Informatique, Décision, Données - 1re année de Master

UE Obligatoires

• Calculabilité et Complexité

  Calculabilité et Complexité

  Ects : 5

  Enseignant responsable :
  REMY BELMONTE
  

  Volume horaire : 36

  Description du contenu de l'enseignement :

  Volume horaire : CM : 18h TD : 18h

  This course is designed for graduate students in the first year. We aim to understand the following notions and theory : the concept of language in computer science, and grammar and automata as ways ofdescribing a language, the mathematical models of computations including finite(-state) automata, Turing ma-chine and its variants, the distinction between (Turing-)recognizability versus decidability, and examples of un-decidable languages. reducibility, Cook-Levin Theorem, P versus NP. proof techniques from automata and computation theory. possibly further topics in complexity theory.

  Pré-requis recommandés :

  An undergraduate-level understanding of basic mathematics and algorithms isassumed. A background in automata theory is appreciated, but not assumed.

  Bibliographie-lectures recommandées

  Michael Sipser (2012), Introduction to the Theory of Computation (3rd edition). CengageLearning, ISBN 978-1133187790.

• Algorithmique et programmation avancée

  Algorithmique et programmation avancée

  Ects : 5

  Enseignant responsable :
  ERIC BEN-HAMOU
  

  Volume horaire : 36

  Description du contenu de l'enseignement :

  Volume horaire : CM : 18h TD : 18h

  Objective : The goal of this course is to introduce certain paradigms of algorithmics allowing to design general algorithm data structures for efficient data management as well as for optimization. Contents :

  • Linked list
  • Stack
  • Hash tables
  • Binary trees
  • AVL Trees
  • Graph traversal, topological sort
  • Dystra, hamiltonian path
  • Decision trees

  The concepts will be implemented in python 3.

  Pré-requis recommandés :

  • knowledge of python
  • knowledge of data complexity

  Compétences à acquérir :

  undefined

  Mode de contrôle des connaissances :

  • Mid-term project on data efficiency for selected data (for example in 2021, we used bitcoin data)
  • Final project presentation on a fully implemented dynamic website using an advanced data structure
  • Final exam on paper
• Anglais 1

  Anglais 1

  Ects : 2

  Volume horaire : 19.5

  Description du contenu de l'enseignement :

  Expression orale / écrite : anglais des affaires, faire un compte rendu oral en public, rédiger des lettres, rapports, résumés de conférences, et participer à des réunions Préparation au TOEIC : Test of English for International Communication Traduction économique : Familiariser les étudiants avec la terminologie économique à partir de thèmes d'actualité. Travail en laboratoire et/ou en salle audiovisuelle à partir de documents authentiques.

  Compétences à acquérir :

  Fournir aux étudiants les outils linguistiques nécessaires pour fonctionner efficacement dans l'entreprise et avec leurs partenaires européens.

• Intelligence artificielle

  Intelligence artificielle

  Ects : 3

  Enseignant responsable :
  PAOLO VIAPPIANI
  

  Volume horaire : 36

  Description du contenu de l'enseignement :

  Volume horaire : CM : 18h TD : 18h

  Ce cours est une introduction à l'intelligence artificielle. Son but est d'introduire un large spectre de techniques.

  • Recherche dans des graphes d'états (recherche non-informée et recherche informée avec A*)
  • Recherche locale
  • Recherche contigente et avec observations partielles
  • Problème de satisfaction de contraintes (CSP)
  • Jeux (minimax et élagage alpha-beta)
  • Planification
  • IA et décision

  Compétences à acquérir :

  Compétences de base en intelligence artificielle

  Bibliographie-lectures recommandées

  Stuart Russell and Peter Norvig. Artificial Intelligence: A Modern Approach. Pearson.

• Théorie des graphes

  Théorie des graphes

  Ects : 5

  Enseignant responsable :
  ANDRE ROSSI
  

  Volume horaire : 36

  Description du contenu de l'enseignement :

  Volume horaire : CM : 18h TD : 18h

  This class provides a presentation and study of some structures and graph problems which have important applications in practice.

