[{"command":"insert","method":null,"selector":".course-modal-ajax-placeholder-967882","data":"\u003Cdiv class=\u0022container content-rte\u0022\u003E\n  \u003Cdiv class=\u0022row\u0022\u003E\n    \u003Cdiv class=\u0022box col-md-6 bg-primary text-white\u0022\u003E\n      \u003Ch2 class=\u0022h1 text-left\u0022\u003E  Outils d\u0026#039;IA pour la m\u00e9canique\n\u003C\/h2\u003E\n                  \u003Cdiv class=\u0022field-spacing\u0022\u003E\n        \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EECTS :\n          3\n        \u003C\/div\u003E\n      \u003C\/div\u003E\n                  \u003Cdiv class=\u0022field-spacing\u0022\u003E\n        \u003Cdiv class=\u0022field__label h3 dash\u0022\u003ESemester:\n          Semestre 1\n        \u003C\/div\u003E\n      \u003C\/div\u003E\n            \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003ED\u00e9tail du volume horaire\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                          \u003Cspan class=\u0022field__label h4 mt-5 \u0022\u003ELecture:\u003C\/span\u003E\n                                      \u003Cspan\u003E9.5\u003C\/span\u003E\n                      \u003C\/div\u003E\n                                \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                          \u003Cspan class=\u0022field__label h4 mt-5 \u0022\u003EPractical study :\u003C\/span\u003E\n                                      \u003Cspan\u003E20.5\u003C\/span\u003E\n                      \u003C\/div\u003E\n                                                                          \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003ELangue d\u0026#039;enseignement\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003EFran\u00e7ais\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EEnseignement \u00e0 distance\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003Enon\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n      \u003C\/div\u003E\n    \u003Cdiv class=\u0022box col-md-6\u0022\u003E\n            \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EPr\u00e9requis\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003E\u003Cp\u003EConnaissances de base en math\u00e9matiques appliqu\u00e9es (alg\u00e8bre lin\u00e9aire, statistiques \u00e9l\u00e9mentaires, \u00e9quations diff\u00e9rentielles) et en programmation scientifique (Python ou \u00e9quivalent). Notions de m\u00e9canique des mat\u00e9riaux et des structures (\u00e9lasticit\u00e9, visco\u00e9lasticit\u00e9) permettant de comprendre les applications propos\u00e9es.\u003C\/p\u003E\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EProgramme \/ plan \/ contenus\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003E\u003Cp\u003E1. Introduction (2h)\u003Cbr\u003E\nIA, big data, machine learning : d\u00e9finitions et p\u00e9rim\u00e8tre\u003Cbr\u003E\nPlace du ML dans la d\u00e9marche scientifique (exp\u00e9rimental\/th\u00e9orique\/IA)\u003Cbr\u003E\n\u00c9l\u00e9ments historiques : \u00e9volution des mod\u00e8les et des donn\u00e9es en m\u00e9canique\u003Cbr\u003E\nBases de l\u2019apprentissage automatique : familles de mod\u00e8les, sur-apprentissage, ensembles d\u2019apprentissage\/validation\/test, cross-validation, optimisation\u003C\/p\u003E\n\u003Cp\u003E2. R\u00e9duction de dimensions et statistiques (4 h = 1h30 CM + 2h30 BE)\u003Cbr\u003E\nPCA et m\u00e9thodes lin\u00e9aires\u003Cbr\u003E\nM\u00e9thodes non-lin\u00e9aires (UMAP, t-SNE)\u003Cbr\u003E\nIntroduction aux tests statistiques (Student, entropie, Cohen Kappa)\u003Cbr\u003E\nBE : Datamining sur mesures exp\u00e9rimentales industrielles (cha\u00eene Bosch, lien M1-MIP-Industrie 4.0)\u003C\/p\u003E\n\u003Cp\u003E3. R\u00e9gression