• Informations générales

  • MAM3 - S5
  • MAM3 - S6

  • MAM4 - S7
  • MAM4 - S8

  • MAM5 - S9 IMAFA
  • MAM5 - S9 INUM
  • MAM5 - S9 SD
  • MAM5 - S10

  • MAM5 ALT - S9 IMAFA
  • MAM5 ALT - S9 INUM
  • MAM5 ALT - S9 SD
  • MAM5 ALT - S10
    		•

    Maquette pédagogique MAM

    MAM5 ALTERNANCE - Semestre S9 - Mineure SD



    Unité d'enseignement obligatoire
    Cours
    TD
    ECTS
    		Intervenant
    HUMANITES FISA S9
    1
    Innovation et entreprenariat
    8
    Conférences métiers
    Ce cours consiste à créer ou reprendre une entreprise de l'APCE (Agence pour la Création d'Entreprises). Compétences visées: Savoir mettre en œuvre le processus de création d’entreprise depuis l’idée de projet jusqu’au démarrage de l’activité. Processus innovation en entreprise : Technique créativité, comment favoriser idées entreprise. Définir projet création. Rédiger Business plan détaillé. Incubateurs, Start-ups et partenariat. Aspects financiers. Choisir sa structure juridique. Démarches création entreprise.
    2


    Unité d'enseignement obligatoire
    Cours
    TD
    ECTS
    		Intervenant
    Acquis en entreprise S9
    10
    Acquis en entreprise S9
    Suivi des acquis pendant les périodes en entreprise
    Réunion de régulation apprentis
    3


    Unité d'enseignement obligatoire
    Cours
    TD
    ECTS
    		Intervenant
    Fondements technologiques de la science des données 
    6
    Big Data Technologies
    Ce cours s’intéresse au stockage et au traitement distribués des données massives. Il étudie notamment les environnements Hadoop et Spark. Les étudiants découvriront le langage Scala et les principales librairies de Spark. Ils apprendront à utiliser les bases de données NoSQL et à effectuer des analyses de données avancées dans un environnement distribué.
    18
    18
    2
    		L. Fillatre
    Data Science
    Ce cours propose une introduction à la science des données au travers de différents applications. Il s’appuie notamment sur des outils d’analyse de données développés et employés par l’entreprise IBM. Il s’intéresse également aux librairies Python les plus pertinents dans le domaine de la science des données.
    18
    18
    2
    		L. Fillatre
    Artificial Intelligence Engineering
    L’objectif de ce cours est donc de renforcer les connaissances des ingénieurs de demain autour des problématiques d'opérationnalisation de l'IA en production, au regard des besoins, contraintes et processus exigeants de l'industrie d'aujourd'hui. L'ambition de ce cours est de transmettre aux étudiants : une sensibilisation aux méthodologies MLOps et DataOps afin qu'ils puissent les appliquer sur des exemples simples, une meilleure connaissance des environnements et des technologies cloud native, une bonne visibilité sur le cycle de vie complet d'une application de Machine Learning, avec CI/CD, monitoring technique et monitoring business, quelques notions autour de la sensibilité, sécurisation, chiffrement et isolation des données.
    18
    18
    2
    		D. Orset


