Iu9

UNIVERSITE DE FRIBOURG, SUISSE CENTRE DE

DIDACTIQUE UNIVERSITAIRE

Travail de Fin d’Etude

Nouvelle Méthode d’évaluation et d’analyse d’un cours
d’informatique à distance

Travail de fin d’étude en vue de l’obtention du Diplôme en Enseignement

Supérieur et Technologie de l’Education

Travail sous la direction de la Prof. Bernadette Charlier Pasquier

Mira El Kamali

Humantech Institute, Haute École d’Ingénierie et d’Architecture de Fribourg

(HEIA-FR) & Département Informatique, Université de Fribourg 2021
Contents

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.

2.1 Une analyse: (Module C)

- Ce que j’ai appris au lieu du travail:
• Travailler dans un grand projet m’a permis de développer de nouvelles
capacités à gérer différents cas sur une courte période.

• Travailler avec des personnes multiculturelles m’a ouvert l’esprit.

• Travailler en projet européen m’a appris à travailler dans les délais.
• Travailler avec des gens intelligents en informatique m’a aidé à aimer plus le
travail et à travailler plus dur sur moi-même - La façon dont j’ai appris :

• En utilisant la recherche sur Internet, des vidéos YouTube, des livres de la

bibliothèque, j’ai appris le python et la programmation d’appareils IOT. -
Conditions pour apprendre sur le lieu de travail :

• patron qui vérifie ses employés

• Retours du patron
• Bonne ambiance
• Activités entre collègues
• Orientation directe et indirecte - Engagement

• La possibilité de donner les outils pour que les employés puissent travailler
comme du matériel de bureautique etc.

- Conditions pour apprendre du point de vue de l’individu:

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

Figure 1: Machine Learning

3.1 Qu’est-ce qu’un apprentissage automatique?

L’apprentissage automatique est une application de l’intelligence artificielle (IA) qui
permet aux systèmes d’apprendre et de s’améliorer automatiquement à partir de
l’expérience sans être explicitement programmés. L’apprentissage automatique se
concentre sur l’apprentissage des données. Les données peuvent être des exemples,
des instructions ou une expérience directe, etc. L’objectif principal est de permettre
aux ordinateurs d’apprendre automatiquement sans intervention ou assistance
humaine et d’ajuster les actions en conséquence. Le processus d’apprentissage
commence par l’observation de ces données et la recherche de modèles, puis par la
prise de meilleures décisions à l’avenir sur la base des exemples que nous fournissons
[7] .

3.2 Pourquoi l’apprentissage automatique est-il important ?

L’apprentissage automatique est devenu un facteur de différenciation concurrentiel
important pour de nombreuses entreprises. La plupart des applications l’utilisent.
L’apprentissage automatique est important car il donne aux entreprises un aperçu des
tendances du comportement des clients et des modèles commerciaux, et soutient le
développement de nouveaux produits [1] .

3.3 Application existantes avec Machine Learning

Nous utilisons quotidiennement de nombreuses applications de machine learning. De
nombreuses entreprises de premier plan utilisent l’apprentissage automatique dans
leur produit pour offrir un meilleur service client. L’apprentissage automatique est
également utilisé dans les soins de santé et peut potentiellement aider de nombreux
patients à avoir de meilleurs modes de vie[2] . Voici de nombreux exemples :

8
3.3.1 Alertes de trafic (cartes)

Figure 2: Google Maps

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.

3.3.2 Réseaux sociaux (Facebook)

Figure 3.

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

Figure 4: Recommendations Amazom

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.

3.3.4 Assistants personnels virtuels

Figure 5: Assistant Vocal

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

la détection de conversations et les émotions. Le système est également personnalisé

en fonction des habitudes à court et à long terme de l’utilisateur.

