Formation
Introduction a lintelligence artificielle
Tous niveaux4 chapitres12 leçons
Enseignant : Institut Sabdarifa
DÉCOUVRIR LA FORMATION
Présentation du cours
Ce cours de 18 heures introduit les principes de l’intelligence artificielle et de l’apprentissage automatique à partir de problèmes géomatiques concrets. En quatre chapitres, les étudiants apprennent à cadrer une question, caractériser des données spatiales, choisir une méthode élémentaire, puis évaluer et interpréter ses résultats. Les activités portent sur des situations telles que la classification de l’occupation du sol ou l’analyse de données de mobilité. Une étude de cas courte mobilise les acquis et examine les risques de fuite spatiale, de biais, de confidentialité et de généralisation.
- Public cible
- Etudiants de master 1 en geomatique et technologies numeriques
- Prérequis
- Aucune connaissance préalable en intelligence artificielle ou en apprentissage automatique n’est requise. Les étudiants doivent maîtriser les notions de base en statistiques descriptives, savoir manipuler des données tabulaires et disposer de notions élémentaires en géomatique, notamment sur les couches spatiales, les systèmes de coordonnées et les données raster et vectorielles. Une pratique de base d’un environnement de programmation ou d’un logiciel d’analyse de données est utile, sans être un préalable absolu.
Ce que vous saurez faire
- L’étudiant classe correctement des cas d’usage géomatiques selon leur relation à l’IA, à l’apprentissage automatique et à l’apprentissage profond.
- L’étudiant formule une tâche d’apprentissage et précise la cible, les observations et le type de problème correspondant.
- L’étudiant produit un diagnostic documenté des données, de leur provenance, de leurs unités, de leur échelle et de leurs limites.
- L’étudiant sélectionne une famille de méthodes cohérente avec une tâche géomatique et expose les raisons de son choix.
- L’étudiant décrit un protocole de séparation et de validation qui tient compte des dépendances spatiales et temporelles.
- L’étudiant présente une analyse de résultats distinguant constats, hypothèses, incertitudes et implications opérationnelles.
Objectifs pédagogiques
- Distinguer intelligence artificielle, apprentissage automatique et apprentissage profond en s’appuyant sur des exemples géomatiques.
- Traduire une question géomatique en tâche d’apprentissage supervisé, non supervisé ou en problème ne relevant pas de l’apprentissage automatique.
- Examiner la structure, la provenance, les unités d’observation, les variables et les limites d’un jeu de données géospatiales.
- Choisir et justifier une méthode élémentaire de classification, de régression ou de regroupement en fonction de la question et des données.
- Concevoir une séparation des données et une évaluation adaptées, en prévenant les fuites spatiales ou temporelles.
- Interpréter les résultats d’un modèle en explicitant les erreurs, les incertitudes, les limites de généralisation et les risques liés à son usage.
Programme du cours
4 chapitres · 12 leçonsConcepts et cadrage des problèmes
3 leçons- 01De l’intelligence artificielle à l’apprentissage automatique
- 02Formuler une question géomatique en problème d’apprentissage
- 03Définir le périmètre et les hypothèses d’une étude
Données géospatiales et préparation
3 leçons- 04Lire et qualifier un jeu de données géospatiales
- 05Préparer les variables sans altérer leur sens
- 06Échantillonnage, représentativité et dépendances spatiales
Méthodes d’apprentissage
3 leçons- 07Classification supervisée pour les données géomatiques
- 08Régression et estimation de variables spatiales
- 09Regroupement non supervisé et exploration spatiale
Évaluation, limites et usages responsables
3 leçons- 10Séparer les données et valider sans fuite spatiale
- 11Mesurer les performances et analyser les erreurs
- 12Interpréter les résultats et encadrer leur usage