🐍 Python & Intelligence Artificielle

Cours, Travaux DirigĂ©s et Examens — du zĂ©ro au machine learning

« Python, c'est le couteau suisse du dĂ©veloppeur : ça coupe, ça visse, ça fait du machine learning, et ça peut mĂȘme faire du cafĂ© si vous Ă©crivez le bon script. » — Quelqu'un sur Internet, probablement

📚 Organisation

Ce cours couvre les fondamentaux de Python et leur application à l'intelligence artificielle. Il s'adresse à des étudiant·e·s en école d'ingénieur·e·s ou en licence scientifique, sans prérequis en programmation (si ce n'est savoir allumer un ordinateur et faire preuve de patience).

Cours 1 — Introduction

Variables, conditions, fonctions, récursivité, ordre supérieur. Le socle.
Cours

Cours 2 — Listes & Boucles

Listes 1D, for/while, compréhensions, polynÎmes, vecteurs, fréquences.
Cours

Cours 3 — Tableaux 2D, Textes, CSV

Matrices, images, chaĂźnes, cryptographie (CĂ©sar, XOR, substitution), CSV pur Python.
Cours

Cours 4 — Dictionnaires & Ensembles

Tables de hachage, comptage, one-hot, mémoïsation, Bag of Words, Jaccard.
Cours

Cours 5 — GĂ©nie Python

map/filter/reduce, zip, générateurs, *args, décorateurs, itertools.
Cours

TD 1 — RĂ©gression

Régression linéaire (OLS, gradient), polynomiale (Vandermonde), corrélation de Pearson, puis NumPy/Matplotlib.
TD

TD 2 — Classification & Clustering

k-NN (3 distances, frontiĂšre), k-means (inertie, coude), scikit-learn, visualisation.
TD

TD 3 — Perceptron & MLP

Perceptron, sigmoïde, MLP from scratch, rétropropagation, XOR, application digits.
TD

📝 Sujet d'examen

Sujet A — questions de cours, code, analyse, problùme + bonus humoristique.
Examen

✅ CorrigĂ© d'examen

Corrigé détaillé du sujet A avec barÚme indicatif et commentaires de correction.
Corrigé
Petite chronologie culturelle :

🚀 Parcours recommandĂ©

  1. Cours 1 → 2 → 3 → 4 → 5 : suivez l'ordre des cours pour construire les bases
  2. TD 1 aprĂšs le Cours 2 (listes, maths de base)
  3. TD 2 aprĂšs le Cours 4 (dictionnaires, distances, ensembles)
  4. TD 3 aprÚs le Cours 5 (fonctions, générateurs, outils avancés)
  5. Examen : pour vous tester sur les Cours 1 Ă  4
Note importante : Les parties I Ă  III de chaque TD utilisent zero bibliothĂšque externe. NumPy, Matplotlib et scikit-learn apparaissent uniquement dans les parties IV-V, aprĂšs avoir tout construit Ă  la main. Parce que le vrai pouvoir, c'est de comprendre ce qui se cache sous le capot.

🧰 PrĂ©requis techniques

« L'apprentissage automatique, c'est comme faire du vélo : au début on tombe, ensuite on maßtrise, et un jour on se rend compte qu'on peut faire des wheelies avec une régression logistique. »
— Personne n'a jamais dit ça, mais c'est beau.
Navigation : Chaque page de cours et de TD contient un lien ← Index en pied de page pour revenir ici. Utilisez-le, votre touche "PrĂ©cĂ©dent" vous remerciera.
© 2026 — laurent.thiry@uha.fr