Elkamali Diplome
Elkamali Diplome
Elkamali Diplome
Mira El Kamali
1 Introduction ...................................................................................................... 5
2 Lieu de travail .................................................................................................... 5
2.1 Une analyse: (Module C) ...................................................................... 6
3 Machine Learning ............................................................................................. 8
3.1 Qu’est-ce qu’un apprentissage automatique? .................................... 8
3.2 Pourquoi l’apprentissage automatique est-il important ? ................... 8
3.3 Application existantes avec Machine Learning .................................... 8
3.3.1 Alertes de trafic (cartes) ...................................................................... 9
3.3.2 Réseaux sociaux (Facebook) ................................................................ 9
3.3.3 Produits Recommendations ............................................................... 10
3.3.4 Assistants personnels virtuels ............................................................ 10
3.3.5 NESTORE ............................................................................................ 11
3.3.6 Voitures autonomes........................................................................... 11
3.3.7 Streaming vidéo en ligne (Netflix) ...................................................... 12
3.4 Quelques méthodes d’apprentissage automatique .......................... 12
3.4.1 Apprentissage supervisé .................................................................... 12
3.4.2 Apprentissage non supervisé ............................................................. 13
3.4.3 Apprentissage par renforcement ....................................................... 13
3.4.4 Resumé .............................................................................................. 13
4. Analyse de cours existants ......................................................................................... 14
4.1 Coursera ............................................................................................. 14
4.2 Udemy ................................................................................................ 16
4.3 Simplilearn ......................................................................................... 17
4.4 Résumé .............................................................................................. 17
5 Haute école d’ingénierie et d’architecture de Fribourg ................................. 17
5.0.1 Cycles d’étude de la HES-SO .............................................................. 17
5.0.2 Travaux pratiques dans la filière informatique .................................. 17
5.0.2.1 le Travail Dirigé (TD) ........................................................... 18
5.0.2.2 le Travail Pratique (TP) ........................................................ 18
5.0.2.3 Un Mini-Projet (MP) ........................................................... 18
5.1 Méthode existantes de Travail Pratique et Dirigé Pour le cours de Machine
Learning ................................................................................................................... 18
5.1.1 Objectives.......................................................................................... 18
5.1.1.1 Prérequis ........................................................................................... 18
5.1.2 TD + TP + Mini Project ........................................................................ 19
5.1.2.1 Outils ................................................................................... 19
5.1.2.2 En classe.............................................................................. 20
5.1.2.3 Evaluation ........................................................................... 21
5.1.5 Evaluation des étudiants ................................................................. 22
1
5.1.6 Analyse ............................................................................................... 25
6 Modification .................................................................................................... 26
6.1 Crise Sanitaire .................................................................................... 26
6.2 Modification du Travail ...................................................................... 27
6.2.1 Développement d’un Scenario Pédagogique .................................. 27
6.2.2 Analyse ............................................................................................... 38
6.2.3 Outils Proposés .................................................................................. 38
6.2.4 Proposition d’une conception pour les TP et TD: Exemple Concrets ..... 39
Changement du PDF .......................................................................... 39
Méthode d’évaluation ....................................................................... 40
Feedback ............................................................................................ 46
7 Améliorer l’interaction avec l’assistant: L’Expressivité ................................... 46
8 Conclusion ............................................................................................................. 47
2
Declaration
Je déclare sur l’honneur que mon mémoire de fin d’études est un travail personnel,
composé sans concours externe non autorisé.
3
Remerciments
Tout d’abord, je tiens à remercier le Centre didactique de l’Université de Fribourg, pour
donner la chance d’entreprendre ce diplôme. Je remercie chaleureusement Madame
Bernadette Charlier Pasquier et Madame Marie Lambert pour leur encadrement, leur
patience et pour leur retours constructifs pour la finalisation de ce projet. Je remercie
mes encadreurs de Humantech Omar Abou Khaled et Elena Mugellini de m’avoir
informé sur ce cours et son importance et de m’avoir motivé à le suivre. Finalement,
je remercie également ma famille et mes amis pour leur présence et leurs soutiens.
4
1 Introduction
Ce travail de diplôme de formation didactique s’est structuré autour du cours «
Machine Learning » dispensé aux étudiants de 3e année de la Haute École en
informatique. de l’Ingénierie et de l’Architecture de Fribourg (HESSO-FR). Le cours est
divisé entre cours théorique et cours pratique. L’auteur n’étant responsable que du
cours pratique, le document se concentre donc uniquement sur cette partie.
Le cours pratique se donne en une séance tous les vendredis du second semestre.
Il s’agit d’une session de 2 heures, connue pour être en classe, pour guider les
étudiants et les aider à pratiquer la partie théorique en codant et en implémentant
l’algorithme. L’objectif de ce cours est d’apprendre aux étudiants à utiliser les
algorithmes existants de manière basique et à utiliser éventuellement ces algorithmes
dans des scénarios réels.
Le cours a été évalué par les étudiants. En fonction de leurs réponses et retours, une
nouvelle conception est proposée : En raison de la pandémie de COVID, toutes les leçons
ont été converties en leçons virtuelles. Une nouvelle adaptation doit donc être envisagée
afin de doter l’élève d’un moyen d’apprentissage utile et efficace. Les devoirs des élèves
ont également été adaptés en fonction des commentaires des élèves. Une autre
contribution a été apportée. Une nouvelle méthode a été suggérée et mise en œuvre en
matière d’évaluation et de retour d’expérience sur les travaux des étudiants.
Le cours est décrit en détail, les modifications sont également expliquées en détail
et analysées à l’aide des différents outils abordés lors de la formation didactique. Les
diverses modifications et améliorations apportées à ce cours sont également
analysées par l’auteur.
Le reste du document est organisé comme suit : Dans le chapitre 2, le lieu de
travail est expliqué afin de comprendre le contexte de ce document. Dans le chapitre
3, le concept de Machine Learning est expliqué afin de se faire une idée de ce que
c’est et de l’importance de ce cours. Ensuite, une analyse des cours d’apprentissage
automatique en ligne existants pour comprendre comment les cours en ligne étaient
dispensés (chapitre 4). Puis le cours HESSO-FR « Machine Learning » est introduit, avec
sa structure qui est décrite en détail (chapitre 5). Un sondage a été envoyé aux
étudiants de cette classe pour analyser les forces et les faiblesses de ce cours. Dans le
chapitre 6, de nouvelles approches pédagogiques sont présentées, les modifications
sont détaillées et illustrées à l’aide d’un cas concret. Des modifications dans les outils,
dans les devoirs et dans l’évaluation seront présentées. Le chapitre 7 aborde
l’amélioration de mon expressivité dans le cours. Enfin, nous terminons notre
document par une petite conclusion.