3.3.6 Voitures autonomes

Figure 7: Voiture Autonome Tesla

L’apprentissage automatique joue un rôle très important dans les voitures

autonomes. Tesla est une voiture qui a sa propre intelligence artificielle actuelle qui
est basé sur un algorithme d’apprentissage non supervisé. C’est dirigé par NVIDIA.il
collecte les données de tous ses véhicules et de ses conducteurs. Il utilise des capteurs
internes et externes qui font partie de l’IOT. NVIDIA a déclaré qu’ils n’avaient pas
entraîné leur modèle à détecter des personnes ou des objets encore.

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

3.4 Quelques méthodes d’apprentissage automatique

Les algorithmes d’apprentissage automatique sont souvent classés comme supervisés
ou non supervisés[3] .La figure 9 résume les types d’algorithmes.

Figure 9: Différents types d’apprentissages

3.4.1 Apprentissage supervisé

Les algorithmes d’apprentissage automatique supervisés peuvent appliquer ce qui a
été appris dans le passé à de nouvelles données en utilisant des exemples étiquetés
pour prédire des événements futurs. Le système est capable de fournir des objectifs
pour toute nouvelle entrée après une formation suffisante. Il existe beaucoup
d’algorithmes: Régression, Classification(KNN, SVM, DT, RF, Bayes etc)

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.

3.4.3 Apprentissage par renforcement

Les algorithmes d’apprentissage automatique par renforcement sont une méthode
d’apprentissage qui interagit avec son environnement en produisant des actions et en
découvrant des erreurs ou des récompenses. La recherche par essais et erreurs et la
récompense différée sont les caractéristiques les plus pertinentes de l’apprentissage
par renforcement.

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.

Cependant, en mettant en lumière les inconvénients des travaux pratiques, nous

constatons que le cours manque beaucoup de professionnalisme, par ex, un étudiant
a écrit : "Les exercices de laboratoire par rapport au reste du cours ne sont pas
satisfaisants car dans les sessions de laboratoire, les algorithmes n’ont pas été
expliqués et manquent d’exercices pour les étudiants. Il manque également de clarté
quant au moment d’utiliser quel algorithme.", Un autre a ajouté "Ce cours doit être
retiré de Coursera. Voici quelques raisons : il y a une faute de frappe très déroutante
et une mauvaise description du devoir final, même si cela a été signalé, ils n’ont pas
pris 2 minutes pour le corriger. Le devoir final est noté par les pairs (ce qui est vraiment
stupide, comment les autres étudiants désemparés savent-ils si je l’ai fait
correctement ou non) ils fournissent une feuille de réponses (pas la solution) et je
pense que beaucoup d’étudiants pensaient que c’était la solution et ont mal noté mon
devoir. La qualité du contenu fourni est pauvre... Si quelqu’un connaît déjà Python,
alors il perd vraiment son temps, s’il ne le fait pas - ce cours ne lui apprend rien... Ne
perdez pas votre temps et votre argent il y a bien mieux options là-bas. ", et encore
un étudiant qui a dit "La réponse du le personnel enseignant y était de l’orge. Le travail
en laboratoire a exposé ce que les utilisateurs « cibles » (débutants-intermédiaires)
doivent savoir pour suivre les cours. Les devoirs notés par les pairs exigeaient
beaucoup plus que ce qui était enseigné dans les leçons. Je passe plus de temps à
rechercher des tâches qu’à les apprendre dans un cours rémunéré. ", quelqu’un aussi
a ajouté "Je suis très frustré par le projet final du cours. S’il vous plaît, lorsque vous
demandez des méta-paramètres de réglage, soyez spécifique ou ne fournissez pas une
fausse solution obsolète où il n’y a aucun réglage dans l’arbre de décision, svm, ni
régression logistique régularisée. Tous les débutants ne comprennent pas vos
instructions trompeuses du projet final ou ne peuvent pas être capables de noter en
fonction de ce qui est réellement correct.", "Les laboratoires étaient remplis de fautes
de frappe qui rendaient la compréhension des concepts beaucoup plus difficile.
Parfois, le code serait même faux. Veuillez examiner attentivement les travaux
pratiques et essayer de mieux expliquer les concepts. Cela aide également lorsque
vous expliquez ce que fait votre code afin que les étudiants puissent comprendre ce
qui est écrit. Il existe beaucoup encore des commentaires négatifs qui parlent de la

15
frustration sur les travaux pratiques, clarté, solutions donnés, les feedbacks et les
notes.