et classification (4 h = 1h30 CM + 2h30 BE)\u003Cbr\u003E\nR\u00e9seaux de neurones multicouches (MLP)\u003Cbr\u003E\nFonctions de co\u00fbt, backpropagation, activation\u003Cbr\u003E\nBE : identification d\u2019un mod\u00e8le \u00e9lasto-visco-plastique experimental\u003C\/p\u003E\n\u003Cp\u003E4. S\u00e9ries temporelles (4 h = 1h30 CM + 2h30 BE)\u003Cbr\u003E\nAnalyse de signaux temporels, RNN\/LSTM, m\u00e9canismes d\u0027attention\u003Cbr\u003E\nExemples en m\u00e9canique : acoustique de rupture, signaux vibratoires sur composites\u003Cbr\u003E\nBE : d\u00e9tection de signatures acoustiques\u003C\/p\u003E\n\u003Cp\u003E5. R\u00e9seaux convolutifs et g\u00e9n\u00e9ratifs (4 h = 1h30 CM + 2h30 BE)\u003Cbr\u003E\nCNN : convolution, pooling, architectures basiques (AlexNet, VGG, ResNet)\u003Cbr\u003E\nApplications en m\u00e9canique (tomographie, corr\u00e9lation d\u2019images)\u003Cbr\u003E\nAuto-encodeurs, U-Net, GAN\u003Cbr\u003E\nBE : segmentation automatique d\u2019images fractographiques d\u0027un essai de fatigue\u003C\/p\u003E\n\u003Cp\u003E6. Mod\u00e8les de langage (4 h = 1h30 CM + 2h30 BE)\u003Cbr\u003E\nIntroduction aux LLM (transformers, embeddings)\u003Cbr\u003E\nApplications potentielles en m\u00e9canique : classification automatique de bases de donn\u00e9es d\u2019essais, extraction d\u2019informations \u00e0 partir de rapports exp\u00e9rimentaux\u003Cbr\u003E\nBE : extraction et structuration d\u2019informations de comptes rendus exp\u00e9rimentaux via LLM - ou alors - lecture de courbes sigma\/epsilon et r\u00e9dacion d\u0027un court rapport automatique sur le type de courbe\u003C\/p\u003E\n\u003Cp\u003E7. Projet int\u00e9gratif (8h)\u003Cbr\u003E\n\u00c9tude d\u2019un ph\u00e9nom\u00e8ne d\u2019imbibition dans un mat\u00e9riau poreux\u003Cbr\u003E\nSegmentation (U-Net) des fronts sur images\u003Cbr\u003E\nExtraction de contours et profils de fronts\/ de vitesses\u003Cbr\u003E\nDiscussion sur la qualit\u00e9 des donn\u00e9es, les biais, les limites\u003C\/p\u003E\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EObjectifs d\u0026#039;apprentissage\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003E\u003Cp\u003ECet enseignement vise \u00e0 introduire les \u00e9tudiants de master en m\u00e9canique aux m\u00e9thodes d\u2019intelligence artificielle et de science des donn\u00e9es appliqu\u00e9es \u00e0 l\u2019ing\u00e9nierie.\u003C\/p\u003E\n\u003Cp\u003ELes objectifs sont :\u003Cbr\u003E\n- Acqu\u00e9rir les concepts fondamentaux de l\u2019intelligence artificielle, du machine learning et de la science des donn\u00e9es.\u003Cbr\u003E\n- Comprendre les grands types d\u2019algorithmes (r\u00e9gression, classification, r\u00e9duction de dimension, s\u00e9ries temporelles, r\u00e9seaux de neurones convolutifs et g\u00e9n\u00e9ratifs, mod\u00e8les de langage).\u003Cbr\u003E\n- Appliquer ces m\u00e9thodes \u00e0 des cas concrets issus de la m\u00e9canique des mat\u00e9riaux et des structures (analyse de signaux exp\u00e9rimentaux, identification de lois de comportement simple, segmentation d\u2019images).\u003Cbr\u003E\n- D\u00e9velopper un esprit critique vis-\u00e0-vis des donn\u00e9es, de la qualit\u00e9 des mod\u00e8les et de leur domaine de validit\u00e9.\u003Cbr\u003E\n- Ma\u00eetriser les outils de base de l\u2019\u00e9cosyst\u00e8me Python (NumPy, Pandas, scikit-learn, TensorFlow\/PyTorch).\u003Cbr\u003E\n- \u00catre capable de mener un mini-projet int\u00e9grant toutes les \u00e9tapes d\u2019une d\u00e9marche d\u2019apprentissage (constitution et nettoyage de donn\u00e9es, choix du mod\u00e8le, validation, restitution).