PRÉLIMINAIRES

I. Épistémologie et Enjeux Scientifiques du Domaine

L’avènement de la science des données a provoqué une rupture épistémologique majeure, déplaçant le centre de gravité des mathématiques pures vers les mathématiques computationnelles. Ce basculement consacre l’algorithme comme l’instrument principal de la découverte scientifique et de la décision économique. L’enjeu n’est plus seulement de prouver l’existence d’une solution, mais de construire une méthode numérique capable de la calculer efficacement à grande échelle. Cette Unité d’Enseignement s’inscrit dans cette révolution, en armant l’étudiant d’une double compétence : la rigueur de la modélisation mathématique et la puissance de l’implémentation logicielle.

II. Cartographie des Compétences et Transversalité

Les trois compétences visées — résolution numérique, optimisation heuristique et traitement de données non structurées — forment un triptyque indissociable, au cœur du métier de Data Scientist Senior. La première compétence fournit le “comment” résoudre, la seconde le “comment” optimiser, et la troisième le “quoi” analyser. Cette transversalité est fondamentale : un modèle d’IA performant est le produit d’une équation bien posée, d’une fonction de perte intelligemment minimisée et d’une donnée brute correctement mathématisée. Ces savoirs irriguent ainsi la finance quantitative, l’épidémiologie computationnelle ou encore la linguistique de corpus.

III. Alignement Stratégique avec les Réalités Opérationnelles

Face à l’explosion des données mobiles et satellitaires en Afrique, la maîtrise de ces techniques constitue un avantage compétitif décisif. Les métiers ciblés exigent des profils capables de transformer un problème opérationnel — optimiser une chaîne logistique à Kinshasa, prédire des zones de récolte par imagerie en Ituri, analyser des sentiments sur les réseaux sociaux — en un problème mathématique soluble par Python. Cette UE garantit cet alignement en focalisant l’apprentissage sur des cas d’usage concrets, assurant une employabilité immédiate et une capacité à générer de la valeur économique locale.

Chapitre I. Fondations de la Programmation Scientifique sous Python

I.1 Formalisme Mathématique et Environnement de Développement

Au cœur de la science des données moderne, la capacité à traduire un problème formel en code exécutable est la compétence primordiale. Ce segment établit les fondations en configurant un environnement de développement Python robuste via Anaconda et VS Code, adapté aux contraintes de connectivité intermittente. Il révise le formalisme essentiel de l’algèbre linéaire (vecteurs, matrices, tenseurs) et du calcul différentiel, non comme des abstractions, mais comme les objets natifs manipulés par les bibliothèques scientifiques. La rigueur de la notation mathématique devient le plan directeur de la programmation.

I.2 Manipulation de Tenseurs avec NumPy

Bibliothèque fondamentale de l’écosystème scientifique Python, NumPy fournit l’objet central : le ndarray. Ce sous-chapitre se concentre sur sa maîtrise absolue, de la création de tableaux multidimensionnels à l’indexation avancée et au “broadcasting”, mécanisme puissant pour effectuer des opérations sur des tableaux de formes différentes sans créer de copies inutiles. L’accent est mis sur la performance et l’efficacité mémoire, en démontrant comment des opérations vectorisées remplacent avantageusement des boucles Python lentes, un principe vital pour le traitement de larges volumes de données.

I.3 Limites de la Précision Numérique et Stabilité Algorithmique

Sous l’angle de la fiabilité, l’arithmétique des ordinateurs à virgule flottante introduit des erreurs d’arrondi inévitables qui peuvent s’amplifier de manière catastrophique. Cette section analyse de manière critique les notions de conditionnement d’un problème et de stabilité d’un algorithme, illustrant comment des méthodes mathématiquement équivalentes peuvent produire des résultats radicalement différents en pratique. L’étude de cas portera sur la résolution d’un système d’équations linéaires mal conditionné, démontrant les pièges de l’inversion de matrice naïve et l’importance de choisir des algorithmes numériquement stables.