4.2 Udemy

Figure 10: Syllabus

Udemy, Inc.[5] est un fournisseur américain de cours en ligne ouverts et massifs

destiné aux adultes professionnels et aux étudiants. Elle a été fondée en mai 2010 par
Eren Bali, Gagan Biyani et Oktay Caglar.
Bootcamp Python pour la science des données et l’apprentissage automatique[10]
est le cours trouvé. Le cours aussi à un syllabus pour les travaux pratiques. On
trouvera 27 sections, 165 conférences qui peuvent être complètes en 24h 54m. Le
cours est payant avec un certificat. Il n’y a pas d’examens, pas de devoirs. Les travaux
pratiques sont juste expliqués par des vidéos et c’est à l’étudiant de les répéter seul
chez lui. Il n’y a pas une date précise pour le début.
Des commentaires positifs existent comme "C’est vraiment un bon cours pour
ceux qui souhaitent apprendre le ML à partir de zéro. Chaque section est bien
expliquée. Les deux gars ont de très bonnes compétences pédagogiques pour vous
faire comprendre toutes les complexités en une seule fois." et des commentaires
négatifs existaient aussi comme "Des méthodes abstraites, les enseignants ne
répondent jamais aux questions d’il y a des années, certaines étapes ne sont même
pas expliquées en détail", "Les vidéos étaient de bonne qualité mais le soi-disant TA
est nul. Je n’ai pas compris réponse à n’importe quelle question que j’ai posée. J’ai
trouvé que c’était la même chose avec les autres étudiants aussi. Ils répondent avec

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.

5 Haute école d’ingénierie et d’architecture de Fribourg

5.0.1 Cycles d’étude de la HES-SO
L’HEIA-FR fait partie du réseau des Hautes écoles spécialisées de Suisse occidentale
(HES-SO). La formation dans ce type d’université vie à former des ingénieurs qui soient
des professionnels prêts pour le monde du travail à la fin de leur cursus. Cependant,
le cursus de l’HEIA-FR est composé de deux cycles d’étude distincts: trois années pour
obtenir un Bachelor et deux années de plus pour obtenir un Master. Puisque l’HEIA-
FR promeut un type d’étude orienté vers la pratique, on trouve toujours dans les
cours, des heures consacrées pour la pratique.

5.0.2 Travaux pratiques dans la filière informatique

Comme mentionné dans le paragraphe précèdent, la formation dans le cadre de
l’HES-SO est fortement orientée vers la pratique. Durant leur cursus, les étudiants
réalisent différents types de travaux pratiques : le Travail Dirigé (TD), le Travail
Pratique (TP), le Mini-Projet (MP). Ces différents types sont décrits ci-dessous:

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.

5.0.2.2 le Travail Pratique (TP)

Un Travail Pratique (TP) est réalisé dans le cadre d’un cours. Il consiste en un ou
plusieurs exercices pratiques que les étudiants doivent exécuter dans un temps
déterminé. Ces exercices sont généralement notés. Leur but est d’évaluer la maîtrise
d’un sujet particulier enseigné dans le cadre du cours.

5.0.2.3 Un Mini-Projet (MP)

Un Mini-Projet (MP) est réalisé dans le cadre d’un cours. Il a pour but la réalisation
d’un petit programme ou d’une petite application en se basant sur des concepts
enseignés durant le cours. Un MP varie généralement entre 20 et 32 heures de travail
et est noté. Leur but est d’évaluer les connaissances générales apprises dans le cadre
d’un cours.

