CPES3 Sciences des données, santé et société - 3ème Année

Fondamentaux de la programmation impérative et des structures de données, notion de modularité

Le cours donne les éléments nécessaires à aborder la programmation objet, le langage utilisé est java. Les bonnes pratiques de développement, la raison d'être de la programmation objet, l'utilisation d'un environnement de développement et l'autonomie sur machine (notamment via l'utilisation des API) sont mis en avant.
Les concepts suivants seront introduits;

Introduction à la syntaxe java ; Utilisation de classes standard, javadoc et API ; Environnement de développement, utilisation d'un IDE ; Premières notions de cycle de vie des logiciels, maintenabilité, encapsulation ; Maîtrise des notions de classe, d'objet, de méthode, de référence, d'interface ; Héritage

Principes de la programmation orientée objet, utilisation standard du langage java, notions d'environnements de développement

Cours magistraux et TP encadrés, mini projet partiellement encadré. Évaluation : partiel, mini projet et examen final

• Maîtrise du langage Python.
• Maîtrise des bases du langage SQL (création de schémas, remplissage simple d’une base de données, requêtes élémentaires). 
• Avoir suivi l’équivalent de l’UE d’apprentissage statistique.

• Introduction à la bioinformatique et aux concepts fondamentaux de biologie moléculaire.
• Réalisation de deux mini-projets encadrés, représentatifs des analyses de données en bioinformatique :
  • Projet 1 : Analyse de données biologiques à l’aide de méthodes d’intelligence artificielle (machine learning). Par exemple, prédiction de pathologie à partir de séquences génétiques.
  • Projet 2 : Initiation aux concepts et outils d’extraction d’informations à partir de textes (text mining et natural language processing). Par exemple, extraction de noms de gènes à partir d’articles scientifiques.

Cette unité d’enseignement introduit les principaux enjeux de la bioinformatique en lien avec l’intelligence artificielle et les sciences des données. Les étudiants mobiliseront leurs compétences en statistiques, programmation et, le cas échéant, en bases de données, à travers des projets concrets basés sur des données massives et hétérogènes issues de la biologie moléculaire.

L’enseignement combine :

• des cours magistraux présentant les spécificités des données bioinformatiques et les traitements algorithmiques associés ;
• des séances de TD/TP pour la mise en pratique immédiate des notions abordées ;
• des projets appliqués, réalisés pour moitié en encadrement et pour moitié en autonomie.

Avoir déjà utilisé Python (si possible la librairie pandas)

— Séance 1 : Introduction à la fairness, présentation de quelques éléments légaux, sensibilisation avec des exemples tels que les travaux de l’équipe FairSpeech de Stanford (https://fairspeech.stanford.edu) et enfin définition des principales métriques.

TD : calculer et manipuler ces métriques sur un cas jouet.

— Séance 2 : Etude des données, lecture et prise en main d’un ’vrai’ jeu de données qui servira d’exemple tout le long du cours (https://meps.ahrq.gov/mepsweb/). Nous verrons comment trouver des corrélations entre les attributs des instances et étudierons la recherche de biais par rapport aux attributs sensibles choisis (le genre ou l’origine).

La partie pratique consistera à s’approprier les outils et refaire la recherche de biais avec un autre attribut que celui vu dans la partie ’cours’. Il en sera de même pour les séances suivantes.

— Séance 3 : Audit de modèle, comment examiner un modèle, comprendre ces prédictions, l’interpréter.

— Séance 4 : Nous verrons les méthodes de pre-processing qui permettent de réduire les biais observés tel que le reweighing, ainsi que les méthodes de post-processing. Les avantages et inconvénients seront discutés.

— Séance 5 : Nous verrons les méthodes in-processing. La partie pratique consistera à implémenter une méthode in-processing.

— Séance 6 : Introduction à la notion de privacy, et d’exposition de la donnée par les modèles appris dessus.

— Séance 7 : Perspectives et ouverture avec le désapprentissage et les recherches en cours sur la possibilité de retirer l’influence d’une donnée sur le modèle appris.

Le projet sera divisé en deux parties.

Sur la 1ère partie les étudiants devront de façon individuelle analyser un dataset et appliquer les méthode de pré-processing vues en cours.

Sur la 2nde partie, les étudiants devront par binôme appliquer les méthodes vues en cours sur un cas d’usage concret (un modèle appris sur les données de la 1ère partie du projet).

La notion de fairness est intéressante et importante car elle permet de sensibiliser aux défauts et inconvénients de l’intelligence artificielle. Celle-ci a tendance à reproduire et amplifier les biais déjà présents dans les ensembles d’apprentissage. Cela est particulièrement vrai pour les données médicales où le biais de sélection des données est fort et l’impartialité indispensable.

Le module comporte 12 séances de 4h, 7 seront découpée en 2h de théorie et 2h de pratique, 4 autres étant principalement consacrées à l’encadrement de projet avec si besoin des rappels, précisions ou compléments théoriques, et la dernière séance sera consacrée aux soutenances finales.

Avoir assez de notions d'algorithmique pour dire si un algo est polynomial ou exponentiel. Être à l'aise avec le raisonnement (preuves par l'absurde, preuves parfois abstraites) et avoir un certain sens combinatoire.

Introduction rapide aux automates.
Machines de Turing déterministes. Variantes. Indécidabilité. Problème de l'arrêt. Réductions. Rice. Post.
Machines de Turing non-déterministes. NP. Certificats et vérifications. Réductions polynomiales. NPcomplétude. SAT. Cliques. Hamiltonien. 3Coloriages. SacADos. Algos d'approximation.
Ardu : Autres classes: Hiérarchies, L, NL, PSPACE.