2 Lieu de travail
J’ai commencé à travailler à l’HEIA en tant que collaboratrice en avril 2018. Je suis
arrivé de mon pays le Liban avec un master en ingénierie informatique pour
commencer mon doctorat à l’Université de Fribourg en interaction homme machine.
Afin d’être financé, je travaille à la HEIA en tant que collaboratrice à l’institut
5
Humantech. J’ai vécu toute ma vie au Liban, donc venir vivre seul dans un pays
européen était un défi pour moi surtout sur le plan professionnel.
Je peux décrire mon lieu de travail comme un travail dynamique, intelligent et
acharné. Pour commencer, au niveau HEIA, l’ambiance est conviviale et serviable. Au
niveau de l’institut, le chef de l’institut est une femme, ce qui me donne en tant que
femme un pouvoir puisque la plupart de mes collègues sont des hommes. Au niveau
des collègues, nous sommes à la fois amis et collègues.
Je travaille la plupart de mon temps dans un bureau où il y a 4 de mes collègues
dont un post-doctorant sur le projet sur lequel je travaille. Je travaille de 9h00 à 17h00
et parfois jusqu’à 18h00
J’ai travaillé dans un projet européen avec 15 partenaires.
Au niveau doctoral, je rencontre régulièrement mon directeur de thèse à
l’Université de Fribourg pour échanger sur mes progrès.
Je donne également des cours de Bachelor en tant qu’assistante d’enseignants.
Je suis principalement responsable des travaux pratiques des cours.
• La possibilité de donner les outils pour que les employés puissent travailler
comme du matériel de bureautique etc.
6
• J’ai adoré le travail
• J’étais passionnée par le travail
• J’avais des valeurs de travail
• Je suis restée professionnelle
7
3 Machine Learning
8
3.3.1 Alertes de trafic (cartes)
Google Maps fournit leur emplacement, leur vitesse moyenne, l’itinéraire sur
lequel ils voyagent, ce qui aide Google à collecter des données massives sur le trafic,
ce qui leur permet de prévoir le trafic à venir et d’ajuster votre itinéraire en fonction
de celui-ci.
Figure 3: Facebook
L’une des applications les plus courantes de l’apprentissage automatique est les
suggestions automatiques de marquage d’amis sur Facebook ou sur toute autre plate-
forme de médias sociaux. Facebook utilise la détection de visage et la reconnaissance
d’image pour trouver automatiquement le visage de la personne qui correspond à sa
base de données et nous suggère donc de marquer cette personne en fonction de
DeepFace.
9
3.3.3 Produits Recommendations
Supposons que vous vérifiiez un article sur Zalando, mais que vous ne l’achetiez pas
Le lendemain, vous retrouvez des affiches et posters sur youtube, facebook, Instagram
sur le même article. En fait, Google suit votre historique de recherche et recommande
des annonces en fonction de votre historique de recherche. C’est l’une des applications
les plus intéressantes du Machine Learning.
Comme son nom l’indique, les assistants personnels virtuels aident à trouver des
informations utiles, lorsqu’on leur demande par texte ou par voix. Voici quelques-
unes des principales applications de l’apprentissage automatique: Reconnaissance de
la parole, Conversion parole en texte, Traitement du langage naturel, Conversion de
texte en parole. Ils peuvent éventuellement aussi détecter les emotions par le texte
et la voix.
10
3.3.5 NESTORE
NESTORE est un agent conversationnel qui vise à aider les personnes âgées à
améliorer et à maintenir leur santé. C’est un agent conversationnel qui peut avoir une
conversation naturelle avec les humains. Le système utilise de nombreuses
techniques d’apprentissage automatique telles que la détection d’images,
Figure 6: Nestore
11
3.3.7 Streaming vidéo en ligne (Netflix)
L’algorithme Netflix collecte en permanence d’énormes quantités de données sur les
activités des utilisateurs pour fournir après un système de recommandations.
Figure 8: Netflix
12
3.4.2 Apprentissage non supervisé
Les algorithmes d’apprentissage automatique non supervisés sont utilisés lorsque les
informations utilisées pour l’entraînement ne sont ni classées ni étiquetées.
L’apprentissage non supervisé étudie comment les systèmes peuvent déduire une
fonction pour décrire une structure cachée à partir de données non étiquetées.
Le système ne trouve pas le bon résultat, mais il explore les données et peut tirer des
inférences à partir d’ensembles de données pour décrire des structures cachées à
partir de données non étiquetées.
3.4.4 Resumé
• Apprentissage supervisé = Apprends-moi ce qu’il faut apprendre
• Apprentissage non supervisé = Je vais trouver quoi apprendre
• Apprentissage par renforcement = J’apprendrai de mes erreurs à chaque étape
(Hit and Trial!)
13
4. Analyse de cours existants
Cette section se concentre sur l’état de l’art des cours d’apprentissage automatique
en ligne existants. Pour comprendre la nécessité du cours « Machine Learning with
Python »que nous voulons avoir à l’école, j’ai passé en revue certains cours en ligne
existants avec des programmes afin que je puisse avoir un aperçu de ce qui existe. Les
vidéos Youtube, les tutoriels ne sont pas pris en compte car aucun syllabus, exercices,
corrections n’existent. Par conséquent, j’ai passé en revue sur les cours pour
l’apprentissage en ligne tels que Coursera, Udemy et simplilelearn.
4.1 Coursera
Coursera Inc.[4] est un fournisseur américain de cours en ligne ouverts et massifs
fondé en 2012 par Andrew Ng et Daphne Koller, professeurs d’informatique à
l’Université de Stanford. Coursera travaille avec des universités et d’autres
organisations pour proposer des cours en ligne, des certifications et des diplômes
dans une variété de sujets.
Il existe un cour Cours Machine Learning avec Python [10]. L’inscription à ce cours
n’est pas gratuite. La langue principale est l’anglais. Cependant, des sous-titres
existent en anglais, arabe, français, portugais (européen), italien, vietnamien,
allemand, russe, espagnol. Ce cours aborde les bases de l’apprentissage automatique
à l’aide d’un langage de programmation accessible et bien connu, Python.
Dans ce cours, ils abordent deux choses principales :
1) Tout d’abord, on découvrirele but de l’apprentissage automatique et ses
applications dans le monde réel.
2) Deuxièmement, il montre un aperçu général des sujets d’apprentissage
automatique tels que l’apprentissage supervisé par rapport à l’apprentissage non
supervisé, l’évaluation de modèle et les algorithmes d’apprentissage automatique.
L’étudiant va s’entrainer avec de vrais exemples d’apprentissage automatique. Les
avantages de ce cours sont que l’étudiant aura de nouvelles compétences à ajouter
au CV, telles que la régression, la classification, le clustering, scikit learn et SciPy, des
nouveaux projets qu’ils peuvent ajouter au portefeuille, notamment la détection du
cancer, la prévision des tendances économiques, la prévision de l’attrition de la
clientèle, les moteurs de recommandation et bien d’autres, et un certificat
d’apprentissage automatique. Le cours et le certificat sont payant. Egalement, après
le certificat, l’étudiant peut obtenir une badge numérique IBM.