5.1 Méthode existantes de Travail Pratique et Dirigé Pour le cours de

Machine Learning

Cette section présente le cours actuel de Machine Learning.

5.1.1 Objectives
5.1.1.1 Prérequis
- Programmation Basique du Python.

5.1.1.2 Machine Learning - Résultats d'apprentissage

A la fin de ce cours, l'étudiant est capable de :

- Identifier les cas d'utilisation des techniques d'apprentissage automatique.

- Expliquer les concepts d'apprentissage à partir de données, d'apprentissage

supervisé et non supervisé.

- Comparer et appliquer les méthodes d'apprentissage automatique, notamment : k-

means, K-NN,Bayes et les arbres de décision

18
- Comparer et appliquer les méthodes de traitement des ensembles de données

- Évaluer les performances des algorithmes d'apprentissage automatique

- Choisir les meilleures approches en fonction du jeu de données et de la connaissance

du problème.

Bases de l'apprentissage automatique

Les étudiants doivent être capables d'expliquer :

- Les définitions de base de l'apprentissage automatique - ce que signifie

l'apprentissage automatique.

- L'étudiant doit être capable de différencier

- Classification Vs. régression

- Apprentissage supervisé et non supervisé.

- Classes Vs. caractéristiques

- Processus d'apprentissage :

- Ensemble d'apprentissage Vs. ensemble de validation Vs. ensemble de test

- Traitement de l'information

- Acquisition de données, prétraitement, extraction de caractéristiques,

reconnaissance, décision.

5.1.2 TD + TP + Mini Project

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.

Figure 12: Critères d’évalustion

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

5.1.5 Evaluation des étudiants

J’ai envoyé un sondage aux étudiants pour évaluer le cours de cette année en
me concentrant sur l’impact des cours en ligne, le contenu du cours et enfin la
partie évaluation et les retours donnés. En annexe, vous pouvez trouver
l’ensemble des questions et réponses. Cependant, dans cette section, les
questions sont résumées:

1. Le déroulement actuel d’enseignement (du TP) en ligne proposé vous convient-

il ?

2. Quels avantages voyez-vous dans l’enseignement des TPs à distance proposé

jusqu’à maintenant ?

3. Quels désavantages voyez-vous dans l’enseignement à distance des TPs

proposé jusqu’à maintenant ?

4. Est-ce que le contenu des TPs et du mini-projet répond en général à vos

attentes (niveau de difficulté, contenu abordé etc).

5. Avez-vous des suggestions d’amélioration des TPs et du mini-projet ?

6. Que pensez-vous de l’aide proposée par les assistants durant les TPs? Notez les
questions suivantes de 1 à 5 (1 = pas bien, 5 = très bien)

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.

9. Souhaitez-vous avoir la possibilité d’évaluer un TP d’un de vos camarades de

classe? Pourquoi?

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:

 L’ adaptation des travaux pratiques de machine Learning à cause du covid

 L’ amélioration des travaux pratiques en ce qui concerne la clarté des

consignes, l’évaluation des apprentissages et des retours donnés aux
étudiants.

La section suivante présente le scenario pédagogique pour commencer à

améliorer ce cours.

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.

ECTS prévus pour l’activité : 2

virtuelle : 2h par semaine sur en ligne : Teams travail personnel : 2h par semaine
Durée estimée pour Teams
l’apprenante
(heures/semaine)

Personnes ressources tuteurs/tutrices 0: pairs :1 soutien technique :0 autres : 30

enseignants:
(nombre) étudiants. Travail
2 assistants dans ce des élèves en
cours pratique. A groupe de 2 ou 3
noter que dans la
partie théorique, il y a
1 professeur.