  We will start with basic notions (isomorphism, graph decomposition and special graphs), followed by paths, cycles, and trails, vertex degrees and counting (extremal problems, graphic sequences), directed graphs (orientations and tournaments). We will continue by studying matchings including Hall's theorem and the stable marriage theorem of Gale and Shapley. If time permits, we will also look at Tutte's theorem on perfect matchings. Next, we will look at connectedness and structure such as Menger's theorem. After this, we will consider planar graphs, looking at Kuratowski's characterization of planarity and Euler's formula. Finally, we will study in important notion in graph theory: graph coloring. We will look at Brooks' classical theorem, look at the Four Color Theorem and prove the 5-color theorem. Time permitting, at the end of the course we will look at Ramsey theory and/or the probabilistic method.

  Compétences à acquérir :

  See below.

UE Complémentaires

• Décision collective, décision multicritère

  Décision collective, décision multicritère

  Ects : 4

  Enseignant responsable :
  HASSAN AISSI
  

  Volume horaire : 36

  Description du contenu de l'enseignement :

  Volume horaire : CM : 18h TD : 18h

  Introduction au processus de décision Introduction à la théorie du choix social Procédures d’agrégation multicritères de type critère de synthèse Procédures d’agrégation multicritères de type relation de surclassement, Illustration des méthodes sur des cas réel

  Compétences à acquérir :

  Présenter les principales familles de méthodes d’agrégation multicritère existantes et mise en œuvre de telles méthodes dans des situations réelles de décision.

• Système et algorithmes répartis

  Système et algorithmes répartis

  Ects : 4

  Enseignant responsable :
  JOYCE EL HADDAD
  

  Volume horaire : 36

  Description du contenu de l'enseignement :

  Volume horaire : CM : 18h TD : 18h

  Les applications réparties s'exécutent sur un ensemble de machines connectées en réseau. Elles représentent un ensemble de composants qui coopèrent pour réaliser un objectif commun en utilisant le réseau comme un moyen d'échanger des données. Ce cours vise à présenter les concepts élémentaires des systèmes et les algorithmes associés aux environnements répartis Introduction aux systèmes répartis et à l’algorithmique répartie. Présentation du modèle de répartition basé sur les échanges de messages. Présentation des concepts liés à la communication : contrôle de flux, synchronisation de processus, relation de causalité, réseaux FIFO. Présentation des concepts liés au temps et à la concurrence : horloges logiques, exclusion mutuelle.

   

  Pré-requis recommandés :

  • Systèmes d'Exploitation
  • Réseau

  Compétences à acquérir :

  Introduction aux systèmes répartis.

• Théorie des jeux 

  Théorie des jeux 

  Ects : 5

  Enseignant responsable :
  FELIPE GARRIDO LUCERO
  

  Volume horaire : 36

  Description du contenu de l'enseignement :

  Volume horaire : CM : 18h TD : 18h

  We study some basic models and results on non-cooperative game theory. The course is divided in five parts: 1. Introduction to game theory: Notations and basic concepts 2. Zero-sum games: Mixed extension of finite games and their value 3. N-player games: Nash equilibrium, their existence and complexity 4. Potential games: Congestion games and price of anarchy 5. Repeated games: Uniform games and the Folk theorem  

  Compétences à acquérir :

  The student will know the basic concepts on non-cooperative game theory.

• Mathématiques pour les sciences des données

  Mathématiques pour les sciences des données

  Ects : 5

  Enseignant responsable :
  ALEXANDRE VERINE
  

  Volume horaire : 36

  Description du contenu de l'enseignement :

  Volume horaire : CM : 18h TD : 18h

  Introduction aux mathématiques pour les sciences des données. Optimisation convexe Méthodes d’ordre 1 Descente de Gradient Analyse de la convergence Descente de Gradient Stochastique Analyse de la convergence Méthodes d’ordre 2 Newton, L-BFGS Optimisation sous contraintes Gradient projeté Notion de lagrangien, dualité Conditions KKT Méthodes lagrangiennes Statistiques pour les sciences des données Notion de risque empirique Cas de la régression: Décomposition biais-variance Borner le risque Théorème central de la limite Inégalités de concentration (Markov, Chernoff)
• Programmation Objet avancée

