Elearn - Université de Pau et des Pays de l'Adour

Pour chacun d’entre nous, l’expérience du monde passe par le paysage, exprimant ainsi le rapport des hommes au monde habité. Ce cours cherche à donner quelques clés permettant de comprendre comment l’idée contemporaine de paysage s’appuie sur ces représentations sociales de la nature. Le paysage n’est alors pas la nature mais sa mutation en objet culturel. Un thème servira particulièrement de support à cette réflexion : la question contemporaine de la nature en ville sera revisitée au regard de l’histoire des jardins, comme forme d’expression d’un rapport à la nature.

Dans le cadre d’un projet de groupe, les étudiants s’appuieront sur le contexte palois pour observer comment ces formes de relations à la nature se traduisent et s’inscrivent spatialement dans un espace urbain.

Compétences :
A l’issu de cet enseignement, l’étudiant doit être capable de :

• Maîtriser le vocabulaire lié aux questions paysagères.
• Poser une réflexion personnelle sur les enjeux actuels du rapport de nos sociétés à la nature.
• Développer sa capacité d’observation sur un espace de proximité

Cours, exercices, corrigés et commentaires pour la LINGUISTIQUE ANGLAISE S4 - groupe de Mme Meinard (groupe A)

Louise Labé, Oeuvres

À travers des textes variés liés à des sujets d’actualités, ce cours travaille les connaissances et les compétences de traduction en thème. Il vise à aider les étudiants à élargir leur vocabulaire ainsi qu’à perfectionner leurs méthodes et techniques de traduction en thème anglais.

Fin du CM : les écritures du moi

Cours d'introduction au Machine Learning avec les acquis suivants attendus :

1 Connaissances générales

• Distinguer apprentissage supervisé, non supervisé et par renforcement
• Comprendre le pipeline ML : données → prétraitement → modèle → évaluation
• Identifier les risques de surapprentissage (overfitting) et comprendre la notion de biais/variance
• Connaître les principales métriques d’évaluation (accuracy, précision, rappel, F1, etc.)
• Avoir une vision des grandes familles de modèles (k-NN, régression logistique, arbres, clustering, réseaux de neurones, CNN,
  RL)

2 Compétences pratiques

• Manipuler un dataset simple avec pandas / sklearn
• Mettre en place un split train/test et une validation croisée
• Entraîner et comparer plusieurs modèles de classification (ex. k-NN, logistique, arbre)
• Lire et interpréter une matrice de confusion
• Utiliser un algorithme de clustering pour explorer des données sans étiquettes
• Comprendre le principe d’un agent en apprentissage par renforcement (actions, récompenses, politique)
• Utiliser Google Colab pour exécuter des notebooks ML 

3 Culture générale IA

• Connaître des exemples concrets d’application ML (santé, vision, traitement de texte, jeux, etc.)

• Avoir une vision critique : forces, limites et enjeux éthiques du ML