Connaitre les limites théoriques de l'algorithmique et comprendre pourquoi et à quel point certains problèmes sont intrinsèquement difficiles.

Cours et TD. Évaluation par un partiel et un examen terminal écrit.

Concept de base en langage Java (Classes, Héritage, Interfaces),
Algorithmique et structures de données de base (séquences, arbres, graphes)

Le cours explore les fondements et les cadres majeurs de l’IA symbolique, en complément des approches numériques issues de l’IA connexionniste. Il débute par une introduction aux principes et à l’architecture du raisonnement explicite (représentation, raisonnement, explicabilité), avant d’aborder les algorithmes de recherche appliqués aux jeux à deux joueurs, tels que Minimax et Alpha-Beta. Le cours se poursuit avec l’apprentissage symbolique à travers le Version Space Learning, qui illustre la formation et la mise à jour d’hypothèses de manière explicite et interprétable. Une partie importante est consacrée à la résolution de problèmes par contraintes (CSP/SAT), en introduisant les principales techniques de modélisation, de propagation et de recherche heuristique. Le module traite ensuite des approches explicatives, notamment avec QuickXplain, pour la détection et l’analyse des conflits. Enfin, il s’ouvre sur la fouille de motifs symboliques, reliant ainsi la représentation logique et la découverte de connaissances structurées à partir des données.

Cette UE vise à compléter la vision contemporaine de l’IA, souvent centrée sur l’apprentissage numérique (approches connexionnistes), en introduisant les fondements et les pratiques de l’IA symbolique. Elle propose une approche complémentaire où la connaissance est représentée, structurée et exploitée de manière explicite, permettant de raisonner, d’expliquer et de justifier les décisions d’un système intelligent.

À l’issue du cours, les étudiants seront capables de :

• comprendre les principes fondamentaux de l’IA symbolique et sa complémentarité avec l’IA connexionniste 
• modéliser des connaissances et des problèmes de manière déclarative (représentation, contraintes, structures explorables)
• concevoir et mettre en oeuvre des algorithmes de recherche, de raisonnement et d’explicabilité
• utiliser des cadres de résolution symboliques (jeux, CSP/SAT, fouille de motifs, apprentissage)
• développer des agents intelligents capables de raisonner efficacement et d’expliquer leurs décisions.

L’UE combine théorie et pratique autour d’un fil conducteur : la conception d’un agent intelligent. Dès le début du semestre, les étudiants, organisés en équipes, travaillent sur un projet continu dont l’objectif est de développer un agent capable de raisonner et d’apprendre selon les principes de l’IA symbolique. Au fil du cours, ils implémentent et testent différentes méthodes vues en classe — recherche arborescente, apprentissage symbolique, résolution de contraintes, ou encore raisonnement explicatif — afin d’améliorer les performances et les capacités de décision de leur agent.

Le semestre se clôture par un tournoi où les agents conçus par les étudiants s’affrontent dans un cadre compétitif, permettant d’évaluer de manière concrète la qualité des stratégies mises en oeuvre. Cette approche favorise à la fois la compréhension conceptuelle, le travail collaboratif et la mise en pratique directe des techniques enseignées.

Listes des ateliers culturels proposés en UE libres.
Chaque atelier est par semestre. Il dure 25 heures pouvant inclure, selon l'atelier, un volume d'heure de travail personnel et donne droit à 2,5 crédits ECTS :

• Afreubo (orchestre harmonique),
• orchestre symphonique,
• musique assistée par ordinateur,
• théâtre Aztec,
• théâtre classique,
• théâtre d'impro TIPS,
• théâtre et éloquence (uniquement au 1er semestre),
• écriture créative,
• arts visuels et dessin,
• photo,
• ikebana,
• initiation à l'oenologie,
• game design (uniquement au 1er semestre).

LANGUE GÉNÉRALE. Cette UE s'adresse à tout étudiant désireux d'apprendre une autre langue que l'anglais. Le travail se fera par groupes de niveau (3 niveaux minimum, y compris Grands débutants) qui sera déterminé par un test préalable. On travaillera les 5 compétences (lire, écrire, écouter, parler et interagir) en prêtant une attention toute particulière à la compréhension de l'oral et l'expression orale en interaction. L'objectif est d'être autonome dans des situations de la vie quotidienne et/ou professionnelle. Les langues proposées sont l'allemand, le chinois, l'espagnol, l'italien et le russe.

Listes des ateliers culturels proposés en UE libres.
Chaque atelier est par semestre. Il dure 25 heures pouvant inclure, selon l'atelier, un volume d'heure de travail personnel et donne droit à 2,5 crédits ECTS :

• Afreubo (orchestre harmonique),
• orchestre symphonique,
• musique assistée par ordinateur,
• théâtre Aztec,
• théâtre classique,
• théâtre d'impro TIPS,
• théâtre et éloquence (uniquement au 1er semestre),
• écriture créative,
• arts visuels et dessin,
• photo,
• ikebana,
• initiation à l'oenologie,
• game design (uniquement au 1er semestre).

LANGUE GÉNÉRALE. Cette UE s'adresse à tout étudiant désireux d'apprendre une autre langue que l'anglais. Le travail se fera par groupes de niveau (3 niveaux minimum, y compris Grands débutants) qui sera déterminé par un test préalable. On travaillera les 5 compétences (lire, écrire, écouter, parler et interagir) en prêtant une attention toute particulière à la compréhension de l'oral et l'expression orale en interaction. L'objectif est d'être autonome dans des situations de la vie quotidienne et/ou professionnelle. Les langues proposées sont l'allemand, le chinois, l'espagnol, l'italien et le russe.