1. Éduquer une ia de reconnaissance d’image
2. quelques intiatives repérées
2.1. sans codage
2.1.1. approche par scenarios
2.1.1.1. voir sur Uzbek et Rika
2.1.1.2. voir sur Uzbek et Rika
2.1.2. créer des dialogue avec Google Home
2.2. avec codage
2.3. débranchée
3. approche par finalité des activités
3.1. comprendre comment ca fonctionne
3.1.1. grands principes
3.1.1.1. les arbres de décisions
3.1.1.2. l'apprentissage
3.1.1.3. l'apprentissage profond
3.1.1.4. articulation avec les algorithmes
3.1.2. utilisation d'algo + boite noire (API)
3.1.2.1. Scratch seul
3.1.2.2. Scratch + Watson
3.1.2.3. Snap!
3.1.3. création d'algo
3.1.3.1. python
3.1.3.2. js
3.1.3.2.1. à partir des libraires existantes
3.1.4. mécanisme d'apprentissage
3.1.4.1. débranché
3.1.4.1.1. boite en plastique
3.1.4.2. coder un algo d'apprentissage
3.1.4.2.1. robot AlphaI
3.2. comprendre quels sont les enjeux
3.2.1. biais
3.2.1.1. risques
3.2.2. effets de bulle
3.2.3. pourquoi les données indispensables
3.2.4. de la personnalisation à l'hypersonnalisation
3.2.5. classification
3.2.6. usages positifs et négatifs
3.2.7. comment contrôler les risques
3.2.8. utilisations dans la vie quotidienne
3.2.8.1. filtrage
3.2.8.2. réseaux sociaux
3.2.8.3. commerce
3.2.8.4. santé
3.2.8.5. voiture autonome
4. Quelques ressources
4.1. Google Experiment IA
4.1.1. Teachable machine
4.2. Utiliser des ia à partir de scratch
4.2.1. Principes
4.2.2. Exemples
4.3. Utiliser des IA avec Snap!
4.4. utiliser IFTT
4.5. créer des chatbots
4.5.1. SAP (recast AI)
4.5.2. DialogFlow
4.5.3. Lex
5. Ia dans les curricula
5.1. En Chine
5.2. Aux USA
5.2.1. AI4K12
6. Pistes d’experimentation
6.1. En terminale
6.2. Approche pluri disciplinaire
6.3. Au collège Cycle 4
6.4. au Cycle 3
7. Articulation datasciences
7.1. Dataviz
7.1.1. Geographie
7.1.2. Economie
7.1.3. Sciences expérimentales
7.1.4. Maths