I.4 Application : Modélisation d’une Propagation Épidémique Simple (SIR)

Face aux défis de santé publique en RDC, la modélisation épidémiologique offre un outil d’aide à la décision puissant. Ce module pratique consiste à implémenter en Python, avec NumPy, un modèle compartimental simple de type Susceptible-Infecté-Rétabli (SIR). Les étudiants traduiront le système d’équations différentielles ordinaires qui régit la dynamique de l’infection en un script de simulation numérique. L’objectif est de visualiser l’impact de la variation du taux de transmission sur la courbe épidémique, une compétence directement applicable à l’analyse de scénarios pour les autorités sanitaires.

Chapitre II. Résolution Numérique d’Équations Multidimensionnelles

II.1 Systèmes d’Équations Linéaires et Non Linéaires

La majorité des problèmes de modélisation physique, économique ou biologique se ramènent à la résolution de systèmes d’équations. Ce sous-chapitre explore les méthodes pivot pour résoudre Ax = b, des approches directes (décomposition LU) aux méthodes itératives (Jacobi, Gauss-Seidel) plus adaptées aux matrices creuses de grande taille. Il étend ensuite l’analyse aux systèmes non linéaires, en introduisant la méthode de Newton-Raphson multidimensionnelle, qui linéarise localement le problème pour converger vers une solution. La distinction entre ces approches est cruciale pour l’efficacité computationnelle.

II.2 Intégration Numérique et Équations Différentielles avec SciPy

SciPy, construite sur NumPy, offre un arsenal de solveurs de haut niveau pour les problèmes scientifiques courants. Cette section se concentre sur le sous-module scipy.integrate, en particulier solve_ivp, pour résoudre numériquement des systèmes d’équations différentielles ordinaires (EDO) avec conditions initiales. L’étudiant apprendra à formuler un problème dynamique sous la forme canonique dy/dt = f(t, y) et à choisir une méthode d’intégration appropriée (e.g., Runge-Kutta) en fonction de la rigidité (“stiffness”) du système, un concept clé pour garantir la stabilité et la précision de la simulation.

II.3 Problèmes de Convergence et Choix du Pas de Temps

La convergence d’un solveur numérique n’est jamais garantie, particulièrement pour les systèmes non linéaires ou chaotiques. Cette analyse critique se penche sur les conditions de convergence des méthodes itératives et les facteurs qui influencent la vitesse de convergence. Pour les équations différentielles, le choix du pas d’intégration est un arbitrage fondamental entre précision et temps de calcul. Un pas trop grand peut rendre la simulation instable, tandis qu’un pas trop petit la rend prohibitivement lente. Des stratégies de pas adaptatif sont présentées comme une solution pragmatique.

II.4 Application : Simulation du Réseau Électrique de Goma sous Contrainte

Le réseau électrique de Goma, souvent sujet à des fluctuations, peut être modélisé comme un système d’équations différentielles-algébriques (EDA). Dans cette mise en situation, les étudiants utiliseront SciPy pour simuler la réponse dynamique du réseau à une perte soudaine de production (déconnexion d’une centrale). L’objectif est d’identifier les risques de cascade de défaillances et de tester l’efficacité de stratégies de délestage. Ce cas pratique démontre la valeur de la simulation numérique pour la planification et la sécurisation des infrastructures critiques en contexte africain.

Chapitre III. Fondements de l’Optimisation et Fonctions de Perte

III.1 Philosophie de l’Optimisation et Formalisation du Problème

L’optimisation est la science de la meilleure décision. Elle consiste à trouver les valeurs des variables qui minimisent ou maximisent une fonction objectif, potentiellement sous un ensemble de contraintes. Ce segment pose le cadre conceptuel en distinguant l’optimisation convexe, où un minimum local est aussi global, de l’optimisation non-convexe, bien plus complexe et fréquente en IA. La compétence clé développée ici est la capacité à traduire un problème métier en ce formalisme mathématique : définir la fonction de perte (ce que l’on veut minimiser) et les contraintes (les règles à respecter).

