Ce module propose une introduction à l'intelligence artificielle (IA). Il ne nécessite aucune connaissance préalable de l'IA et convient pour informer les responsables managériaux et non techniques afin d'améliorer les connaissances, les attentes et la communication pour les projets d'IA.

Ce module couvre les fondements statistiques de l'apprentissage automatique et les métriques courantes pour évaluer les performances de l'apprentissage automatique et de l'intelligence artificielle.

Ce module présente les algorithmes les plus courants utilisés en IA et en apprentissage automatique, notamment les machines à vecteurs de support, la Classification naïve bayésienne, les arbres décisionnels, la forêt aléatoire et les réseaux neuronaux. Nous discuterons des forces et des faiblesses de ces algorithmes pour différentes classes de problèmes.

Ce module explore les types de données (nominales, ordinales, catégorielles) et les défis de l'étiquetage des données, y compris les limites cognitives humaines et les questions de référence. L'accent est mis sur l'accord inter-annotateurs, une méthode permettant de mesurer la cohérence de l'étiquetage et de mettre en évidence les biais et les inefficacités des processus humains et mécaniques. L'étiquetage cohérent, souvent plus impactant que les algorithmes avancés, est crucial pour une IA responsable.

Ce module présente les considérations les plus courantes en matière de ressources dans l'IA, en particulier la mémoire, les compromis de calcul, l'expressivité des requêtes et la performance des algorithmes.