Deux instructeurs titulaires d’un doctorat enseignent le cours. Le programme est
divisé en 5 semaines. L’ensemble du cours nécessite env. 21 heures pour le terminer.
C’est 100/100 en ligne, les délais sont flexibles, cependant le cours a une certaine date
pour commencer, sinon l’étudiant ne peut plus s’inscrire. Il y a une partie théorique
et une partie pratique. Par conséquent, il y avait des devoirs. Les devoirs sont corrigés
apparemment par des étudiants de ce cours et donneront à l’élève une réussite/non
réussite sans feedback. Cependant, aucun retour sur l’erreur spécifique dev l’étudiant
14
n est fourni . L’élève ne peut pas non plus parler à l’enseignant pour poser des
questions. Tout se fait via la plateforme.
Il y avait 1896 avis sur ce cours avec une moyenne de 4,7/5. Des critiques positives
et négatives sont investigues par rapport aux travaux pratique/laboratoire. Des
critiques positives telles que "Les laboratoires ont été incroyablement utiles en tant
qu’outil d’apprentissage pratique, ce qui a donc aidé dans le devoir final ! Je n’aurais
pas bien réussi le devoir final sans cela avec les vidéos des conférences !" et "Le cours
était très instructif et très bien présenté. C’était très facile à suivre. De nombreux
concepts compliqués ont été clairement expliqués. Cela a amélioré ma confiance en
moi en ce qui concerne les compétences en programmation." existent beaucoup.
15
frustration sur les travaux pratiques, clarté, solutions donnés, les feedbacks et les
notes.
4.2 Udemy
16
un texte disant "merci pour votre question" et ne répondent pas correctement à la
question. De plus, ils ne donnent pas suite à la question. Juste 1 inutile et fait".
Pour résumer, l’interaction avec l’instructeur et les étudiants était frustrante.
Figure 10 présente le syllabus de ce cours.
4.3 Simplilearn
Nous n’avons pas pu trouver de cours sur l’apprentissage automatique avec python.
La plupart des cours sont un apprentissage automatique avancé ou se concentrent
uniquement sur les connaissances théoriques [6].
4.4 Résumé
Pour résumer, nous avons pu trouver peu de cours qui se concentrent sur la mise en
œuvre pratique du machine learning en python. L’aspect positif de celui-ci est qu’il
donne à l’étudiant la liberté de travailler d’où il veut et quand il veut, de plus, La
question/réponse entre étudiants est également très appréciée. Cependant, la
plupart des cours manquent d’interaction avec l’instructeur, ce qui le rend frustrant.
De plus, l’évaluation de l’examen, les devoirs et les retours d’expérience sont très
limités et peuvent éventuellement être identifiés comme inexistants. Enfin, la clarté
des questions est également considérée. Comme un problème et il faut donc
beaucoup de temps pour obtenir une réponse de l’instructeur en raison du manque
de communication.
17
5.0.2.1 le Travail Dirigé (TD)
Un Travail Dirigé (TD) est réalisé dans le cadre d’un cours. L’enseignant effectue la
tâche en simultané avec les étudiants afin de leur apprendre les différentes
fonctionnalités d’une technologie ou une plateforme. Ce type d’exercice ne donne
pas une note finale. L’objectif du TD est de faciliter la pris en main de certaines
technologies relatives au contenu du cours.
5.1.1 Objectives
5.1.1.1 Prérequis
- Programmation Basique du Python.
18
- Comparer et appliquer les méthodes de traitement des ensembles de données
- Processus d'apprentissage :
- Traitement de l'information
5.1.2.1 Outils
Les outils qui étaient utilisés sont:
• Moodle:
Moodle est un système de gestion de l’apprentissage (LMS) gratuit et open source
écrit en PHP et distribué sous la licence publique générale GNU. Développé sur
des principes pédagogiques, Moodle est utilisé pour l’apprentissage mixte,
l’enseignement à distance, la classe inversée et d’autres projets d’apprentissage
en ligne dans les écoles, les universités, les lieux de travail et d’autres secteurs.
19
Avec des fonctionnalités de gestion personnalisables, il est utilisé pour créer
des sites Web privés avec des cours en ligne pour les éducateurs et les
formateurs afin d’atteindre les objectifs d’apprentissage. Moodle permet
d’étendre et d’adapter les environnements d’apprentissage à l’aide de plugins
communautaires.
Pour pouvoir sauvegarder le pdf, les solutions, les résultats, aussi envoyer des
messages broadcast a toute la classe
• Jupyter:
Le Jupyter Notebook, est une application Web, fournissant des outils interactifs
pour le calcul scientifique. Ces outils permettent à l’aide de commandes
interactives et puissantes d’associer l’écriture du code à son exécution et
création dynamique d’un document personnalisé.
C’est une application Web ouverte source qui permet de créer et de partager
facilement des documents, des équations, des calculs... contenant du code en
direct ou de la programmation en direct. Cette Notebook est essentiellement
utilisée pour les disciplines scientifiques et techniques. De plus, comme ces
environnements accessibles à tous les publics sont destinés à l’écriture et dans
le développement de code, ils offrent de nombreux avantages tels que des
blocs de complétion de codes exécutables par des équations mathématiques et
un accès facile à l’aide. Pour notre usage, ce carnet étant un outil ludique et
interactif, il servira à apprendrr à programmer en python et à utiliser une
bibliothèque appelée sickit-learn pour utiliser directement des ensembles de
données et des algorithmes d’apprentissage automatique. Cela rendra ce cours
plus facile à comprendre et à reproduire.
5.1.2.2 En classe
La session se déroule chaque vendredi de 10h jusqu’à 12h. Le prof résoud le TD en
classe devant tout le monde en connectant son ordinateur sur un grand écran et de
répondre en même temps aux questions des étudiants. Le TD et les TPs sont similaires
mais les TP demandent a l’étudiant de rendre les travaux en fin de semaine pour
être évaluer. Il existe 5 TP ET 1 TD. La figure propose un exemple de TP.
20
Figure 11: Exemple du TP
5.1.2.3 Evaluation
L’évaluation a été faite par l’enseignant qui a corrigé les cahiers des élèves en
donnant un retour général à la classe à la fin. Si l’étudiant a besoin d’avoir un retour
sur son projet, l’étudiant doit envoyer un email à l’enseignant pour une session. Dans
la figure ci-dessous, nous pouvons voir l’évaluation.