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

(dans la préparation, la réalisation, l’intégration et le

réinvestissement de la situation
d’apprentissage)
 Ce cours est adaptable à tout le monde ; Cependant, la majorité de la classe est
de sexe masculin, car nous avons toujours moins de femmes que d'hommes se
spécialisant en informatique. Cependant, ce cours est adaptable pour les deux
sexes en restant sur le pronom personnelles « VOUS »
 Ce cours aidera l'étudiant, au cas où il/elle serait intéressé(e) par l'intelligence
artificielle, à viser à mettre en place des projets de scénarios réels.
De ses caractéristiques
individuelles  Le langage de programmation de base est un prérequis qui aidera l'étudiant à
 son genre
résoudre les exercices.
 ses projets, ses buts Les étudiants commencent à résoudre leurs devoirs en classe car nous

 ses prérequis comprenons qu'ils ont beaucoup plus de cours à suivre au cours du semestre.
 ses conceptions de l’apprentissage
 son attitude par rapport à la formation La présence n'est pas notée pendant la séance.
 son EPA1
 Les exercices se feront en groupe de 2 élèves ou 3 donc les élèves définiront
leur attitude dans ce cas. Cependant, tout commentaire est pris en considération
au cours du semestre s'il y a un problème dans n'importe quel côté du groupe.

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.

Planification des activités d’apprentissages Methodes et approces,fonctions d’aide

Activités en présence Activités à distance
Cours théorique : powerpoint
2h par semaine, révision
Le cours théorique est détaché de
et assimilation des
ce cours de ce scénario ;
cependant, c'est un pré-requis matériaux. Possibilités
pour pouvoir faire les exercices de poser des questions
de ce cours. via mail, moodle,
Les étudiants apprendront teams
chaque semaine un nouveau
modèle de Machine Learning
2h par semaine avec un Prof
Cours pratique En classe ou à la maison chaque vendredi L’exercise est sur moodle. Le groupe
2h par semaine avec 2 d’étudiants sur google colllab.
assistantes.
30
Chaque semaine, l'étudiant L’assistant doit demander si y a des
implémentera le modèle appris questions. Groupe de 2 ou 3 max
dans le cours théorique en
Python3 et avec la bibliothèque
sisitlearn. L'assistant leur
proposera d'utiliser un ensemble
de données existant appelé
« iris » qui se trouve dans les
bibliothèques de Sickitlearn.
Possibilité de poser des questions
en classe et de passer par le
bureau de l'assistante.
Concours de Kaggle Durant le semestre Platforme en ligne
Au cours de la 4ème semaine,
l'assistant 2 présentera kaggle
aux étudiants et leur demandera
de participer à un concours
spécifique afin de voir comment
les étudiants utiliseront les
modèles qu'ils ont appris avec
d'autres scénarios de la vie réelle.
Devoirs Moodle, stackoverflow, sickitlearn
Les étudiants doivent mettre sur online documentations, google. On
moodle chaque semaine les envoie des références pour qu’ils
exercices commencés en classe. commencent a chercher vers la bas au
début.
31
Ces exercices sont traités comme
des devoirs et seront notés

Evaluation des apprentissages (cette partie est élaboré après en détail)

Objets et types d'évaluation Formatif:

(connaissances, compétences, EPA , Chaque semaine, pendant la session, les élèves

etc.) commenceront à faire leurs devoirs en classe. Les devoirs
sont généralement longs, c'est pourquoi les élèves
(formatif, sommatif) commencent à les travailler pendant le cours. Les
assistants doivent aider les étudiants pendant cette
session et, par conséquent, les assistants prendront des
notes sur le type de question qu'ils posent et ce qu'ils ont
été capables de réaliser dans les devoirs pendant la
session. Cette session n'est pas notée mais cependant les
étudiants seront évalués de manière formative,
interactive et continue.
Ordinal :
L'évaluation est divisée en 3 parties :
- Chaque devoir a une note (INF, S,B,TB) par groupe
- Chaque question est évalué séparément (INF, S, B, T).
- à la fin de la correction d’un TP, les échelles sont
convertit en point.
- la note final est reconvertit en (INF, S, B, TB)

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

Fonction(s) (diagnostique, Analytique : (Diagnostique)

pronostique, certificative)
Les devoirs faits par les élèves
aideront les assistants à analyser
le manque de compréhension de
chaque groupe d'élèves.
Ce cours ne s'arrêtera pas sur
chaque personne
individuellement mais plus que
les groupes de 2.
Certificat:
A la base, c’est juste pour ajouter
des bonus sur le cours pratique,
sauf pour un cas:

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

Questionnaire d’évaluation 2 stades d’évaluation.