III.2 Mécanismes de la Descente de Gradient

Véritable moteur de l’apprentissage machine, la descente de gradient et ses variantes (stochastique, par mini-lots) constituent l’arsenal algorithmique pour minimiser une fonction de perte différentiable. Ce sous-chapitre décompose la mécanique mathématique de l’ajustement itératif des paramètres d’un modèle, en s’appuyant sur la bibliothèque Python autograd pour visualiser le calcul des dérivées partielles. La maîtrise de ces outils permet de traduire un problème d’optimisation théorique en un script fonctionnel, capable de converger vers un minimum local, pierre angulaire de l’entraînement des réseaux de neurones.

III.3 Le Piège des Minima Locaux et des Plateaux

La topologie des fonctions de perte en grande dimension est un paysage complexe, parsemé de minima locaux, de points-selles et de vastes plateaux où le gradient est quasi nul. La descente de gradient naïve y est souvent piégée, stoppant sa progression bien avant d’atteindre une solution satisfaisante. Cette section analyse de manière critique ces phénomènes de blocage et explique pourquoi ils constituent le principal obstacle à l’entraînement des modèles profonds. Comprendre cette géométrie de l’erreur est essentiel pour diagnostiquer un apprentissage qui stagne et choisir des stratégies pour s’en échapper.

III.4 Application : Optimisation du Prix pour un Service de Moto-Taxi

Pour maximiser les revenus d’un service de moto-taxi à Kinshasa, il faut trouver le prix optimal qui équilibre l’attractivité pour les clients et la rentabilité. Les étudiants modéliseront ce problème en définissant une fonction de revenu (objectif) dépendant du prix, et utiliseront une méthode de descente de gradient pour trouver le prix maximisant ce revenu. Ce cas pratique simple mais puissant illustre comment un outil d’optimisation mathématique peut être directement appliqué pour résoudre un problème commercial concret, en tenant compte de l’élasticité de la demande locale.

Chapitre IV. Heuristiques d’Optimisation Complexes

IV.1 Au-delà du Gradient : Optimiseurs Adaptatifs

Face aux limites de la descente de gradient stochastique, une famille d’optimiseurs adaptatifs a été développée pour accélérer la convergence et surmonter les topographies complexes des fonctions de perte. Ce sous-chapitre introduit les concepts de momentum, qui ajoute une inertie pour traverser les plateaux, et de taux d’apprentissage adaptatif par paramètre, au cœur d’algorithmes comme Adagrad, RMSprop et Adam. L’étudiant apprendra à choisir et à paramétrer ces optimiseurs, qui sont devenus le standard de facto pour l’entraînement de la plupart des modèles d’apprentissage profond.

IV.2 Introduction aux Métaheuristiques : Recuit Simulé et Algorithmes Génétiques

Lorsque la fonction objectif n’est pas différentiable ou est fortement multimodale, les méthodes basées sur le gradient échouent. Les métaheuristiques offrent une alternative puissante, inspirée de processus physiques ou biologiques. Cette section présente le recuit simulé, qui explore l’espace des solutions en acceptant parfois de “mauvaises” solutions pour échapper aux minima locaux, et les algorithmes génétiques, qui font évoluer une population de solutions par sélection, croisement et mutation. L’implémentation de ces algorithmes en Python pur forge une compréhension profonde de leur mécanique.

IV.3 Le Compromis Exploration-Exploitation

Toute stratégie d’optimisation avancée est gouvernée par un dilemme fondamental : faut-il exploiter la meilleure solution trouvée jusqu’à présent ou explorer d’autres régions de l’espace de recherche potentiellement plus prometteuses ? Cette section analyse de manière critique comment différentes métaheuristiques gèrent cet arbitrage. Un algorithme trop “gourmand” (exploitation) restera piégé localement, tandis qu’un algorithme trop exploratoire convergera lentement. La maîtrise du paramétrage de ces algorithmes revient à piloter finement ce compromis en fonction de la nature du problème à résoudre.