En fait, l’évaluation consistait à corriger chaque question séparément. Chaque
note, soit sur 2 ou sur 1 est mis par le ressenti. Le score final a été calculé par le
ressenti. Il n’y avait pas de critères d’évaluation. Chaque question était considérée
comme TB si elle était correcte, B si c’était correcte mais pas top, S s’il y avait des
erreurs mineures et INF si elle était erronée. En revanche, les petites failles n’ont pas
été identifiées.
Pour la note finale, les scores des sous-questions sont rassemblées pour donner
une note. En revanche, nous ne trouverons pas de critère de calcul du résultat final .
Cela se faisait aussi par le sentiment.
21
Les feedbacks etaient par groupe sur le fichier d’evaluation et un feedback général
par classe. La figureb 12 presente quelques critères d’évaluation et la figure 13
presente le fichier final de la note et Lanfigure 14 presente le feedback general.
Figure 13: Note final Figure 14: Feedback General pour tous les étudiants
22
7. Que pensez-vous des grilles d’évaluation des TPs? Proposez des améliorations
si vous pensez qu’il manque des critères par exemple.
8. Que pensez-vous des feedbacks (dans la partie commentaire) donnés sur vos
notes de TPs et du mini-projet? Proposez des amelioration, si vous en avez.
L’idée est de comprendre ce que les étudiants pensent par rapport au travail à
distance, ainsi que si les TPs étaient clair, la correction et les feedbacks aussi étaient
bien. Les questions renvoient aux problèmes qu’on a trouvé dans l’ analyse des cours
existants.
Résultats: 12 participants ont répondu/258 participants disaient que le travail à
distance leur convient (oui, plutôt oui) et 4 ont dit que ça leur convient pas du tout
(non, plutôt non). Les avantages étaient divers mais la majorité parlait sur la liberté et
la possibilité de l’étudiant d’avancer à son rythme. Un élève a dit " Ne pas être obligé
de venir au cours et de faire les TP" et un autre à ajouter que " On peut gérer notre
temps comme on veut mais également obtenir de l’aide pendant les heures du
cours.", "On fait comme on veut", "Possibilité de boire et manger quand on veut,
rester en training si on veut... ne pas avoir besoin de porter un masque. “Pas le
déplacement" "Plus de liberté et on peut avancer à notre rythme et quand on veut"
Un élève a dit qu’il voit pas une différence pour le TP et que ça change pas grand-
chose "je ne vois pas d’avantage par rapport à un TP donné en présence". En fait, le
TP en présence est toujours fait sur un PC. Il y a que les assistants qui sont en classe
pour aider en présentiel. Les désavantages cités par les étudiantsb étaient surtout sur
la difficulté d’avoir unebonne aide des assistants. Les réponses étaient: "Les assistants
ont eu de la peine à répondre à certaines questions”, Les explications sont un peu
moins claires qu’en présentiel je pense", "moins d’interaction". "Quasiment, voir pas,
d’aide obtenue (réponse : Google est votre ami" si on pose une question). Jupyter
notebook permet de bien travailler, mais pas en groupe. Ce n’est pas un outil
collaboratif, ça fait perdre du temps ou alors ça pousse un membre du groupe à faire
tout le travail pendant que les autres le regardent faire..." et "L’encadrement lors des
TP a été ressenti comme inexistant ce qui a profondément compliqué la résolution
efficace des objectifs. Peut-être qu’une aide aurait permis d’avoir un meilleur résultat
ou le même résultat plus rapidement”, "Ce n’est pas forcément facile/aisé de poser
une question, dans le sens qu’en présentiel, il suffit de demander au professeur. A
distance, il faut envoyer un message à un professeur, qui va faire un appel, c’est moins
direct".
Par rapport aux questions du TP, Les questions étaient appréciées en général. Plus
que moitié de la classe ont trouvé les exercices stimulant. Par contre, on trouve
toujours des personnes qui ont pas forcement apprécié. 27 pour cent n’ont pas
apprécié le cours. Les suggestions pour aider les élèves étaient réparties entre
"Avancer petit à petit avec les étudiantes afin de ne jamais être bloqué", "TPs inutiles
23
donc les changer et mini-projet : donner plus de données car avec si peu de données
c’est inutile de faire du machine Learning.", "Donner des explications plus précises sur
comment faire chaque partie des TPs", "Je ne sais pas exactement comment et quoi
changer, mais j’ai clairement senti un décalage entre la théorie et les tps. Je
comprenais la théorie et Bam, j’arrive en TP et je ne sais pas ce que je dois faire ni
comment. On est vite perdu en fait. Il manque un lien entre la théorie et la pratique,
je pense, mais je ne sais pas exactement où est le problème. Peut-être donner des
exemples concrets dans la théorie de comment on implémente ça en python ? Faire
un lien plus marqué entre les deux ?", "En y repensant, c’est dommage que les td aient
été effectués de la même façon que les TP", "Le mini-projet est très mal expliqué... La
consigne n’est pas claire, on ne sait pas ce qu’on doit faire ni comment l’expliquer, le
challenge est totalement "guessy", on doit deviner ce qu’on doit faire avec les
données et comment le documenter et à quel point avec des bons points au concours
ça change la note finale. En plus de ça le projet n’est pas intéressant car pas assez de
données pour avoir des résultats intéressants, on a vraiment l’impression d’avancer à
l’aveugle", "J’ai trouvé que le mini-projet manquait beaucoup d’explications, il aurait
été bien d’expliquer un peu plus le contexte qui est à mon avis très important lors de
traitement de données.", "Aucun mérite à faire les "bonus" car même en les faisant,
si 1 seul n’est pas bon, rien n’est obtenu en retour.", "Les demandes/questions dans
les TP/notebook n’était pas clair et cela nous a plusieurs fois fait perdre des points.",
"Peut-être être plus transparent sur la manière que les TPs sont corrigés. Il y a bien
une grille de correction, mais on ne la voit qu’après que le TP soit corrigé. Egalement
il aurait été bien de recevoir le dernier TP avant l’examen, afin de s’y préparer."
Par rapport aux rôles des assistants, 45% n’ont jamais eu besoin d’aide, 27 % ont
eu des bons retours des assistants et un autre 27 % ont pas eu l’aide qu’ils attendent.
Par rapport aux critères d’évaluation et les commentaires donnés par les profs, les
étudiants ont évalué l’évaluation pour 2.4 comme moyenne sur 5. Les retours
qualitatifs étaient plutôt sur l’effet que le retour n’était pas clair et donné tard. "Ecrire
dans un document Excel n’est vraiment pas pratique et lisible. Moodle propose de
meilleures manières de faire des retours. Ou alors le faire directement sur le rendu
serait plus clair", "ça serait super d’avoir les critères avant de faire les TP et avoir la
correction rapidement, ça aide à comprendre ses erreurs et les attentes sur les TP",
"Bien mais le barème n’est pas clair et est désavantageux Exemple: Une question mal
formulée qui devient un insuffisant pour notre groupe, on se retrouve à suffisant en
ayant tout le reste aux maximum". Par rapport aux feedback, quelques étudiants ont
apprécié "ils sont bien", "C’est assez clair mais certaines infos arrivent après le TP",
mais les étudiants ont critiqués négativement comme étant les TPs arrivés trop tard.