  Programmation Objet avancée

  Ects : 4

  Enseignant responsable :
  HOSSEIN KHANI
  

  Volume horaire : 36

  Description du contenu de l'enseignement :

  Volume horaire : CM : 18h TD : 13h30 TP : 4h30

  Présenter les techniques de la programmation orienté object avancé. Rappels des principaux concepts de la programmation objet : classes, héritage, interface. Application au traitement des collections. Modélisation objet et exemple de modèles de conception (design patterns) Programmation parallèle en Java (multi-threading, synchronisation) Bonne pratique de la programmation (gestionnaire de sources, debuggage, etc.)

  Compétences à acquérir :

  java: Streaming, Serialization, Maven, Git, Enumeration, Type parametrée, Heritage, Polymorphism, Encapsulation.

• Modélisation des processus

  Modélisation des processus

  Ects : 3

  Enseignant responsable :
  MEHDI ACHELI
  

  Volume horaire : 30

  Description du contenu de l'enseignement :

  Volume horaire : CM : 15h TD : 15h

  Processus métiers (Workflow) : définitions et concepts de base, systèmes de gestion de processus métiers, exemple de produits, avantages de ces systèmes. Modélisation des processus métiers : approches basées respectivement sur les Réseaux de Petri et les diagrammes (UML, EPC), la notation BPMN. Cycle de vie d’un processus métier : conception, modélisation, exécution, surveillance et optimisation. Interopérabilité des systèmes de processus métiers : architecture des systèmes de gestion de processus, description des interfaces proposées pour standardisation. Développement d’une application de processus métiers par apprentissage d’un logiciel de gestion des processus métiers (par exemple Oracle BPM suite.

  Compétences à acquérir :

  Étudier la modélisation des processus métier et les systèmes qui permettent leur automatisation dans les entreprises.

UE Obligatoires

• Éthique en informatique et protection des données

  Éthique en informatique et protection des données

  Ects : 1

  Enseignant responsable :
  STEPHANE AIRIAU
  

  Volume horaire : 9

  Description du contenu de l'enseignement :

  • Validité des données et pièges statistiques
  • Propriété des données
  • Les systèmes de régulation de la protection des données
  • Les textes applicables dans l'Union européenne et en France : les grands principes et définitions juridiques de la protection des données à caractère personnel
  • Nudge theory
  • Conséquences sur la société (privacy, surveillance, ’ossification’…)

  Compétences à acquérir :

  Objectif de ce cours est de sensibiliser les étudiants au regard de techniques de manipulation et d’introduire à la problématique de la protection et traitement des données et à ses conséquences sur les individus.

• Systèmes de gestion de bases de données

  Systèmes de gestion de bases de données

  Ects : 3

  Enseignant responsable :
  DARIO COLAZZO
  

  Volume horaire : 36

  Description du contenu de l'enseignement :

  Volume horaire : CM : 18h TD : 12h TP : 6h

  Nous sommes inondés de données, qu'il s'agisse de données sur le Web, de données collectées à partir de différents silos des entreprises, ou de données traités par des laboratoires scientifiques (par exemple dans le cadre de la bio-informatique, les sciences de la Terre, la sociologie, l'économétrie, etc.). Une partie importante de ces données sont structurées et la manière dont nous y accédons, les gérons et les traitons a un impact considérable sur les performances et la fiabilité des applications manipulant les bases de données. La connaissance du modèle d'entités-associations, du modele relationnelle, de l'algèbre relationnelle et du langage de requête SQL n'est en aucun cas suffisante pour garantir des performances raisonnables et la fiabilité de telles applications.

  L’objectif de ce cours est donc de couvrir les techniques internes des systèmes de gestion de base de données (SGBD) qui sont responsables de l'optimisation de l'evaluation de requêtes SQL. Le cours présente premièrement l’architecture typique d'un SGBD relationnel, puis examine en détail les algorithmes et les structures de données utilisés pour implémenter les modules de cette architecture, y compris la gestion de la mémoire permanente, la gestion de la mémoire volatile, les structures de stockage, les méthodes d’accès, et l'optimisation de requête basée sur un modele de coût d'execution.

