Page |1
Semestre 3
Volume horaire Volume Travail
Matières Mode d’évaluation
Coefficient
hebdomadaire Horaire Complémentair
Crédits
Unité
Semestriel e
d'enseignement (15 en Consultation Contrôle
Intitulé Cours TD TP Examen
semaines) (15 semaines) Continu
UE Réseauxsans fils et réseaux
6 3 3h00 1h30 67h30 82h30 40% 60%
Fondamentale mobiles
Code : UEF 2.1.1
Crédits : 10 Cryptographie et Sécurité
4 2 1h30 1h30 45h00 55h00 40% 60%
Coefficients : 5 Réseaux
UE Vidéo et Audio sur IP 4 2 1h30 1h30 45h00 55h00 40% 60%
Fondamentale
Code : UEF 2.1.2
Crédits : 8 Technologies du Web 4 2 1h30 1h30 45h00 55h00 40% 60%
Coefficients : 4
TP Réseauxsans fils et
2 1 1h30 22h30 27h30 100%
UE réseaux mobiles
Méthodologiqu TP Cryptographie et Sécurité
e 2 1 1h30 22h30 27h30 100%
Réseaux
Code : UEM 2.1 TP Technologies du Web et
Crédits : 9 2 1 1h30 22h30 27h30 100%
VoIP
Coefficients : 5
Intelligence artificielle 3 2 1h30 1h00 37h30 37h30 40% 60%
UE Découverte Panier au choix :
Code : UED2.1 Internet des objets (internet 1 1 1h30 22h30 02h30 100%
Crédits : 2 of things)
Coefficients : 2
Panier au choix :
1 1 1h30 22h30 02h30 100%
Réseaux de terrain
Page |2
Semestre : 3
Unité d’enseignement: UEM 2.1
Matière 4 :Intelligence Artificielle
VHS : 37h30 (Cours: 1h30, TP : 1h00)
Crédits : 3
Coefficient : 2
Objectifs de l’enseignement :
Maitriser l’utilisation des techniques de l’apprentissage automatique pour la classification et la
prédiction des données sur un réseau de télécommunications.
Connaissances préalables recommandées :
Théorie de l'optimisation,Traitement du signal et de l’image, Modèles statistiques, environnement de
développement (Python)
Contenu de la matière :
Chapitre 1 : Notions d'intelligence artificielle (IA) (2 semaines)
- Concept de l'IA : Imitation de l'intelligence humaine
- Constituants de l'intelligence
- Conception d'un Système IA, : Objectifs, Eléments du système, Apprentissage automatique
- Etapes de conception d'un système IA : Formulation du problème, Fractionnement du
problème, Apprentissage, Evaluation du système, Déploiement du système
- Approches d'apprentissage : non supervisé, supervisé, semi-supervisé, par transfert, par
renforcement
- Quelques applications de l'IA : Traitement du langage naturel, Systèmes experts, Reconnaissance
de formes, Robotique
Chapitre 2 : Apprentissage non supervisé (2 semaines)
- Introduction
- Taxonomie des algorithmes d'apprentissage non supervisé
- Algorithme k-Means
- Applications
Chapitre 3 : Apprentissage supervisé par régression (2 semaines)
- Introduction
- Régression linéaire
- Régression polynomiale
- Régression logistique
- Applications
Chapitre 4 : Apprentissage supervisé par les réseaux de neurones (3 semaines)
- Introduction
- Représentation neuronale : le Perceptron
- Architecture des réseaux de neurones (Perceptrons monocouches et multicouches)
- Critère d'optimisation du réseau de neurones multicouches
- Algorithme d’apprentissage du réseau de neurones multicouches
- Applications
Chapitre 5 : Apprentissage profond par les réseaux convolutifs (3 semaines)
- Introduction
- Réseau de neurones convolutifs (CNN) : Principe
Page |3
- Architectures des CNN : Convolution, Rectification, Normalisation par lot (Batch normalization),
Regroupement (Pooling), Aplatissement, réseaux de neurones multicouches (Fully connected
layers), Softmax.
- Critères d'optimisation : Perte d'entropie, critère des moindres carrées.
- Réglage des hyper paramètres
- Exemples d’architectures (VGG, ResNet, AlexNet, GoogleNet …)
Chapitre 6 : Apprentissage par renforcement (3 semaines)
- Introduction
- Principe de l'apprentissage par renforcement
- Algorithme Q-Learning
- Applications
TP Intelligence artificielle
TP1 : Compréhension et préparation des données : Familiarisation avec les librairies utilisées en
IA (Keras, tensorflow, sklearn, pytorch), préparation des données sous format utilisable pour
une application d’apprentissage.
TP2 : Apprentissage non supervisé : Algorithme K-Means pour la classification des données.
TP3 : Apprentissage supervisé par régression logistique : Conception d’un modèle de prédiction
de données, churn prediction, prédiction de la puissance du signal reçu, etc.
TP4 : Apprentissage supervisé par la classification neuronale artificielle (Modèle
perceptron multicouches) : Classification des signaux, classification des images,
classification des modulations numériques, Détection des signaux d’interférence radio,
etc.
TP5 : Apprentissage profond par les réseaux convolutifs: Application à la reconnaissance
d'objets, la détection du spectre pour l’identification des signaux LTE, la détection de
dépassement de couverture radio, etc.
TP 6 : Apprentissage par renforcement : Utilisation de l'algorithme Q-Learning pour l'allocation
des ressources sur le réseau de télécommunications.
Mode d’évaluation :
Contrôle continu : 100%
Références bibliographiques :
1. [Link], R. Bali, T. Sharma., Practical machine learning with python : A Problem-Solver’s Guide to
Building Real-World Intelligent Systems. [Link]
([Link])
2. Machine learning with python : tutorials point, Machine Learning with Python ([Link])
3. F. Chollet, 2018. Deep learning with python, Deep Learning with Python ([Link])
4. [Link]., A .J. Barto, 2018. Reinforcement learning : an introduction, Reinforcement Learning: An
Introduction, 2nd Edition - PDF Drive
5. F. Richard Yu, Y. He, 2019. Deep Reinforcement learning for wirless networks, Edition Springer.
6. F.L. Luo, 2020. Machine learning for future wireless communications, Edition Wiley.
