S4

A l'issue de ce module d'enseignement, l'étudiant(e) sera capable de :

• AA1 :  Comprendre l’architecture Laravel et le modèle MVC

• Expliquer le rôle de Laravel dans le développement web moderne

• Comprendre le fonctionnement du modèle MVC (Model–View–Controller)

• Identifier le cycle de vie d’une requête HTTP dans Laravel

• Expliquer la différence entre applications web traditionnelles et API RESTful

• AA2 : Maîtriser le routage et les contrôleurs

• Créer et gérer des routes web et API (GET, POST, PUT, DELETE)

• Utiliser les paramètres de routes et la validation des requêtes

• Développer des contrôleurs RESTful pour organiser la logique métier

• Gérer les réponses HTTP et les redirections

• AA3 : Développer des vues dynamiques avec Blade

• Utiliser le moteur de templates Blade pour générer des vues dynamiques

• Organiser les layouts, sections et composants réutilisables

• Afficher et sécuriser les données dans les vues

• Intégrer des formulaires et gérer les messages de validation

• AA4 : Manipuler les données avec Eloquent ORM

• Créer et gérer des modèles Eloquent pour interagir avec la base de données

• Définir et exploiter les relations entre modèles (1–1, 1–N, N–N)

• Réaliser des opérations CRUD avec Eloquent

• Utiliser les migration sur gérer la base de données

• AA5: Appliquer les bonnes pratiques de sécurité et d’authentification

• AA6 : Concevoir et déployer une application Laravel complète

A l'issue de ce module d'enseignement, l'étudiant(e) sera capable de :

• AA1 – Comprendre le positionnement du ML et du DL dans l'IA : Distinguer clairement l'Intelligence Artificielle, le Machine Learning et le Deep Learning. Différencier l'approche explicative (Fouille de données) de l'approche prédictive (Machine Learning) et identifier le paradigme d'apprentissage adapté à un problème donné (Supervisé vs Non-supervisé).

• AA2 – Maîtriser l'ingénierie des données pour la prédiction (Feature Engineering) : Transformer des données brutes en vecteurs exploitables par les algorithmes : appliquer les techniques d'encodage (One-Hot), de normalisation (Scaling) et gérer stratégiquement la séparation des données (Train/Validation/Test) pour éviter la fuite de données (Data Leakage).

• AA3 – Mettre en œuvre des algorithmes d’apprentissage supervisé classiques : Choisir, implémenter et paramétrer les algorithmes de Régression (Linéaire, Logistique) et de Classification (KNN, SVM, Arbres de décision) en utilisant des bibliothèques standards (ex: Scikit-Learn).

• AA4 – Évaluer et diagnostiquer la performance des modèles : Dépasser la simple précision (Accuracy) pour interpréter des métriques avancées (F1-Score, ROC-AUC, RMSE). Diagnostiquer les problèmes de sous-apprentissage (Underfitting) et de surapprentissage (Overfitting) et appliquer des solutions correctives (Régularisation, Validation Croisée).

• AA5 – Comprendre et initier des modèles de Deep Learning : Expliquer l'architecture et le fonctionnement d'un réseau de neurones artificiel (Perceptron Multicouches - MLP, Fonctions d'activation, Rétropropagation) et entraîner un premier modèle de Deep Learning simple pour une tâche de classification.

A l'issue de ce module d'enseignement, l'étudiant(e) sera capable de :

• AA1 : Comprendre la notion de big data

• AA2: Installer Hadoop 

• AA1 : Comprendre la notion de programmation distribuée et le système de fichier HDFS

• AA3 : programmer map-reduce avec python et exécution en local et sur un cluster de machine virtuelles sous Hadoop

• AA4: programmation sqlLike sous HIVE

• AA5: manipulation des “resilient distributed dats” (RDD) avec Spark