  Le cours comprend un certain nombre d'exercices (TD) et d'exercices pratiques (TP) dans lesquels les étudiants auront l'occasion d'explorer et de mettre en œuvre les fonctionnalités de certains modules du SGBD.

  Compétences à acquérir :

  Couvrir les techniques internes des systèmes de gestion de base de données (SGBD) qui sont responsables de l'optimisation de l'evaluation de requêtes SQL.

• Anglais 2

  Anglais 2

  Ects : 2

  Volume horaire : 18

  Description du contenu de l'enseignement :

  Fournir aux étudiants les outils linguistiques nécessaires pour fonctionner efficacement dans l'entreprise et avec leurs partenaires européens. Expression orale / écrite : anglais des affaires, faire un compte rendu oral en public, rédiger, lettres, rapports, résumé de conférences, réunions. Préparation au TOEIC : Test of English for International Communication. Traduction économique : Familiariser les étudiants avec la terminologie économique à partir de thèmes d'actualité. Travail en laboratoire et/ou en salle audiovisuelle à partir de documents authentiques.

  Compétences à acquérir :

  ?Fournir aux étudiants les outils linguistiques nécessaires pour fonctionner efficacement dans l'entreprise et avec leurs partenaires européens.

• Machine Learning

  Machine Learning

  Ects : 5

  Enseignant responsable :
  YANN CHEVALEYRE
  

  Volume horaire : 36

  Description du contenu de l'enseignement :

  Volume horaire : CM : 18h TD : 18h

  1. Introduction What is Machine LearningA simple method: k-nearest neighborsEvaluation of classifiersMaximum Likelihood and Maximum A posteriori
  2. Generative Learning Maximizing the Likelihood of the examplesLinear Discriminant Analysis and Naive Bayes
  3. Discriminative Learning Maximizing the likelihood and the a posteriori probability of labelsLogistic RegressionStochastic gradient descent (SGD)SGD for generalized linear modelsBeyond linearity: kernelization of the SGD
  4. Unsupervised Learning Learning latent models: the Expectation-Maximization Algorithmclustering: k-means, DBscanLearning probability density functions: mixtures of gaussians
  5. Introduction to Bayesian Learning Bayesian Linear RegressionLaplace method
  6. Introduction to Neural Networks

  Pré-requis recommandés :

  - Connaissances de base en Statistiques et Algèbre Linéaire

  Compétences à acquérir :

  Understand most useful machine learning algorithms

  Mode de contrôle des connaissances :

  CC+Examen

  Bibliographie-lectures recommandées

  - Friedman, Tibshirani, Hastie. The Elements of Statistical Learning - Chloé Azencott. Introduction au Machine Learning - Cornuéjols, Miclet. Apprentissage artificiel: Concepts et algorithmes

• Théorie des graphes

  Théorie des graphes

  Ects : 5

  Enseignant responsable :
  ARARAT HARUTYUNYAN
  

  Volume horaire : 39

  Description du contenu de l'enseignement :

  Volume horaire : CM : 18h TD : 18h TP : 3h

  This course studies solving optimisation problems using combinatorial methods. We will roughly follow the online textbook of Alexander Schrijver entitled “A course in Combinatorial Optimisation”. We start the course with the introduction of polyhedra and polytopes, Farkas’ Lemma and LP duality. Next we will study matching algorithms in bipartite graphs, general graphs as well as discuss weighted matchings and the matching polytope. Following this we will study aspects of Mengers’ theorem and its relation to flows. Next we will study algorithmic complexity, focusing mostly on the notion of NP-completeness and proving NP-completeness results. Finally, we will look at colorings, independent sets, posets and their role in optimisation problems. Time permitting, we will move into integer programming and totally unimodular matrices.