    Unité d'enseignement obligatoire
    Cours
    TD
    ECTS
    		Intervenant
    Apprentissage profond et ses applications
    5
    Advanced Topics in Deep Learning
    Ce cours s’intéresse aux techniques les plus avancées en apprentissage profond. Il étudie notamment la capacité d’un réseau de neurones à modéliser et à estimer une fonction multidimensionnelle. Il s’intéresse à la convergence de l’algorithme du gradient pour l’entrainement d’un réseau de neurones, aux propriétés structurelles des réseaux convolutifs et aux réseaux de neurones appliqués au graphe. Il considère également les fondements statistiques des autoencodeurs variationnels. Enfin, il étudie les aspects théoriques de l’explicabilité des réseaux de neurones. De nombreuses applications avec la librairie Pytorch permettent de mettre en pratique les concepts théoriques étudiés.
    18
    18
    1.7
    		L. Fillatre
    Deep Learning
    Ce cours propose une introduction aux réseaux de neurones profonds. Il fournit une présentation complète des réseaux de neurones : profonds, convolutifs, récurrents, contradictoires et génératifs. Il fournit également une introduction aux outils couramment utilisés par les praticiens. Une partie importante du cours est consacrée à des études de cas pratiques sur ordinateur, à l'aide de notebooks Jupiter. Plus précisément, les étudiants étudieront la catégorisation des images, la segmentation sémantique des images et la reconnaissance de la parole. 
    18
    18
    1.7
    		P. Alliez
    Text Mining and Natural Language Processing
    Ce cours s’intéresse au traitement automatique et à l’analyse de données textuelles et, plus généralement, au traitement du langage naturel. Il s’agit notamment d’étudier les techniques les plus récentes avec un accent sur l’apprentissage profond, les réseaux de neurones récurrents et les transformers. De nombreuses applications avec le langage Pytorchpermettent de mettre en pratique le concepts théoriques étudiés.
    18
    18
    1.7
    		A. Amehraye


    Unité d'enseignement obligatoire
    Cours
    TD
    ECTS
    		Intervenant
    Traitement de données multidimensionnelles
    4
    Advanced Data Mining
    Ce cours présentera diverses techniques de fouille de données multidimensionnelles ainsi que les méthodes de réduction de dimensionalité pour pouvoir les visualiser. Le cours comportera aussi une introduction à la visualisation de données. En ce qui concerne les méthodes de fouille de données, on se concentrera sur les méthodes à modèles latents déterministes, telles que les factorisations matricielles sous contraintes et les factorisations tensorielles. Les méthodes seront programmées par les étudiants en langage python pendant les TD et appliquées à des données provenant de problématiques diverses (traitement d’images, chimiométrie, systèmes de recommandation). La partie du cours autour de la visualisation de données contiendra une introduction à ses enjeux et à son historique. Plusieurs méthodes de réduction dimension linéaires et non linéaires seront présentées dans cette partie et utilisées en TD pour analyser des données réelles.
    18
    18
    2
    		R. Cabral-Farias
    Machine Learning for Image Analysis
    Ce cours s’intéresse à la représentation et l’amélioration de la qualité visuelle des images. Il introduit différents outils pour l’analyse des d’images tels que que les représentations fréquentielles et la transformée en ondelettes. Il propose également une étude des représentations continues et des représentations géométriques. Enfin, des outils en apprentissage automatique dédiés au traitement des images sont analysés, en particulier la classification SVM, les algorithmes de clustering et l’apprentissage de dictionnaire.
    18
    18
    2
    		X. Descombes


    Unité d'enseignement obligatoire
    Cours
    TD
    ECTS
    		Intervenant
    Applications de l'intelligence artificielle
    4
    Applied Artificial Intelligence
    Ce cours étudie quelques applications majeures dans le domaine de l’intelligence artificielle. Il s’intéresse notamment à l’analyse et la reconstruction de scène 3D, à l’imagerie biologique, aux nouvelles données en biologie, aux applications biométriques, à la génération et à la détection de falsifications avec des réseaux de neurones et à la compression dans le domaine des données massives.
    18
    18
    2
    		M. Antonini
    Virtual Reality
    Ce cours propose une introduction à l’animation d’objets tridimensionnels et, plus généralement, à la construction d’environnement tridimensionnels. Il apprend également aux étudiants à éclairer des objets et à modifier leurs rendus. De nombreuses développements informatiques permettent de mettre en pratique les concepts théoriques étudiés.
    18
    18
    2
    		L. Donati



    Bloc optionnel
    Cours
    TD
    ECTS
    		Intervenant
    Anglais S9
    24
    2
    Anglais S9
    24
    2


    Bloc optionnel
    Cours
    TD
    ECTS
    		Intervenant
    Développement personnel (1 UE complémentaire au choix : 0 UE min - 1 UE max)
    Activités sportives
    24
    2
    Activités culturelles
    24
    2
    Langue vivante 2
    24
    2
    Engagement étudiant
    2