Le cours est fondé sur un projet, mené par étapes tout au long du trimestre. Le projet final intègre les trois piliers techniques du cours — un jeu de données prêt pour l’IA, l’apprentissage automatique classique et l’apprentissage profond — ainsi que la quatrième couche qui traverse l’édition 2026, le travail avec l’IA agentique, appliqués en groupe à un problème scientifique. Les livrables sont :
- Un dépôt GitHub qui démontre la manipulation des données, la conception et le test des algorithmes, et l’évaluation.
- Un rapport de 5 pages qui replace le projet dans son contexte et discute les résultats, dans l’un des deux genres ci-dessous.
- Une présentation de 10 à 15 minutes.
Chaque groupe soumet les livrables ensemble. Cette page est la grille employée à la fois pour l’auto-évaluation et pour l’évaluation par les enseignants.
Les étudiants sont censés utiliser des assistants IA pendant le projet, avec déclaration (voir la politique d’usage de l’IA du cours). Avant de soumettre, chaque groupe fait relire son dépôt par une IA agentique, puis évalue de façon critique l’évaluation de l’IA et documente au moins une chose que l’IA a mal comprise ou omise. La relecture par l’IA et la critique du groupe sont toutes deux remises avec le projet.
Pondérations : rapport 35 %, dépôt GitHub 30 %, présentation 35 %. La contribution à l’équipe, appréciée à partir de la déclaration CRediT et des évaluations par les pairs, applique un modificateur pouvant aller jusqu’à ±5 points sur le total individuel.
Choisir un genre pour le rapport¶
Chaque groupe choisit l’un des deux genres pour le rapport écrit. Ce choix ne modifie que le critère « Contenu et qualité scientifique » ; tous les autres critères, ainsi que les grilles du dépôt et de la présentation, sont communs aux deux parcours.
- Parcours article de recherche : le rapport se lit comme un court article scientifique — question de recherche, données, méthodes, résultats, généralisation, perspectives. Noté avec le critère 1a.
- Parcours livrable pour parties prenantes : le rapport est un livrable technique écrit pour un décideur nommément désigné (une régie des eaux, un responsable de la sécurité civile, un service de parc national, un planificateur de mission). Noté avec le critère 1b.
1. Rapport (5 pages) — 35 %¶
1a. Contenu et qualité scientifique (25 %) — parcours article de recherche Qualité, profondeur et pertinence de la recherche
- Énoncer clairement une question de recherche ouverte et la replacer dans le contexte d’une revue de littérature à jour
- Démontrer l’originalité de la recherche
- Présenter un jeu de données prêt pour l’IA (voir la définition opérationnelle en 2.13), une analyse préliminaire avec corrélations ou description des caractéristiques de base des données, et discuter un éventuel déséquilibre des données dans le contexte du problème posé
- Démontrer une solide compréhension de l’apprentissage automatique classique et/ou de l’apprentissage profond à l’appui d’un exemple
- Discuter l’évaluation des performances dans le contexte de l’entraînement du modèle et de la généralisation au-delà des données et du domaine présentés dans le rapport
- Discuter le temps de calcul pour l’entraînement et pour l’inférence
- Discuter la pertinence des ressources de calcul mobilisées
1b. Contenu et qualité scientifique (25 %) — parcours livrable pour parties prenantes Adéquation du livrable à une décision réelle
- Nommer le décideur et la décision que le livrable éclaire, et énoncer la question opérationnelle dans ses termes à lui, en s’appuyant sur un bref état des pratiques actuelles