  Compétences à acquérir :

  Theoretical foundation of Linear Programming, Algorithmic Techniques, Applications

  Bibliographie-lectures recommandées

  Reference text: Alexander Schrijver, “A course in Combinatorial Optimisation” available at homepages.cwi.nl/~lex/files/dict.pdf

UE Complémentaires

• Gestion de production

  Gestion de production

  Ects : 4

  Enseignant responsable :
  MUSTAPHA SALI
  KHALED HADJ HAMOU
  

  Volume horaire : 36

  Description du contenu de l'enseignement :

  Volume horaire : CM : 18h TD : 18h

  Typologie des problèmes de gestion de la production des biens et des services -Planification de la production : MRP2 Gestion des approvisionnements et des stocks : demande uniforme et certaine, demande aléatoire : notions de rupture de stock, qualité de service, stock de sécurité et ordonnancement de projets. Ordonnancement d’ateliers : algorithmes optimaux et heuristiques. Étude de cas impliquant, pour certains d’entre eux, l’usage de logiciels comme cplex et Excel solver

  Compétences à acquérir :

  Cet enseignement a pour objet de sensibiliser les étudiants aux problématiques de gestion de la production de biens et de services, en mettant en évidence la très grande complexité des problèmes à résoudre et la difficulté qui en découle de piloter efficacement une chaîne logistique. Quelques grilles d’analyse, modélisations et instrumentations seront abordées.

• Décision dans l’incertain

  Décision dans l’incertain

  Ects : 5

  Enseignant responsable :
  STEPHANE AIRIAU
  

  Volume horaire : 36

  Description du contenu de l'enseignement :

  Volume horaire : CM : 18h TD : 18h

  Incertain complet (non probabiliste) : définitions de la décision dans l'incertain, présentation des critères classiques de décision dans l'incertain (MaxMin, Min Max Regret, Hurwicz, Laplace, etc.) Décision séquentielle (incertain probabiliste) : modèle EU, arbres de décision (arbres contenant des noeuds décision, noeuds hasard et noeuds terminaux), et la résolution de ces problèmes par programmation dynamique Rappel probabilité, indépendance, règle de Bayes Raisonnement dans les Réseaux Bayésiens (inférences exactes et approchées) Logique Floue Chaînes de Markov Processus de Décision de Markov Processus de Décision de Markov Partiellement observable

  Compétences à acquérir :

  Présenter aux étudiants les techniques principales de la decision dans l’incertain.

• Logique

  Logique

  Ects : 5

  Enseignant responsable :
  GABRIELLA PIGOZZI
  

  Volume horaire : 36

  Description du contenu de l'enseignement :

  • Revision of fundamental concepts of classical logic (propositional and first-order logic)
  • Soundness and completeness of propositional and ?rst-order logic
  • Decidability of propositional logic
  • Undecidability of first-order logic
  • Gödel’s incompleteness theorems (no proofs)
  • Formal verification by model-checking: Linear-time Temporal Logic (LTL)Computation Tree Logic (CTL)

  Pré-requis recommandés :

  Classical logic (propositional and first-order)

  Compétences à acquérir :

  In the first part of the course, students will learn some key results in classical logic and logical metatheory.

  The second part of the course will focus on formal verification to verify the correctness of computer systems concerning some specified behaviour.

  Mode de contrôle des connaissances :

  Written exam

• Projet ML/Data science

  Projet ML/Data science

  Ects : 5

  Enseignant responsable :
  FLORIAN YGER
  

  Volume horaire : 36

  Description du contenu de l'enseignement :

  Volume horaire : CM : 18h TD : 18h

  Syllabus: Complément du cours de Machine Learning : Introduction aux SVM, arbres de décision, random forest, systèmes de recommandation, rappels dur la libraire Numpy et introduction à la librairie Pandas. Mise en oeuvre des différentes techniques et algorithmes (régression, SVM, clustering, random forest, recommandations) sur données réelles et artificielles.

  Projet : Travail en groupe, mise en oeuvre sur des données réelles d'un dataset réel choisi par les étudiants.

  Compétences à acquérir :

  Mise en oeuvre en Python des techniques présentées dans le cours de machine learning, pour familiariser les étudiants avec les outils de programmation scientifique (numpy, pandas scikit learn).

Bloc stage

• Stage

  Stage

  Ects : 4