Techniques d’Apprentissage Automatique (TAA)
Cours de Master 2 Intelligence Artificielle, Université Lyon 1, Département d'Informatique, 2026
Cours d’introduction aux Techniques d’Apprentissage Automatique (Machine Learning, ML). Ce module a pour objectif de vous donner les bases pour exploiter des données et en extraire des connaissances. L’UE est divisée en trois: une partie apprentissage “classique” (Machine Learning), une partie apprentissage “profond” (Deep Learning) et une partie sur le déploiement de modèles (MLOps).
Sur cette page
Descriptif de l’UE
L’UE est divisé en 3 grandes parties:
La première partie concerne les techniques “classiques” de Machine Learning (non-“profond”). Nous verrons les différents types de problèmes d’apprentissage et de données (supervisé ou non, classification, régression, propriétés des données), les méthodes et métriques d’évaluation des modèles (train/test, sampling, statistiques), et bien sûr plusieurs méthodes d’apprentissage (modèle linéaire, arbre de décision, Boosting)
La deuxième partie concerne le Deep Learning (apprentissage profond), la famille de modèles de ML la plus populaire aujourd’hui. Cette partie est d’abord constituée d’une introduction au deep, surtout à destination des étudiants de BioInfo. Ensuite, les étudiants du Master IA présenteront par groupes les contributions les plus importantes qui ont mené à l’état de connaissances actuel (jusqu’à l’IA Générative).
Enfin la troisième partie concerne le Machine Learning Operations (MLOps), un ensemble de pratiques qui visent à industrialiser, automatiser et fiabiliser le cycle de vie des modèles de machine learning.
Enseignants et contacts
- Louis Bagot, responsable UE et enseignant parties 1 et 2: louis.bagot@univ-lyon1.fr
- Thomas Guyet, enseignant intervenant partie 3: thomas.guyet@inria.fr
- Valentin Cuzin-Rambaud, assistant d’enseignement pour les TP: valentin.cuzin-rambaud@univ-lyon1.fr
Planning de l’UE
| Jour/Date | Heure | Type | Salle | Enseignant | Contenu |
|---|---|---|---|---|---|
| Lundi 21/09/26 | 9h45-13h | CM+TP | TBD | Louis | ML 1 - Introduction et rappels |
| Lundi 28/09/26 | 9h45-13h | CM+TP | TBD | Louis | ML 2 - Classification, Regularization, Ensemble Learning, XGboost |
| Lundi 19/10/26 | 9h45-13h | CM+TP | TBD | Louis | ML 3 - Imbalance, sampling, Feature selection |
| Lundi 26/10/26 | 9h45-13h | CM+TP(BioInfo) | TBD | Louis | DL 1 - Introduction (réseau de neurones, pourquoi, comment?) |
| Lundi 16/11/26 | 9h45-13h | CM+TP(BioInfo) | TBD | Louis | DL 2 - Optimization (backprop & descente de gradient) |
| Lundi 23/11/26 | 9h45-13h | CM+TP(BioInfo) | TBD | Louis | DL 3 - Generalization (régularisation, dropout, notion d’espace latent) |
| Lundi 07/12/26 | 9h45-13h | CM+TP | TBD | Thomas | MLOps 1 - amont: méthodes, apprentissage, etc. |
| Lundi 14/12/26 | 9h45-13h | CM+TP | TBD | Thomas | MLOps 2 - aval: déploiement, mise en production, Dash |
| Lundi 04/01/27 | 9h45-13h | Présentations | TBD | Louis | DL 4 - Présentations d’articles |
| Lundi 11/01/27 | 9h45-13h | Présentations | TBD | Louis | DL 5 - Présentations d’articles |
| Lundi 25/01/27 | 9h45-11h45 | EXAMEN | TBD | Durée : 2 heures |
Accès aux contenus (CM, TP)
- Partie 1 - Machine Learning: slides CM et TP sur mon Github - Machine Learning.
- Partie 2 - Deep Learning: slides CM et TPs sur mon Github - Deep Learning.
- Partie 3 - ML Ops: slides et TP de Thomas Guyet: https://gitlab.inria.fr/tguyet/mlops-course.
Modalités d’évaluation
L’évaluation se fait par une évaluation partielle (projet Deep pour les étudiants Master BioInfo, présentation d’article pour les étudiants Master IA) et un examen final écrit.
- évaluation partielle: 30%
- examen final: 70%
Peu importe le Master, vous devrez poser une question lors des présentations d’articles, qui comptera pour une petite partie de la note d’évaluation partielle.
Examen final
L’examen final sera composé de questions sur les 3 parties (ML classique, Deep, MLOps) avec une répartition 10+5+5 points. L’examen durera 2h en amphi.
Evaluation partielle: présentation d’articles (Master IA)
- liste des articles et instructions à ce lien: Paper list for presentation
- graphe de citations des papiers du Deep Learning: lien pdf