(quelles questions ? à quel moment ?) Au milieu du cours (après un TP et un TD) et à la fin du cours, l'assistant enverra un petit
questionnaire pour demander aux étudiants si les exercices les ont aidés à mieux comprendre
le cours théorique et si le travail en groupe a aidé à faciliter la résolution de ces exercices et a
aidé davantage les étudiants à apprendre en savoir plus sur la mise en œuvre de ces modèles
d'apprentissage automatique.
Séance d’évaluation Le questionnaire est dans la section 5.1.5
(quelle tâche ? à quel moment ?)

Résultats Les retours sont pris en compte pour améliorer ce cours

(feedback aux étudiant-e-s ? prise en compte
? régulation du dispositif ?)

35
 Commentaires
Vérification des caractéristiques d’un Présent : X apprentissage en profondeur2
Absent : 0
(justification de ses choix)
Cours a option
Parcours négociés x

Ce cours a lieu un jour précis de la semaine. Aucun changement. Les devoirs

Unités de temps et de lieux diversifiées 0 ont cependant une date limite et s'ils ne sont pas faits, ils seront notés zéro.

Chaque étudiant a son propre ordinateur portable. Python3 et google collab

Ressources en provenance des lieux peuvent être installés en ligne.
0
de vie privés et professionnels

Une évaluation est faite sur chaque devoir. Une évaluation globale est
Évaluation X également donnée à la classe sous forme de notes générales.

Des devoirs sont attribués aux élèves chaque semaine. Proposition de

participation aux concours.
Tâche X

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 devoirs se font en groupe de 2 ou 3

Collaboration X

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.

 Analyse de la cohérence et de la qualité de l’évaluation :

- 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.

6.2.3 Outils Proposés

Nous utilisons Teams pour donner le cours en ligne. Chaque étudiant doit se connecter depuis son compte et doit
être présent Ainsi, l’enseignant peut voir qui est venu à la classe. Nous avons également encouragé les élèves à
mettre la caméra pour voir les visages des uns et des autres. En équipe, l’étudiant peut appeler, passer des appels
vidéo et discuter en groupe . Les étudiants peuvent également créer des sous-groupes pour discuter avec des
étudiants certifiés et avec l’enseignant. Étant donné que le TP incite à diviser la classe en groupes, nous créons des
sous-groupes pour permettre à l’enseignant de discuter avec chaque équipe de leur travail.
, Nous étions déjà habitués à résoudre les exercices à l’aide d’applications Web. Par exemple, jupyter a été très utile
pour aider les étudiants à travailler par groupes en temps réel, chaque personne de sa maison. Vu que le travail à

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.

6.2.4 Proposition d’une conception pour les TP et TD: Exemple Concrets

L’objectif principal du TP et du TD est que les étudiants utilisent le travail théorique et le mettent
en pratique. Pour s'assurer que les étudiants vont travailler et donner leur patience et leur temps,
nous avons créé ces TP avec un système de notation qui ne servira que de bonus à la fin. La TD
vise à enseigner aux étudiants comment travailler pour les TP. Les TP sont notés et l'étudiant doit
commencer à travailler en classe et éventuellement à la maison.
Changement du PDF
Dans cette partie, nous avons fait un petit changement. En raison de la constatation que les tâches
ne sont pas bien structurées pour que l'étudiant sache comment répondre, nous avons ensuite
mis à jour le PDF de manière à ce que l'étudiant sache à combien de questions répondre.

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.