Un étudiant a dit "Les commentaires sont très succincts et pourraient être plus étayés
pour vraiment nous aider à comprendre ce qu’on a oublié, et ce qu’on a fait faux.
Cependant, ils aident à la compréhension. De plus, l’évaluation des TPs et les
commentaires associés arrivent beaucoup trop tard. On a tout oublié de ce qu’on a
fait. On doit se remettre dedans... on a même reçu un retour de TP... 5 minutes après
le début de l’examen. Très pratique pour réviser et s’améliorer." Et un autre "même
24
réponse que pour la question précédente : Le feedback est donné trop tard pour
avoir un réel impact. Et comme, une fois le TP rendu, la matière abordée ne revient
jamais vraiment, il est difficile de vraiment voir une amélioration".
Comme on a demandé à la fin si les étudiants aimeraient corriger et évaluer le TP
des camarades, la majorité ont dit non car c’est un travail de plus. 2 étudiants ont été
quand même motivé et pensaient que ça peut leur aider d’apprendre. "ça pourrait
être bien afin de s’entraider et pouvoir voir comment un camarade réfléchi à un
problème”, S’il s’agit d’évaluer de manière formative, alors je ne trouve pas
d’inconvénient. Cependant, si l’évaluation possède une note ou un bonus/malus, je
ne souhaiterais pas particulièrement faire cela."
5.1.6 Analyse
La façon dont on aborde les travaux pratiques révèle un besoin de changer et
d’améliorer le coursv Si on compare leur retour avec le retour des étudiants qui ont
fait les cours de machine learning sur coursera, udemy, on trouvera que c’est
vraiment la même réponse concernant l’inutilité de corriger les devoirs des autres,
l’interaction avec le prof qui est difficile et la correction des examens et les retours.
Le point positif dans l’HESSO que l’interaction avec le prof peut être facilement
amélioriee et en plus le retour de leurs travaux peut être modifié.
Afin d’identifier les principaux problèmes pour les corriger, on les a regroupé en 3
parties : "clarté des questions" et "méthode d’évaluation", et enfin "le retour
d’information donné aux étudiants ».
En termes de clarté des questions, certaines des questions n’étaient pas toujours
claires sur ce que l’instructeur attend de l’étudiant. L’étudiant n’a pas toujours réussi
de savoir où est la question exactement et à quoi le prof s’attendre pour avoir une
note complète.
En termes d’évaluation, il y avait une petite grille mais pas bien définie, même pas
compréhensible sur la façon dont chaque note était attribuée pour chaque question.
L’étudiant en plus ne savait plus comment le TP est calculé à la fin avec la note du
cours théorique.
En termes de retour, en classe ou sur Teams, il n’y avait pas un retour en classe
systématique sur le TP de la semaine passée.
Dans la section suivante, nous proposons une mise à jour du nouveau cours de
machine Learning basé sur tous les cours appris en didactique afin d’avoir un meilleur
cours pour les étudiants. Afin d’analyser les commentaires des étudiants, nous
pouvons résumer que la plupart des évaluations étaient mauvaises et cela signifie que
le cours doit être amélioré: En termes d'utilisation d'un bon cadre, d'une bonne façon
de poser les questions, d'une bonne évaluation technique, d'un bon retour
d'information et de respect des délais, tout cela doit être pris en considération.
25
6 Modification
6.1 Crise Sanitaire
Les universités et les campus universitaires sont des lieux où les étudiants vivent et
étudient à proximité les uns des autres. Ce sont également des centres culturels
dynamiques où se réunissent des étudiants de nations du monde entier. Récemment,
les fondements de cet écosystème unique ont été considérablement affectés par la
propagation rapide de l’épidémie de coronavirus (Covid-19), créant une incertitude
quant aux implications pour l’enseignement supérieur.
Afin de pouvoir continuer l’apprentissage pour les étudiant, la solution pour ce
problème était de maximiser l’apprentissage en ligne. L’outil le plus efficace pour
maintenir la rétention des étudiants et maintenir l’accès à l’apprentissage a été les
cours en ligne.
Par conséquent, chaque université a dû ajuster ses programmes en réponse à la
propagation du coronavirus.
Pour commencer à passer aux classes virtuelles, il fallait tout d’abord définir les
outils à utiliser . Les points principaux sont:
26
6.2 Modification du Travail
6.2.1 Développement d’un Scenario Pédagogique
Nom de l’activité :
Machine Learning- Practical work
Description synthétique :
L'apprentissage automatique (ML) est la science qui consiste à faire fonctionner les ordinateurs sans être explicitement programmés. Au
cours de la dernière décennie, l'apprentissage automatique nous a offert des voitures autonomes, une reconnaissance vocale pratique, une
recherche Web efficace, etc.
Ce cours est le prolongement pratique du cours théorique qui a lieu seulement 2 heures avant. L'étudiant mettra en œuvre dans ce cours
pratique ce qu'il a appris du cours théorique. Notez que le cours complet est facultatif (théorique et pratique), cependant une fois que
l'étudiant a suivi le cours théorique, le cours pratique est obligatoire.
Dans ce cours, l'étudiant apprendra à mettre en œuvre les techniques d'apprentissage automatique les plus efficaces et à les faire travailler
pour eux-mêmes. L'étudiant acquerra le savoir-faire pratique nécessaire pour appliquer rapidement et puissamment ces techniques à de
nouveaux problèmes en travaillant sur une base de données existante, ainsi que le savoir-faire pour choisir les meilleurs paramètres pour
chaque modèle ML. Enfin, l'étudiant sera invité à concourir sur Kaggle (une plateforme d'implémentation des meilleurs algorithmes de ML).
Ce cours offre l'opportunité d'implémenter les algorithmes d'apprentissage automatique, plus important encore, les algorithmes
d'apprentissage supervisé. Par exemple, après avoir appris l'algorithme KNN, un exercice complet après cette leçon sera donné afin
d'utiliser ce modèle KNN sur un jeu de données réel.
Google Collab Notebook sera utilisé comme framework pour coder en Python3.
A chaque session, les étudiants travailleront sur un grand exercice qui sera leur devoir pour la session suivante et sera noté en fonction des
méthodes utilisées et des réponses obtenues.
Moodle est utilisé durant ce cours pour poster et récupérer tous les documents, les devoirs et tous les travaux complémentaires effectués à
distance.