IV.4 Application : Planification de Tournées pour la Distribution de Médicaments

Optimiser les tournées de livraison de médicaments dans des zones rurales mal desservies est un problème du voyageur de commerce (TSP), un classique de l’optimisation combinatoire. Face à la complexité NP-difficile du problème, les étudiants implémenteront un algorithme de recuit simulé pour trouver une solution quasi-optimale. L’objectif est de minimiser la distance totale parcourue tout en respectant les contraintes de temps et de capacité des véhicules. Ce projet démontre l’utilité des métaheuristiques pour des problèmes logistiques critiques en Afrique, où les infrastructures routières sont un défi.

Chapitre V. Conversion Mathématique des Données Non Numériques

V.1 Le Paradigme de la Vectorisation : Du Mot à l’Espace Vectoriel

Les algorithmes d’apprentissage machine ne comprennent que les nombres. La première étape cruciale du traitement des données non numériques est donc leur conversion en vecteurs numériques, un processus appelé “vectorisation” ou “embedding”. Ce sous-chapitre se concentre sur les données textuelles et introduit les modèles “Bag-of-Words” (sac de mots) et TF-IDF, qui représentent des documents comme des vecteurs dans un espace de grande dimension. L’étudiant apprendra à construire ces représentations à l’aide de la bibliothèque Python Scikit-learn, transformant du texte brut en matrices exploitables.

V.2 Représentation Numérique des Images et des Graphes

Au-delà du texte, ce module étend le paradigme de la vectorisation aux images et aux graphes. Une image est intrinsèquement une matrice de pixels, un tenseur de rang 3 (hauteur, largeur, canaux de couleur) que l’on peut manipuler directement. Un graphe, représentant des relations entre entités, est mathématisé via sa matrice d’adjacence ou sa matrice laplacienne, qui capturent sa structure topologique. La maîtrise de ces transformations est la clé pour appliquer des outils d’algèbre linéaire et d’optimisation à des problèmes de vision par ordinateur ou d’analyse de réseaux sociaux.

V.3 Perte d’Information et Malédiction de la Dimensionalité

La conversion de données complexes en vecteurs n’est pas sans coût. Les modèles simples comme le sac de mots perdent l’ordre et la sémantique des phrases. Inversement, des représentations trop riches créent des vecteurs de très grande dimension, un phénomène connu sous le nom de “malédiction de la dimensionnalité”. Dans ces espaces, les notions de distance et de densité perdent leur sens, rendant l’apprentissage difficile. Cette section analyse de manière critique cet arbitrage entre la richesse de la représentation et la faisabilité computationnelle de l’analyse.

V.4 Application : Vectorisation des Langues Congolaises (Lingala, Swahili)

Les modèles de traitement du langage pré-entraînés sont souvent médiocres pour les langues africaines à faibles ressources. Ce projet pratique consiste à construire un modèle TF-IDF à partir d’un corpus de textes en lingala ou en swahili (articles de presse, textes religieux). Les étudiants seront confrontés aux défis de la tokenisation, de la gestion des déclinaisons et de la taille limitée du corpus. L’objectif est de créer une représentation vectorielle de base permettant d’effectuer des tâches simples comme la classification de documents ou la recherche par similarité.

Chapitre VI. Analyse de Données Non Structurées par l’IA

VI.1 Classification de Texte avec des Modèles Linéaires

Une fois le texte vectorisé, la tâche la plus courante est la classification automatique (par exemple, analyse de sentiment, détection de spam). Ce sous-chapitre démontre comment des modèles linéaires simples, comme la régression logistique ou les machines à vecteurs de support (SVM), entraînés sur des représentations TF-IDF, peuvent atteindre des performances remarquables. L’étudiant implémentera un pipeline complet avec Scikit-learn : du pré-traitement du texte à l’entraînement du modèle, puis à l’évaluation de sa performance via des métriques comme la précision, le rappel et le score F1.

VI.2 Introduction aux Réseaux de Neurones Convolutifs (CNN) pour l’Image

Pour l’analyse d’images, les réseaux de neurones convolutifs (CNN) ont révolutionné le domaine en apprenant automatiquement des caractéristiques pertinentes. Cette section introduit l’architecture fondamentale d’un CNN : les couches de convolution qui agissent comme des détecteurs de motifs (bords, textures), les fonctions d’activation (ReLU) et les couches de pooling qui réduisent la dimensionnalité. En utilisant une bibliothèque de haut niveau comme Keras/TensorFlow, l’étudiant construira et entraînera un CNN simple pour une tâche de classification d’images, en comprenant le rôle de chaque brique.

