Ce module explore la puissance des techniques d'Apprentissage non supervisé en Python pour découvrir des modèles cachés dans les données. Les apprenants commenceront par les fondements des méthodes de clustering telles que Meanshift et progresseront vers des modèles plus sophistiqués tels que la propagation d'affinités et les modèles de mélange gaussien. Le module met l'accent sur l'évaluation des indicateurs de qualité du clustering et sur l'application de ces techniques dans des scénarios de programmation pratiques. A la fin de ce module, les apprenants seront capables d'analyser, d'implémenter et d'évaluer des algorithmes de clustering pour des applications réelles dans des domaines tels que la segmentation de la clientèle, le traitement d'images et la reconnaissance des formes.

Ce module présente aux apprenants les principes fondamentaux de l'apprentissage supervisé en Python et explore l'intégration de la programmation logique pour la résolution de problèmes d'IA. La première partie se concentre sur les méthodes de classification populaires telles que la Régression logistique, la Classification naïve bayésienne et les Machines à vecteurs de support (SVM), ainsi que sur des outils pratiques tels que la matrice de confusion pour évaluer le support prédictif. La deuxième partie passe à l'IA symbolique par le biais de la programmation logique, couvrant des applications telles que le raisonnement par arbre généalogique, la résolution d'énigmes, la recherche heuristique, les techniques de recherche locale et les problèmes de satisfaction de contraintes (CSP). À la fin de ce module, les apprenants seront en mesure d'appliquer des algorithmes de classification, d'interpréter les mesures de performance et de construire des solutions basées sur la logique pour relever les défis de l'IA dans le monde réel.

Ce module fournit une base pratique du Traitement du langage naturel (NLP) en utilisant Python et NLTK. Les apprenants exploreront le pipeline NLP complet, de la tokenisation et du prétraitement de texte au stemming, à la lemmatisation et à la segmentation. Le module présente en outre des tâches avancées telles que l'extraction d'informations, le chunking, le découpage et la reconnaissance d'entités nommées (NER). Enfin, les apprenants étudieront les techniques d'analyse syntaxique en utilisant la grammaire sans contexte (CFG), l'analyse syntaxique par descente récursive, et l'analyse syntaxique par réduction des décalages pour analyser la structure des phrases. À la fin de ce module, les apprenants seront capables d'appliquer les techniques NLP en Python pour l'analyse de texte, l'extraction d'informations et l'analyse grammaticale du langage naturel.