Inscription dans le contexte institutionnel (programme ou plan d’études ; lien avec le NQF) :
L'apprentissage automatique est un cours optionnel suivi UNIQUEMENT par les étudiants de 3e année en Informatique (Bachelor) à
l'Université des Sciences Appliquées et Architecture HEIA-Fribourg.
virtuelle : 2h par semaine sur en ligne : Teams travail personnel : 2h par semaine
Durée estimée pour Teams
l’apprenante
(heures/semaine)
27
Prérequis 1
Les étudiants doivent assister au cours théorique (ce cours aura lieu le matin, 2 heures avant le cours pratique) afin de pouvoir
mettre en œuvre les modèles appris. De plus, les étudiants doivent être en 3e année d'informatique (Bachelor) et avoir une
compréhension de base du langage de programmation. Les élèves devraient être capables de coder en général. Python3 est un
plus mais pas nécessaire. Les étudiants n'ont pas besoin de savoir quoi que ce soit sur l'apprentissage automatique car ils
l'apprennent dans la classe théorique
Compétence(s) principale(s) 2
Les étudiants comprendront comment implémenter chaque modèle d'apprentissage automatique dans Python3.
L'étudiant sera capable d'utiliser des algorithmes d'apprentissage automatique dans des scénarios réels
Les étudiants apprendront à jouer avec les paramètres de chaque modèle afin d'augmenter l'utilisation du modèle.
Les étudiants apprendront Python3 puisque toute l'implémentation se fera uniquement en Python3 (obligatoire)
Objectifs 3
savoir-refaire / savoir-redire expliquer la logique apprise de chaque modèle lors des sessions théoriques via le code
Python3.
savoir-faire convergents
réaliser un exercice basé sur ce qu'i a été appris dans les sessions théoriques
savoir-faire divergents
Utiliser toutes les notions apprises dans ce cours dans un cas réelle (concours
kaggle)
savoir-être / savoir-devenir -
28
Prise en compte de l’apprenant-e
1
EPA = environnement personnel d’apprentissage
29
Différentes méthodes sont utilisées pour motiver les étudiants :
1) Des questions bonus dans les devoirs pour pouvoir améliorer la note de l'élève.
2) Concours Kaggle où les étudiants seront concourus dans le monde entier et même
De sa motivation avec l'assistant du cours.
3) Les étudiants peuvent utiliser des ressources en ligne et Google en classe afin d'obtenir
Comment susciter et maintenir sa une aide supplémentaire et d'aller plus loin dans la mise en œuvre.
participation ?
4) Tout travail supplémentaire de l'étudiant sera considéré comme un plus pour l'étudiant
intéressé.
32
- La note finale de tous les TPs est la median , en
considerant que le concours KAGGLE vaut 2 TPs.
Le concours de kaggle en fin de semestre est également
pris en compte. Le rang et le score sont pris en
considération pour la note finale. En effet, les premiers
étudiants les mieux classé (entre les étudiants de la
classe) aura un bonus sur le mini-projet
33
La note finale sera la raison pour
que l'étudiant réussisse le cours.
Même si les examens théoriques
ont été réussis, un échec à ce
cours incitera l'étudiant à le
redoubler (cours pratique
uniquement).
Formes et outils Chaque devoir comporte des questions en fonction du
(type de questions, de situations et d’échelle(s) d’évaluation) chapitre (selon le modèle appris) et sera invité à répondre en
implémentant le code dans Python3 et en l'exécutant là où les
assistants attendent une réponse.
Méthodes utilisées / question : 80 %
Bonne réponse/question : 10 %
Structure / code question : 10 %
Il y aura un grille de critere et d’evaluation pour chaque tp et
question.L'échelle est de INF, SUF, Bien, T. Bien.
Excellent est juste comme note final si tout est correcte avec
le bonus.
LA NOTE FINALE est le median de tous les devoirs.
Un concours de Kaggle est également évalué de la même
façon. Par contre, le mini projet vaut 2 TP
Critères d’évaluation Les critères sont la structure et l'optimisation du code et
surtout les bonnes méthodes et la bonne réponse.
Feedback aux étudiant-e-s Les commentaires sont envoyés à chaque groupe sur le
(sous quelle forme ? à quel moment ?) google collab notebook à côté de chaque question répondue.
34
Une rétroaction générale est envoyée à la classe (face à face)
après chaque devoir.
Les commentaires finaux sont écrits en général lors de l'envoi
du papier complet des notes finales de chaque étudiant.
L’étudiant aura la possibilité de voir comment il était évalué
sur chaque questions (s’il demande) et la note finale, les
feedback personnelles et les feedbacks générales.
Evaluation de l’enseignement
35
Commentaires
Vérification des caractéristiques d’un Présent : X apprentissage en profondeur2
Absent : 0
(justification de ses choix)
Cours a option
Parcours négociés x
Une évaluation est faite sur chaque devoir. Une évaluation globale est
Évaluation X également donnée à la classe sous forme de notes générales.
Les solutions sont fournies après avoir reçu tous les devoirs et les élèves
Cohérence : objectifs – méthodes – peuvent voir s'ils ont utilisé les bonnes méthodes.
X
évaluation
Les 2 assistants sont toujours prêts à aider les élèves en classe et même
Fonctions d’aide à l’apprentissage X après les cours, via moodle, mail et par bureau.
2
Référence utile : notes de cours du module A (point I.4.3 en particulier le tableau récapitulatif)
36
Des documentations en ligne sont également fournies en ligne, mais les
Usage des TIC X étudiants sont encouragés à dépendre davantage d'eux-mêmes que de
rechercher sur Internet.
Les étudiants sont consultes a deux reprises
Moments de régulation du dispositif X
37
6.2.2 Analyse
Cette façon d’enseigner vise à enseigner aux étudiants 3 points importants :
1) De réutiliser les acquis du cours théorique (savoir redire savoir-faire) et de les mettre en œuvre via la
programmation à travers quelques tutoriels d’un langage de programmation spécifique appelé Python3 (savoir-faire
convergent)
2) Développer les capacités de travail en équipe et aider à une meilleure communication dans le monde technique
3) Devenir responsable de faire son travail puisque les devoirs sont notés et sont la raison de leur note finale.
Biais:
La façon dont nous évaluons ce cours est d’abord sur leurs devoirs, qu’ils aient pris le temps de le résoudre
correctement ou non. Ainsi, que l’élève soit suffisamment responsable pour faire ses devoirs ou non, celui-ci sera
noté. De cette façon, les étudiants sont encouragés à travailler à la maison car travailler en classe ne suffit pas pour
un cours aussi chargé. Cependant, ce travail se compose de deux personnes (ou 3) pour un devoir et donc l’assistant
ne saura jamais exactement qui a donné plus d’efforts et de temps pour cela ou qui l’a réellement résolu. Je pense
qu’un test personnel devrait être fait à la fin du semestre pour demander à nouveau de résoudre des exercices
similaires et le comparer avec leurs devoirs pour voir si chacun a vraiment travaillé. Deuxièmement, les élèves
commencent à travailler en classe pour résoudre leurs devoirs et un assistant est dans la classe pendant 2h pour
répondre à leurs questions. Par conséquent, cette façon de concevoir les exercices est une façon de donner aux
élèves la possibilité de travailler plus en classe pour réduire la quantité de travail à la maison. De plus, nous
encourageons les étudiants à commencer à résoudre et à réfléchir à l’exercice en classe afin d’avoir également la
possibilité de poser plusieurs questions à l’assistant sans réserver une réunion de questions plus tard. Dans les
formulaires/outils, le cours est évalué sur 80 per cent des méthodes utilisées et 10 per cent de la bonne réponse et
10 pour cent de la structure du code, ce qui est une bonne occasion pour l’étudiant de se concentrer plus sur les
méthodes que sur la réponse. En outre, cela apprendra à l’étudiant à trouver les meilleures solutions pour l’exercice.