- Présenter un jeu de données prêt pour l’IA (section 2.13) et une analyse préliminaire, comme dans le parcours article de recherche
- Démontrer une solide compréhension de l’apprentissage automatique classique et/ou de l’apprentissage profond à l’appui d’un exemple, évalué face à un modèle de référence (baseline) du domaine
- Adéquation au décideur désigné : résultats rapportés dans les unités, les seuils et les échéances qu’exige la décision
- Limites d’emploi honnêtes : les conditions, régions et saisons où le modèle peut être cru, et celles où il ne le peut pas
- Énoncé d’incertitude calibrée : les prédictions portent une incertitude sur laquelle le décideur peut agir, étayée par une vérification de la calibration
- Discuter le temps de calcul pour l’entraînement et l’inférence, et la pertinence des ressources mobilisées
Structure et organisation (15 %) Cohérence, clarté et fluidité du rapport
- Structure logique :
- Introduction avec le contexte scientifique motivant le projet et l’état des données (p. ex. il nous manque la mesure X et nous proposons de la prédire à partir de Y)
- Données : qu’est-ce qu’un échantillon, quelles sont les caractéristiques et les dimensions, analyse exploratoire ; pour la prévision de séries temporelles, comment les données sont organisées pour l’entraînement ; découpage entraînement-validation-test, avec une discussion sur le caractère intra- ou hors-domaine des données de test
- Modèles : conception et stratégies d’entraînement (pour l’apprentissage profond : optimiseur, taux d’apprentissage, taille de lot, courbes d’apprentissage)
- Énoncé de généralisation : discuter la performance sur l’ensemble de test et ce qu’elle implique pour un usage au-delà des données présentées
- Résultats : ce que vous avez appris, la durée de l’entraînement, la durée de l’inférence, comment cela passerait à l’échelle d’un projet de fouille de données plus vaste
- Conclusions et perspectives, références
- Paragraphes bien organisés, avec des transitions entre les idées
- Les figures ont des légendes et des étiquettes claires, et sont appelées dans le texte
- Structure logique :
Clarté et style d’écriture (15 %) Qualité et efficacité de l’écriture
- Langue claire et concise ; peu de fautes de grammaire ou d’orthographe
- Ton professionnel et académique adapté à la discipline
Esprit critique et analyse (15 %) Profondeur de l’analyse et de la réflexion
- L’analyse dépasse la description : qu’avez-vous appris, quels sont les avantages et les limites de vos approches, qu’est-ce que les méthodes de ML peuvent apporter à la question de recherche d’ensemble
- Reconnaît d’autres points de vue ou les limites du travail
- Fait preuve de pensée originale et d’un engagement critique avec la recherche
Livrables de communication (20 %) Enseignés au chapitre 7
- Traduction pour les publics : le rapport comprend deux courts résumés (un paragraphe chacun) du même résultat central, écrits pour deux publics différents — par exemple un responsable de programme et un scientifique de terrain, ou un urbaniste et un relecteur de revue. Les deux résumés doivent être fidèles aux mêmes nombres.
- Énoncé de conséquences en aval : une demi-page sur la pertinence sociétale, environnementale ou économique du projet. Qui pourrait utiliser ce résultat, quelle décision pourrait-il éclairer, et que pourrait-il se produire de fâcheux si l’on faisait confiance au modèle hors de son domaine ?
