Parcours AIDN

Ce cours est une introduction aux applications concurrentes. Il s’agit de comprendre les mécanismes qui permettent qu’une machine exécute plusieurs tâches en quasi-simultanéité, et d’acquérir les compétences permettant d’écrire des applications concurrentes. Le cours présente les différents concepts théoriques de la concurrence en s’appuyant sur le système Linux.

• Notion de processus : état et ordonnancement
• Synchronisation entre processus : verrous, sémaphores, moniteurs...
• Familles d’algorithmes et problèmes d’interblocage
• Communication entre processus : flux ou messages
• Processus légers : concepts et programmation à l’aide de threads Java et des Posix Threads

---

Prérequis : Programmation C et Java

L’objet de ce cours est d'étudier les mécanismes de programmation multi-paradigmes, qui exploitent de façon conjointe la programmation impérative, déclarative ou fonctionnelle. Le support d’exécution sur lequel s’appuie le cours est Scala, langage dont la conception a été guidée dès l’origine par la possibilité de faire cohabiter de manière cohérente ces différents paradigmes, tout en conservant une compatibilité optimale avec le code Java.

Cette unité d’enseignement s’intéresse à la représentation et au traitement des données numériques.

• Rappels : algèbre linéaire, programmation scientifique en Python
• Théorie de l’échantillonnage
• Analyse de Fourier : séries de Fourier, transformée de Fourier
• Filtrage
• Exploration interactive de données
• Méthodes d’intégration, différentielles
• Régression

Les cours sont associés à des travaux pratiques en Python.

Cette unité d’enseignement s’intéresse à la représentation et au traitement des données numériques.

• Rappels : algèbre linéaire, programmation scientifique en Python
• Théorie de l’échantillonnage
• Analyse de Fourier : séries de Fourier, transformée de Fourier
• Filtrage
• Exploration interactive de données
• Méthodes d’intégration, différentielles
• Régression

Les cours sont associés à des travaux pratiques en Python.

Ce cours constitue une initiation à la veille technologique. L’objectif est de comprendre les enjeux de cet exercice (que ce soit à titre individuel ou au sein d’une entreprise), et d’acquérir les compétences permettant de réaliser une veille ciblée et efficace sur des technologies précises.

Au cours du semestre les étudiants s’exerceront à la veille sur des sujets de leurs choix ou sur des sujets imposés, et restitueront le fruit de cette veille sous la forme de comptes-rendus écrits ou de présentations orales.

Cours : 21H ; TP : 21H

---

Objectifs :

Ce cours est une introduction à l’informatique graphique. Il s’agit de comprendre comment dessiner des primitives 2D à l’écran, puis comment modéliser et transformer une scène 3D pour l’afficher sur un écran 2D. Une fois les bases posées, nous verrons comment modéliser des objets plus complexes et comment leur associer des matériaux afin de leur donner un aspect plus ou moins métallique et de les colorer. Ces notions seront mises en pratique avec OpenGL et GLSL.

---

Contenu :

• Dessin de primitives 2D: lignes, polygones, caractères
• Transformations géométriques
• Voir en 3D: projection
• Modèles de surfaces: polygonales, paramétriques…
• Rendu: éclairage et lissage
• Couleurs
• OpenGL2/3
• GLSL

---

Pré-requis : Programmation C++ [INF1511] (L3 Informatique)

---

Bibliographie :

• Introduction to Computer Graphics, Foley, VanDam, Feiner, Hugues & Phillips

Ce cours constitue une introduction aux systèmes distribués, vus sous l’angle de la programmation. Après une définition de ce qu’est un système distribué, et la présentation des différents concepts et modèles s’y appliquant, on étudiera plusieurs techniques de bases permettant le développement d’applications en Java : la communication à travers les sockets TCP/UDP, l’appel de méthodes à distance (RMI) et la communication via un intergiciel orienté messages (JMS).

Ce cours concerne l’étude et la pratique de la pile Javascript en développement Web Client et Serveur (full stack) : Javascript, node.js, jQuery, Ajax, HTML 5, express, Pug (Jade), Angular ainsi que les bases de données noSQL MongoDB.

Ce cours aborde la problématique du traitement des masses de données d’un point de vue matériel, algorithmique et programmation. Après une présentation des métriques pertinentes pour les applications Big Data, en terme de quantité de calculs, de mémoire et d’entrées/sortie, plusieurs techniques de parallélisation sont étudiées. Les principaux paradigmes de calcul haute performance sont ensuite comparés à travers leurs mise en œuvre avec les outils de programmation phares du domaine : Hadoop et sa galaxie (HDFS, HBase, Hive, Spark, Pig), Cuda, OpenCL...

