (S1-S10) - Introduction à l'IA et au ML - Apprentissage supervisé (classification et régression) - Apprentissage non supervisé (clustering) ### Partie 2: Réseaux de Neurones & Deep Learning (S11-S20) - Réseaux de neurones artificiels - CNN et Transfer Learning - RNN et séries temporelles - IA générative et GAN ### Partie 3: Projet & Évaluation (S21-S24) - Mini-projet en groupe - Présentations et évaluations ## Évaluation | Type | Pourcentage | Détails | |------|-------------|---------| | **Mini-Projet** | 60% | Rapport (20%) + Code (20%) + Présentation (20%) | | **Devoir Surveillé** | 40% | Théorie (20%) + Pratique (20%) | ## Ressources ### Ouvrages de référence 1. **Géron, A. (2019)** - *Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow*, 2nd Edition 2. **Goodfellow, Bengio & Courville (2016)** - *Deep Learning*, MIT Press 3. **Chollet, F. (2021)** - *Deep Learning with Python*, 2nd Edition ### Outils - **Langages**: Python - **Bibliothèques**: Scikit-learn, TensorFlow, Keras, PyTorch (optionnel) - **Environnement**: Jupyter Notebook, Google Colab, VS Code ## Contact - **Enseignants**: Dr. Fatma Sbiaa, Abdallah Khemais - **Directeur du Département**: Mr. Ramzi Mahmoudi - **Directeur des Études**: Pr. Moncef Bouzidi ::: {.callout-tip} ## Plateforme d'apprentissage Tous les supports de cours sont disponibles sur Moodle/Teams :::