Conversion de la grille en points :

0/2 de la note appartient à la partie INF

1/2 de la note appartient à la partie S

1.5/2 de la note appartient à la partie B

2/2 de la note appartient à la partie TB

1. Note final :

Si l'étudiant a une note inférieure ou égale à 70 %, celle-ci sera insuffisante

Si l'étudiant a plus de 70 % et inférieur ou égal à 85 % de la note, il suffira

Si l'élève a plus de 85 % ou égal à 95 % de la note, ce sera un bon

Si l'élève a plus de 95% ou égal à 100% de la note, ce sera un TB

Si l'élève à 100% et plus, grâce au bonus, c'est excellent.

Chaque laboratoire est évalué de la même manière, mais tous les laboratoires n'ont pas le même nombre de
questions.

2. Note final de tous les TP :

A la fin, une médiane passera par tous les TP, afin de donner une note finale de tous les TP

Le mini-projet aura toujours deux fois la taille d'un laboratoire.

Si note final est excellente = + 0.4

Si note final est TB = + 0.2

Si note final est B = + 0.1

40
Si note final est S = + 0

Si note final est INF - 0.2

On les ajoute sur le cours théorique.

Exemple :

En mettant les notes de chaque TP avec le 2* mini-projet, on fera une médiane pour la note final

TP1 TP2 TP3 MINI-PROJET

INF S TB B

Note final : INF S B B TB alors il a un bien

3. Exemple d’un TP : (En anglais)

Questions TB (Tres bien) B (bien) S (suffisant) INF (insufissant)

Q1 Proven by 4 Proven by less Proven by other Not done
plots than 4 or more methods than
than 4 plots plots
Q2 Naming 2 Naming 2 Naming 2 Wrong or not
features + features + other features done
explanation valuable
from plots explanation
Q3 2 features - 2 features Wrong or not
selected+ selected + done
division train + fit
test/train + function
train+ fit
function
Q4 Plot results + Plot results + Plot results Wrong or not
use different use different done
marker symbols, marker symbols,
colors and size colors and size
to visualize the to visualize the
correct class
correct class
and the
and the
predicted class
predicted class
on the same
on the same
plot
plot +
explanation

Q5 Correct plot + Wrong or not

decision done
boundary

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

Q8 Split train/test Wrong or not

done
Q9 Fit function Wrong or not
done
Q10 Correct Brief correct Wrong or not
explanation explanation done
Q11 Calculate 4/5 are done Only 2/5 or 3/5 Only 1/5 is
accuracy, are done calculated,
precision, recall, wrong, not done
confusion matrix

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

Q16(optional) a.b.c,d,e,f done A b c d e correct - -

correctly or 4/5 correct

42
Q17 Quality, clarity, Quality, clarity, Quality, clarity Not quality, no
general effort normal effort clarity

Q18 -5 if not clear and answers not linked (YES/NO)

4. Un exemple d’un groupe avec retour sur chaque question

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.

Q14 INF Pourquoi vous n’avez pas fait cette

partie ?

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.

Analyse des Notes :

TB
TB
S
B
TB
TB
TB
INF
INF
TB
TB
TB
B optionnel
INF
INF
-
B

/30 = Nombre de questions

INF INF INF INF S B B TB TB TB TB TB TB TB TB

4*0 + 1*1 +2*1.5 + 8*2 = 20/30 ce qui est moin de 70% alors insiffusant

La note finale sera INF car il a moins de 70% de la note complète.

44
Autres exemples:

INF INF INF INF inf B B TB TB TB TB TB TB TB TB

4*0 +2*1.5 + 8*2 = 19/30 insuffisant

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

INF INF INF S TB TB TB TB TB TB TB TB TB TB TB

3*0 + 1*1 + 11* 2 =23/30 …aussi insuffisant car c’est moin de 85% et plus que 70%

INF INF INF B TB TB TB TB TB TB TB TB TB TB TB

3*0 + 1*1.5 + 11* 2 =23.5 suffisant

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