- Pertinence : L’évaluation de ce cours ne consiste pas seulement à apprendre à répéter ce que les étudiants
ont appris en classe théorique et à réutiliser les méthodes et pas seulement au savoir-faire convergent en le
programmant, mais elle vise également à utiliser ces méthodes en réalité pour assurer la pérennité des
apprentissages. La seule façon de réussir ce cours est de résoudre des exercices, ce qui amène à donner des
efforts pour mieux apprendre ce cours.
- Validité : Puisque le groupe de deux (ou 3) fait le travail, cette évaluation ne peut pas être considérée
comme juste à 100 per cent. Cependant, comme les exercices sont un peu longs et que les élèves sont nombreux,
des groupes de deux sont nécessaires pour le moment.
- Validité : Le travail est évalué sur le fait d’avoir des réponses justes et correctes. Le travail est également
évalué par les méthodes utilisées par les élèves. Une mauvaise réponse peut être considérée comme plus qu’à
moitié correcte si la méthode est correcte. Il existe également des points bonus qui peuvent améliorer la note
des étudiants s’ils l’ont bien résolu.
38
distance nécessite d’une application ou les élèves peuvent travailler ensemble en temps réel, une modification
d’outil est faite :
Colaboratory, ou « Colab » en abrégé, est un produit de Google Research. Colab permet à quiconque d’écrire et
d’exécuter du code Python arbitraire via le navigateur, et est particulièrement bien adapté à l’apprentissage
automatique, à l’analyse de données et à l’éducation. Le document que vous lisez n’est pas une page Web statique,
mais un environnement interactif appelé bloc-notes Colab qui vous permet d’écrire et d’exécuter du code. Il est
vraiment fait aussi pour l’apprentissage automatique. Le professeur peut commenter le travail de l’étudiant, la note
qu’il a prise.
Le professeur peut créer différentes collaborations Google et les partager avec les différents groupes. Chaque
groupe dispose d’un cahier, après la fin de la semaine, les étudiants peuvent uniquement visualiser leur document
mais ne peuvent plus le modifier. Le seul inconvénient de Google Colab est que les utilisateurs peuvent me voir
corriger en temps réel, cependant, nous pensons leur donner accès « view » quand ils rendent leur travail.
Les devoirs sont envoyés par Moodle en PDF, des solutions sont également fournies sous forme d’applications
pdf et web. Cependant, la différence était juste lorsque l’enseignant devait expliquer les devoirs et lorsque les élèves
avaient des questions et avaient besoin d’aide. Teams aide beaucoup car nous pouvons accéder au contrôle sur
l’ordinateur des étudiants s’ils ont besoin de beaucoup d’aide. Les messages directs ont également été utilisés pour
des questions rapides.
En termes de contenu, les questions sont bien numérotées. Sur la base des erreurs précédentes avec les
étudiants précédents, nous avons ajouté que s’ils utilisaient la mauvaise méthode, le point ne serait pas atteint. Par
exemple, l’année dernière, beaucoup d’étudiants ont répondu à une question en texte alors qu’elle devait être
prouvée par code, donc dans les questions, nous avons spécifié quand il fallait y répondre par code ou par texte.
Chaque question a le point à côté, donc les étudiants auront une idée complète de la note qu’ils obtiendront.
Pour la partie de TD : En utilisant Google Collab, les étudiants pourront suivre le travail et la solution. S’il est en
ligne, l’enseignant peut demander à un élève de résoudre une question directement sur Google collab.
39
Figure 20: Nouvelle Version des questions de TP
Méthode d’évaluation
Dans cette partie, nous avons créé une grille complète pour noter chaque question entre TB (très bien), B(bien),
S(suffisant), INF(insuffisant).
Le but des travaux pratiques est de savoir dans quelle mesure les étudiants ont compris la leçon et dans quelle
mesure ils peuvent effectuer les travaux pratiques. Puisqu'il y a des exercices qui sont TRÈS faciles pour les autres,
nous pénaliserons les notes INF(insuffisant) et TB(très bien).
Notons que cette grille doit être convertie en un système de points afin de pouvoir calculer la note finale. En fait,
prendre la moyenne ne sera pas très juste pour les étudiants. En effet, si 30% (arrondi) du travail est insuffisant
alors, pour nous c'est quelqu'un qui n'a pas compris le TP et ne doit pas réussir ce TP.
30% est un petit nombre mais comme il y a beaucoup de questions très faciles, cela nous a permis de nous baser
sur cela.
1. Note final :
Chaque laboratoire est évalué de la même manière, mais tous les laboratoires n'ont pas le même nombre de
questions.
A la fin, une médiane passera par tous les TP, afin de donner une note finale de tous les TP
Exemple :
En mettant les notes de chaque TP avec le 2* mini-projet, on fera une médiane pour la note final
INF S TB B
41
Q6 Explain the plot Explain the Explain the plot Wrong or not
+ explain why plot + brief + respond if it is done
results are explaination good or bad
good why results without
are good explanation
Q7 Description by Description by Description by Not done or only
code and text of code and text of code or text 1/3 features is
classes, features, 2/3 (1/2) and of 2/3 explained.
purpose of a (classes, feture,
classification p.c)
task
Q12 Result by code Result by code Result by code Wrong, not done
and text: or text : analysis or text : brief
analysis of of classifier analysis of
classifier classifier
Q13(optional) K parameter, Tester 2/3 - -
algorithm,
distance metric
are tested and
compared +
full description
Q14 Kmeans
Q15 Respond by text Respond by code Other correct Respond by text
and code : elbow only number of methods without
method + centroid, elbow explaining how,
answer number method wrong, not done
of centroid
42
Q17 Quality, clarity, Quality, clarity, Quality, clarity Not quality, no
general effort normal effort clarity
Groupe 1 :
Qx NOTE COMMENTAIRE
Q1 TB BRAVO
Q2 TB BRAVO pour les details
Q3 S Il fallait diviser entre train/test ton
model pour prendre la note
complète
Q4 B Il faut expliquer les résultats pour
prendre un TB
Q5 TB Super
Q6 TB
Q7 TB
Q8 INF De nouveau, il faut diviser entre
train/test
Q9 INF Il faut utiliser la méthode fit() afin
d’avoir la note complète
Q10 TB Très bonne explication. C’est très
bien comment vous avez
Utiliser les plots pour argumenter
vos choix.
