Les Éléments d'Intelligence Artificielle Appliquée (EIAA) constituent un domaine fondamental qui repose sur les concepts et les techniques de l'intelligence artificielle mis en œuvre dans des contextes concrets et opérationnels. Ce domaine est largement utilisé dans de nombreux secteurs tels que les applications militaires, industrielles, le transport, et bien d'autres, offrant des solutions intelligentes et autonomes capables d'analyser, d'apprendre et de prendre des décisions à partir des données du monde réel.   

Ce cours intitulé « Éléments d'Intelligence Artificielle Appliquée » vous permettra de vous familiariser avec les outils et les concepts nécessaires pour maîtriser les techniques modernes de l'intelligence artificielle et leur mise en œuvre dans des applications réelles. Il s'appuie sur les nouvelles approches technologiques basées sur l'apprentissage automatique, les réseaux de neurones et les systèmes intelligents, afin de vous doter des compétences indispensables pour concevoir et déployer des solutions d'IA adaptées aux besoins concrets des différents domaines d'application.

Le cours est structuré en un ensemble d'unités d'apprentissage qui vous permettront d'acquérir des compétences en matière d'utilisation des techniques et des outils de l'intelligence artificielle appliquée dans des domaines liés à votre discipline, tels que la conception de systèmes de classification et de reconnaissance de formes, l'optimisation intelligente des systèmes de commande étudiés en 3ème année, ainsi que le traitement intelligent des signaux et des données abordé au 1er semestre.

 Pré-requis

Pour pouvoir tirer le maximum de ce cours il faut connaître :

•  les notions de base en mathématiques

•  les bases de la programmation en Python     

Compétences visées 

Les bases de l’algorithmiqueLes compétences visées en EIAA sont variées et essentielles pour concevoir des solutions intelligentes. L'étudiant doit être capable de :

1.  Comprendre les fondements de l'Intelligence Artificielle et ses domaines d'application.

2- Maîtriser les bases mathématiques (algèbre linéaire, probabilités, statistiques) nécessaires aux algorithmes d'IA.

3- Connaître et appliquer les algorithmes de Machine Learning (supervisé, non supervisé, par renforcement).

4- Implémenter des modèles de classification supervisée (SVM, arbres de décision) avec Python.

5- Evaluer les performances des modèles à l'aide de la matrice de confusion, précision, rappel et F1-score.

6- Utiliser les bibliothèques Python : NumPy, Pandas, Matplotlib, Scikit-learn.

Équipe pédagogique

Dr. Nahed ZEMOURI,

Biographie

Enseignante-chercheuse à l'Université Mouloud Mammeri de Tizi Ouzou (UMMTO). j'ai obtenu 'un diplôme d'Ingénieur d'État en Électronique, obtenu à l'Université Mohamed Boudiaf de M'Sila (2009). J'ai ensuite obtenu un Magister en Communications Avancées à l'Université de Bordj Bou Arréridj (2015), avant de soutenir un Doctorat en Sciences à l'Université de M'Sila (2020).

Au début de ma carrière, j'ai exercé pendant six ans en tant qu'Ingénieure de laboratoire à l'Université de M'Sila, où j'ai acquis une solide expérience dans les activités pédagogiques, les travaux pratiques et le soutien à la recherche scientifique.

J'enseigne principalement l'intelligence artificielle, la programmation Python, l'apprentissage automatique (Machine Learning), le deep learning, le traitement des données et les systèmes intelligents.

Mes travaux de recherche portent principalement sur la prédiction des signaux énergétiques à l'aide des techniques d'intelligence artificielle, avec un intérêt particulier pour la prévision de la production d'énergie solaire photovoltaïque, les réseaux de neurones profonds, les modèles hybrides de prévision, l'analyse des données météorologiques et les applications de l'intelligence artificielle aux systèmes énergétiques.