\u003C\/p\u003E\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EOrganisation g\u00e9n\u00e9rale et modalit\u00e9s p\u00e9dagogiques\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003E\u003Cp\u003EL\u2019UE est structur\u00e9e en 3 parties compl\u00e9mentaires :\u003C\/p\u003E\n\u003Cp\u003ECours magistraux (9h30) : pr\u00e9sentation des concepts, avant l\u0027application sur un cas m\u00e9canique en BE.\u003C\/p\u003E\n\u003Cp\u003EBureaux d\u2019\u00e9tudes (12h30, d\u00e9tripl\u00e9s) : 4 s\u00e9ances guid\u00e9es en petits groupes, permettant l\u2019application directe des m\u00e9thodes vues en cours. Chaque BE repose sur un jeu de donn\u00e9es (industrielles ou acad\u00e9miques) et un notebook initial simple et se conclut par un notebook annot\u00e9.\u003C\/p\u003E\n\u003Cp\u003EProjet int\u00e9gratif (8h, d\u00e9tripl\u00e9, encadr\u00e9 \u00e0 1\/3) : travail en bin\u00f4me ou trin\u00f4me sur un cas r\u00e9el, avec restitution sous forme de rapport et code reproductible.\u003C\/p\u003E\n\u003Cp\u003ELa p\u00e9dagogie alterne apports th\u00e9oriques, mise en pratique imm\u00e9diate et travail collaboratif.\u0026nbsp;\u003Cbr\u003E\nLes BE couvrent successivement :\u003Cbr\u003E\n- R\u00e9duction de dimensions et statistiques (PCA, UMAP, tests d\u2019hypoth\u00e8se).\u003Cbr\u003E\n- R\u00e9gression et classification par MLP appliqu\u00e9s \u00e0 la m\u00e9canique des mat\u00e9riaux.\u003Cbr\u003E\n- Analyse de s\u00e9ries temporelles appliqu\u00e9e aux signaux acoustiques ou vibratoires.\u003Cbr\u003E\n- R\u00e9seaux convolutifs pour segmentation et analyse d\u2019images fractographiques.\u003C\/p\u003E\n\u003Cp\u003ELe projet final met en \u0153uvre un pipeline complet de traitement de donn\u00e9es (segmentation d\u2019images d\u2019imbibition, extraction de contours, mod\u00e9lisation cin\u00e9tique).\u003C\/p\u003E\n\u003Cp\u003EP\u00e9dagogie active : alternance entre apports th\u00e9oriques, d\u00e9monstrations pratiques et temps de projet.\u003C\/p\u003E\n\u003Cp\u003EEncadrement r\u00e9duit pour le projet.\u003C\/p\u003E\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n                \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EComp\u00e9tences\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003E\u003Cp\u003E- S\u00e9lectionner et mettre en \u0153uvre un algorithme de machine learning adapt\u00e9 \u00e0 un probl\u00e8me en m\u00e9canique.\u003Cbr\u003E\n- Analyser la qualit\u00e9 des donn\u00e9es et identifier les biais potentiels.\u003Cbr\u003E\n- \u00c9valuer les performances et les limites d\u2019un mod\u00e8le.\u003Cbr\u003E\n- D\u00e9velopper un esprit critique sur l\u2019usage de l\u2019IA en ing\u00e9nierie.\u003Cbr\u003E\n- Utiliser les principales librairies Python pour l\u2019analyse de donn\u00e9es et l\u2019apprentissage automatique.\u003C\/p\u003E\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EBibliographie\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003E\u003Cp\u003EG\u00e9ron, A. (2022). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow. \u0022 O\u0027Reilly Media, Inc.\u0022.\u003Cbr\u003E\nJin, H., Zhang, E., \u0026amp; Espinosa, H. D. (2023). Recent advances and applications of machine learning in experimental solid mechanics: A review. Applied Mechanics Reviews, 75(6), 061001.\u003Cbr\u003E\nHerrmann, L., \u0026amp; Kollmannsberger, S. (2024). Deep learning in computational mechanics: a review. Computational Mechanics, 74(2), 281-331.\u003C\/p\u003E\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003ENature de l\u0026#039;\u00e9valuation\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003EEvaluation Terminale\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n      \u003C\/div\u003E\n  \u003C\/div\u003E\n\u003C\/div\u003E\n","settings":null}]