Q11 TB
Q12 TB
Q13 B Bravo pour prendre le temps de
faire la partie optionnelle. En plus,
c’est correct. C’est très intéressant
comment vous avez essayé de
tester les diffèrent capacités afin
d’avoir le meilleur mode. Pour
avoir la note complète, il fallait
tester les 3 méthodes.
43
Q15 INF Comment vous avez donne cette
réponse ? comment vous l’avez
trouvé ? il faut utiliser la
method elbow method
Q16
Q17 B EFFORT GENERAL NORMAL.
Bravo pour la bonne qualité du
travail.
4*0 + 1*1 +2*1.5 + 8*2 = 20/30 ce qui est moin de 70% alors insiffusant
44
Autres exemples:
INF INF B TB TB TB TB TB TB TB TB TB TB TB TB
2*0 + 1*1.5 + 12*2= 25.5 /30 ce qui 85% donc c’est suffisant
3*0 + 1*1 + 11* 2 =23/30 …aussi insuffisant car c’est moin de 85% et plus que 70%
45
Feedback
Dans la grille pour chaque question, il y a des commentaires constructifs avec des
recommandations sur la façon d'améliorer leur réponse. Nous enverrons un retour
général, un retour par groupe en général et enfin si les élèves ont plus de
questions, nous enverrons le retour de la grille avec la note qu'il y avait sur chaque
question.
Sur Google Collab, l'assistant finira par écrire le retour sur chaque question sous
forme de commentaire. L'utilisateur aura plus d'accès pour éditer sur le cahier,
cependant il pourra voir son travail et la correction.
Une solution sera disponible pour les étudiants après le dernier délai de chaque
étudiant et pendant ce temps, leur travail sera corrigé (élimination du problème
de retard)
7 Améliorer l’interaction avec l’assistant: L’Expressivité
Les étudiants avaient de mal avec les assistants et pour améliorer cette partie, on se base sur les cours
didactique a options par rapport à l’expressivité :
Comment j’ai expérimenté les techniques et les outils:
• Avec les étudiants
Afin de le faire correctement avec mes élèves, le langage non verbal et la voix sont essentiels pour une bonne
communication. La mobilité physique, la voix et les mots sont également très importants pour avoir une
bonne communication. La mobilité physique prend 55 % alors que la voix prend 38 % et les mots sont 7 % .
J’ai commencé à travailler sur les outils nécessaires à la communication avec « l’expression théâtrale » comme
médium qui nous amène à prendre conscience des nombreuses richesses et possibilités que nous avons tous
en nous et avec nous : notre respiration, notre corps, notre voix, notre geste, nos émotions. La conscience
aussi de l’autre, de mes élèves, de la classe, de l’espace, de l’énergie et du regard, est une donnée essentielle
pour une bonne communication. J’ai acquis ma voix et mon corps face à mes élèves, , tout en les regardant
et en les adressant correctement et permettant à la conversation de laisser circuler la pensée entre chaque
élève. En outre, avant ce cours, j’essayais aussi constamment d’exercer mes exercices de respiration, de
relaxation et de posture corporelle afin de me donner une assise solide devant un public. En conséquence, le
jour de la séance, je pense ces exercices vont me donner une meilleure facilité à exprimer une pensée et une
idée et m’ont aidé à avoir de meilleures qualités relationnelles. Pendant la séance, après chaque idée, je
laisserai le silence circuler. Le silence est aussi un partenaire dans la conversation. Il améliore mon discours.
En parlant de ma posture et de mon langage corporel, je devais me tourner chaque fois que je parlais à une
personne en particulier. Je laisse ma posture en place pour communiquer, ce qui me va rendre plus confiant
envers mes élèves. J’aimerais aussi ajouter que dans les autres cours, je gardais toujours ma posture debout
et mes yeux tournaient autour de toute la classe. D’un autre côté, les émotions seront une très grande partie
de mes séances. Comprendre les émotions et l’émotion de mes élèves m’a permis de continuer à donner des
conseils, des retours constructifs. Mais comment? Je devais le vivre avant. C’est ce que j’appelais aussi être
empathique. Par conséquent, j’essaie toujours de me mettre à la place de mes élèves. Pendant que j’utilisais
mes techniques, il faut observer les élèves pour voir s’ils étaient plus réceptifs pendant que j’utilisais ces outils.
Pour résumer, au cours de ces situations, en utilisant ces techniques, je me sentirai plus confiante et mature.
46
8 Conclusion
Ce document présente une adaptation du cours "Machine Learning" qui s’est produit en raison de la crise
sanitaire COVID et une nouvelle méthode pour évaluer les travaux pratiques de l’étudiant. Initialement, le cours
a été converti d’un cours connu pour être présent à un cours virtuel. La nouvelle méthode est également
comparée aux cours d’apprentissage automatique en ligne existants pour souligner son utilité. La modification
des techniques de rétroaction et d’évaluation des travaux des étudiants est également présentée et analysée
en détail. Nous avons discuté également des commentaires de certains étudiants qui ont essayé ce cours virtuel
qui nous a aider éventuellement de créer une nouvelle méthode d’évaluation. L'un des principaux intérêts de
mon cours est de m'assurer que notre cours peut surpasser les cours en ligne. Par conséquent, nous avons dû
nous concentrer sur la partie évaluation et renforcer l'interaction de l'assistant avec les étudiants.
Nos modifications ne sont pas encore testées et à l'avenir nous aimerions réévaluer le cours avec
les étudiants. Un outil d'automatisation du calcul de la note finale sera développé pour pouvoir
envoyer les notes de la grille et récupérer la note finale automatiquement. L'outil mettra en
évidence les avantages de l'étudiant pour la partie optionnelle. L’outil pourra éventuellement
construire un rapport d’évaluation pour chaque groupe et peut être envoyé au groupe.
References
[1] What Is Machine Learning?. (2021). Retrieved from https://www.knowledgehut.com/blog/data-science/what-
is-machine-learning
[2] Top 10 Applications of Machine Learning : Machine Learning Applications in Daily Life. Retrieved from
https://www.edureka.co/blog/machine-learning-applications/
[3] Retrieved from Types of machine learning algorithms(2017), 7data, https://7wdata.be/himss/types-of-
machine-learning-algorithms/
[4]Machine Learning with Python- Coursera course
[5] Udemy. Retrieved from www.udemy.com
[6] Simplilearn. Retrieved from www.Simplilearn.com
[7] Machine learning course Retrieved from https://www.udemy.com/course/machinelearning/
47