HELMo
Inscription

UE20 Programmation orientée gestion des données et IA

En pratique

  • Cette unité d'enseignement (UE) articule 1 activité d'apprentissage :
    • Programmation orientée gestion des données et IA
  • En 2025-2026, elle s'organise au deuxième quadrimestre et couvre 6 crédits (ECTS).
  • L'enseignement est principalement centralisé dans le campus : Département Informatique
  • Cette UE est remédiable d'une session à l'autre
  • Modalités d'enseignement
    • Auditoire
    • Groupe classe
    • Sous-groupe
    • en autonomie

Activité d’apprentissage

Les finalités de l'UE

Cette UE initie l’étudiant à la programmation orientée données dans une perspective d’intelligence artificielle. Elle vise à développer la capacité à collecter, structurer, traiter et exploiter des données pour produire des analyses ou alimenter des modèles intelligents. À travers une approche pratique, l’étudiant apprend à concevoir des scripts et applications centrés sur la donnée, en intégrant rigueur, esprit critique et responsabilité dans l’usage des technologies d’IA.

Les contenus de l'UE

Cette UE explore la programmation orientée gestion des données dans une perspective d’intelligence artificielle appliquée. Elle vise à doter l’étudiant des compétences nécessaires pour comprendre et manipuler la donnée à chaque étape de son cycle de vie, depuis sa collecte jusqu’à son exploitation dans des modèles prédictifs simples.

Les activités d’apprentissage s’articulent autour de deux grands axes complémentaires.
Le premier concerne la maîtrise des outils et des structures de données : l’étudiant consolide son usage du langage Python et découvre des bibliothèques spécialisées (Pandas, NumPy) pour la manipulation de tableaux, séries temporelles et ensembles de données volumineux. Il apprend à lire et écrire des données dans différents formats (CSV, JSON, SQL), à effectuer des transformations efficaces, à détecter les valeurs manquantes et à assurer la qualité et la cohérence des informations traitées.

Le second axe aborde la mise en valeur de la donnée : les étudiants apprennent à explorer, visualiser et interpréter leurs données à l’aide d’outils de représentation graphique et de statistiques descriptives. Ils sont initiés à la pensée analytique et à la construction d’indicateurs pertinents, préparant ainsi la donnée à des traitements d’apprentissage automatique.

Les activités combinent cours interactifs et laboratoires pratiques, où les étudiants expérimentent directement les notions vues, en manipulant des jeux de données réels ou semi-réels. Cette alternance vise à renforcer l’autonomie, la curiosité et la rigueur indispensables à tout travail d’analyse et de développement orienté IA.

Les acquis d'apprentissage visés par l'UE

Au terme de cette UE, l’étudiant·e devrait être capable de…

  • collecter, importer et organiser des données issues de sources variées (fichiers plats, bases de données, API) en utilisant des bibliothèques adaptées ;

  • analyser la structure, la qualité et la cohérence des données, en identifiant les valeurs manquantes, les incohérences ou les biais éventuels ;

  • transformer, nettoyer et enrichir des ensembles de données pour les rendre exploitables dans un contexte d’analyse ou d’apprentissage automatique ;

  • concevoir et automatiser des pipelines de traitement de données en Python, intégrant des étapes de filtrage, d’agrégation et de conversion de formats ;

  • visualiser et interpréter les données à l’aide d’outils graphiques et statistiques, en choisissant des représentations adaptées à la problématique étudiée ;

  • implémenter et évaluer de manière critique des modèles d’apprentissage supervisé simples (régression, classification), en comprenant leurs limites et leurs usages pertinents ;

  • documenter, commenter et présenter clairement ses scripts et résultats, en appliquant de bonnes pratiques de structuration, de reproductibilité et d’éthique dans la gestion de la donnée ;

  • collaborer efficacement dans des projets liés à la donnée, en intégrant les principes de rigueur, de partage et de responsabilité propres aux métiers de l’IA.

Les méthodes d'enseignement-apprentissage

L’UE progresse de la manipulation de données vers leur exploitation en IA. Les premières séances consolident Python et introduisent Pandas/NumPy pour nettoyer et transformer les données. Les activités suivantes portent sur l’analyse, la visualisation et l’interprétation. En fin de parcours, des ateliers ou projets permettent d’appliquer les acquis à des modèles supervisés simples. L’alternance cours-labos favorise la pratique et l’intégration progressive des compétences.

Engagement attendu de la part de l'étudiant.e

La réussite repose sur une pratique régulière et autonome. Il est essentiel de refaire les exercices, d’expérimenter au-delà des consignes et de documenter son code. La curiosité est clé : explorer la documentation, tester différentes approches et poser des questions. Les projets et ateliers demandent rigueur, persévérance et esprit d’équipe pour transformer la théorie en savoir-faire concret.

Examen oral

Cette épreuve présente des modalités similaires pour toutes les sessions. Elle est organisée durant la session. Il s'agit d'un examen. Cette épreuve est individuelle. Concrètement, l'épreuve repose sur une formulation orale. Elle se déroule à cours fermé, avec des documents autorisés, avec un support (à projeter). La correction de cette épreuve est assurée par validation d'un.e enseignant.e.

Règles de l’UE

Comment la note globale de l’UE est-elle déterminée ?

Explication de la pondération des différentes épreuves

Oral 50%

Ateliers 50 %

Quelles sont les informations administratives de cette UE ?