Mise en forme, citations et déclaration (10 %)
- Respecte les exigences de mise en forme (marges, police, longueur) ; usage correct d’un style de citation (APA, MLA, Chicago, par exemple)
- Déclaration de contributions CRediT : chaque étudiant est associé à des contributions précises
- Déclaration d’usage de l’IA : quels outils d’IA ont été employés, pour quelles tâches, et ce que le groupe a vérifié lui-même
2. Dépôt GitHub — 30 %¶
Qualité du code (15 %) Qualité et fonctionnement des scripts et du code
- Le code est propre, bien documenté et suit de bonnes pratiques de programmation
- Tous les scripts s’exécutent sans erreur une fois l’environnement installé
- Le code est modulaire, avec des fonctions réutilisables lorsque c’est pertinent
- Les scripts atteignent les objectifs visés (produire des figures, réaliser l’analyse)
Reproductibilité (25 %) Facilité à reproduire l’analyse et les résultats
- Le dépôt contient des instructions claires (dans un
README.md) pour installer l’environnement et exécuter le code - Les carnets Jupyter, les scripts et tout autre fichier nécessaire pour recréer l’analyse sont fournis
- Les données, ou les instructions pour y accéder, sont incluses ou référencées comme il convient
- Les sorties (figures, tableaux) sont reproductibles à partir du code
- Le dépôt contient des instructions claires (dans un
Organisation et structure (15 %) Organisation et lisibilité du dépôt
- Arborescence claire (dossiers distincts pour le code, les données, les résultats)
- Les noms de fichiers et de dossiers sont descriptifs et intuitifs
- Le README donne une vue d’ensemble claire du dépôt et de l’endroit où trouver les choses
Documentation (15 %) Clarté et complétude de la documentation
- Le README explique le projet, ses dépendances et l’installation
- Le code et les carnets sont documentés, avec des commentaires expliquant les sections clés
- Les fonctions ont des docstrings
Installation de l’environnement (10 %) Gestion des dépendances
- Inclut une spécification d’environnement complète et fonctionnelle (
pixi.tomlavecpixi.lock, ouenvironment.yml/requirements.txt) - L’environnement liste toutes les dépendances nécessaires avec les bonnes versions
- Les instructions d’installation sont claires et faciles à suivre
- Inclut une spécification d’environnement complète et fonctionnelle (
Pratiques de contrôle de version (10 %) Usage efficace de Git et de GitHub
- Les commits sont fréquents, descriptifs et reflètent la progression du projet ; les messages de commit signalent toute assistance substantielle de l’IA
- Usage clair des branches le cas échéant
- Les issues, pull requests et autres outils de collaboration GitHub sont employés efficacement
Relecture par l’IA et critique (remises avec le dépôt, notées au sein de Reproductibilité et Documentation)
- La sortie d’une relecture du dépôt par une IA agentique
- La critique écrite de cette relecture par le groupe, documentant au moins une erreur ou une omission dans l’évaluation de l’IA
3. Présentation (10 à 15 minutes) — 35 %¶
Contenu (25 %) Qualité et profondeur de la recherche
- Énoncé clair d’une question de recherche ouverte, appuyé sur des références à la littérature scientifique
- Présenter le jeu de données prêt pour l’IA et l’analyse préliminaire
- Montrer un exemple d’apprentissage automatique classique et un exemple d’apprentissage profond
- Rapporter le temps de calcul pour l’entraînement et l’inférence, et la pertinence des ressources mobilisées
Structure et organisation (15 %) Cohérence et fluidité
- Structure logique (introduction, développement, conclusion)
- Les points clés sont clairement distingués et mis en valeur
Clarté et présentation orale (20 %) Efficacité de la communication des idées
- Articulation claire, volume et rythme adaptés
- Recours minimal aux notes, contact visuel avec l’auditoire
- Attitude assurée et professionnelle
Supports visuels (10 %) Matériel d’appui (diapositives, graphiques, figures)
- Les supports visuels soutiennent la présentation au lieu d’en distraire
- L’information est présentée clairement et suit des principes de conception appropriés
- Les diapositives ne submergent pas l’auditoire de texte ni de visuels complexes
Interaction avec l’auditoire (10 %)
- Suscite l’interaction par des questions ou la participation
- Répond efficacement aux questions et commentaires de l’auditoire
Esprit critique et analyse (15 %)
- Fait preuve de pensée originale et d’un engagement critique avec la recherche
- Identifie les limites et les pistes futures
Professionnalisme (5 %)
- Respect du temps imparti, matériel prêt, attitude respectueuse
4. Modificateur de contribution à l’équipe (±5 points)¶
Les notes individuelles peuvent être ajustées de ±5 points au plus, à partir de la déclaration CRediT, des évaluations par les pairs et de l’historique des commits. Chaque étudiant inscrit doit figurer dans la déclaration CRediT avec des contributions précises et vérifiables. Un étudiant qui ne saurait pas expliquer les parties du projet qui lui sont attribuées doit s’attendre à ce que l’enseignant lui demande de dérouler le code sans aide.