VI.3 Limites du Transfert d’Apprentissage et Biais des Modèles

Entraîner un modèle d’IA de pointe à partir de zéro est extrêmement coûteux en données et en calcul. La technique du “transfer learning” (apprentissage par transfert), qui consiste à réutiliser un modèle pré-entraîné sur une tâche similaire, est une solution pragmatique. Cependant, cette approche est risquée : un modèle entraîné sur des données occidentales peut contenir des biais culturels et performera mal ou de manière inéquitable sur des données africaines. Cette analyse critique expose les dangers de l’application naïve de l’IA et l’importance d’auditer les modèles.

VI.4 Application : Détection de Maladies sur des Feuilles de Manioc par CNN

La mosaïque du manioc est une maladie virale dévastatrice pour l’agriculture en RDC. Ce projet final intégrateur vise à construire un classifieur d’images capable de distinguer des photos de feuilles de manioc saines de feuilles malades. En utilisant l’apprentissage par transfert sur un modèle CNN pré-entraîné (MobileNet, optimisé pour les appareils mobiles), les étudiants adapteront le modèle à ce problème spécifique. Ce cas d’usage démontre comment l’IA peut fournir un outil de diagnostic frugal et accessible directement aux agriculteurs via un smartphone.

ANNEXES

A. Guide Pratique de TensorFlow et Keras

Cette annexe est un manuel de survie pour l’Ingénieur en Intelligence Artificielle. Elle ne se contente pas de lister des fonctions, mais structure l’utilisation de l’écosystème TensorFlow/Keras autour du cycle de vie d’un projet d’IA : définition du modèle via l’API séquentielle ou fonctionnelle, compilation avec choix de l’optimiseur et de la fonction de perte, entraînement avec model.fit() en gérant les callbacks pour la sauvegarde et l’arrêt anticipé, et enfin, déploiement du modèle sauvegardé pour l’inférence. L’accent est mis sur les bonnes pratiques pour construire des modèles robustes et maintenables.

B. L’Arsenal du Data Scientist : Maîtriser le Pipeline Scikit-learn

Pour le Data Scientist Senior, l’efficacité réside dans l’automatisation des flux de travail. Cette annexe détaille la construction de pipelines de traitement complets avec Scikit-learn. Elle montre comment enchaîner des étapes de pré-traitement (imputation de valeurs manquantes, mise à l’échelle des caractéristiques, encodage de variables catégorielles) et l’estimateur final (classifieur ou régresseur) en un seul objet. La maîtrise de Pipeline et ColumnTransformer permet de prévenir les fuites de données, de simplifier la recherche d’hyperparamètres avec GridSearchCV et de rendre les expériences reproductibles et prêtes pour la production.

C. Analyse de Graphes avec NetworkX pour le Chercheur

Le chercheur en analyse de données non structurées doit pouvoir modéliser et quantifier les relations. Cette annexe fournit une méthodologie d’analyse de réseaux sociaux ou logistiques à l’aide de la bibliothèque NetworkX. Elle couvre la création de graphes à partir de listes d’arêtes, le calcul de métriques de centralité (degré, intermédiaire, proximité) pour identifier les nœuds les plus influents, et la détection de communautés avec des algorithmes comme celui de Louvain. Ces outils permettent d’extraire une connaissance actionnable de la structure des interactions, que ce soit pour comprendre la propagation d’une information ou pour identifier les vulnérabilités d’un réseau.

Lire aussi :

Cours de Dynamique des Communautés et des Ecosystèmes, master-1, DCE2121

Cours de Projet-2, licence-2, PSI1242

Cours de Normes ISO standards et contrôle de qualité des aliments, air, eau et sol, master-1, NCA2121

Cours de Projets : stratégie, conception et opérationnalisation, licence-2, PUR1233

Cours de Modélisation et base de données, licence-2, MBD1231

Cours de Mémoire, master-2, MFO2241