Trois supports matériels du parallélisme sont expérimentés en TP : les instructions SSE des micro-processeurs, les cartes graphiques et les clusters de serveurs.

Cours : 21H ; TD : 21H

---

Objectifs :

En informatique décisionnelle, on est amené à traiter de grands ensembles de données, provenant de sources hétérogènes diffuses internes ou externes à l’entreprise. Ces données sont stockées dans des entrepôts, organisées par ‘métiers’ et décrites suivant des dimensions ou axes d’analyse. Cet enseignement a pour but d’apporter les éléments pour :

• connaître les principaux composants d’un système décisionnel
• savoir concevoir et modéliser un entrepôt de données
• appréhender les différents outils de l’informatique décisionnelle

---

Contenu :

• Architecture et composants d’un système décisionnel
• Modélisation dimensionnelle des données : faits, dimensions, schémas en étoile et extensions
• Administration des données de l’entrepôt
• Alimentation de l’entrepôt : outils ETL
• Qualité des données
• Métadonnées et référentiel de données
• Organisation et stockage des données dans l’entrepôt
• Socle, historisation, agrégats, magasins de données (datamarts)
• Optimisation : gestion des agrégats, parallélisme, fragmentation
• Structures multidimensionnelles et OLAP

---

Pré-requis : Connaissance en système d’information et d’un SGBD [INF2105].

---

Bibliographie :

• Le système d’information décisionnel. Pascal Muckenhirn. Hermès – Lavoisier, 2003
• Building the data warehouse, William H. Inmon, Wiley Editions, 2005
• Le data warehouse, guide de conduite de projet, Ralph Kimball, Laura Reeves, Margy Ross, Warren Thornthwaite, Eyrolles, 2005
• Oracle Data Warehouse Tuning for 10g, Gavin Powell. Elsevier, 2005
• Business Intelligence avec SQL Server 2005, Bertrand Burquir, Dunod, 2007

Ce cours est orienté vers les théories et modèles de la science de l’interaction. Il présente également le domaine de l’expérience utilisateur, du design graphique et de l’évaluation ergonomique. Enfin, il développe, dans un contexte historique, les différents paradigmes d’interaction avec une vision prospective sur les évolutions futures.

• Problématique de l’IHM
• Théories et modèles de l’interaction
• Expérience utilisateur
• Ergonomie des interfaces graphiques
• Évaluation des interfaces
• Éléments de design graphique
• Perspectives en IHM

Cette unité d’enseignement est une introduction aux fondamentaux de l’analyse de données et du machine learning.

• Introduction générale (pourquoi une science des données ?)
• Rappel bases en algèbre linéaire + programmation python scientifique
• Analyse exploratoire de données : ACP, réduction de dimensions supervisée (LDA)
• Apprentissage de modèles: principes de l’Empirical Risk Minimization
• Régression
  • cas linéaire, polynomial
  • logistique
• Classification
• non-supervisée (méthode des k-moyennes)
• supervisée : classif linéaire, Naive Bayes, plus proche voisin
• validation des paramètres / des résultats
• ouverture vers d’autres schémas de classification
• Analyse de graphes et des réseaux sociaux

Cette unité d’enseignement est une introduction aux fondamentaux de l’analyse de données et du machine learning.

• Introduction générale (pourquoi une science des données ?)
• Rappel bases en algèbre linéaire + programmation python scientifique
• Analyse exploratoire de données : ACP, réduction de dimensions supervisée (LDA)
• Apprentissage de modèles: principes de l’Empirical Risk Minimization
• Régression
  • cas linéaire, polynomial
  • logistique
• Classification
• non-supervisée (méthode des k-moyennes)
• supervisée : classif linéaire, Naive Bayes, plus proche voisin
• validation des paramètres / des résultats
• ouverture vers d’autres schémas de classification
• Analyse de graphes et des réseaux sociaux

Les projets ont pour objectif d’apporter aux étudiants une expérience pratique dans la réalisation d’un projet en groupe (répartition des tâches, gestion des sources) dans une relation maîtrise d’ouvrage (représentée par un chercheur en informatique qui porte le projet) - maîtrise d’oeuvre (représentée par le groupe d’étudiants).

Face à un besoin exprimé par le chercheur, le groupe projet doit, dans un premier temps, proposer une solution et l’organisation à mettre en oeuvre pour la réaliser puis, une fois la proposition validée par le chercheur, la réaliser. Un soin particulier est apporté pour former les étudiants aux meilleures pratiques du monde de l’entreprise en particulier sur la communication maîtrise d’oeuvre - maîtrise d’ouvrage ainsi que sur le respect des engagements pris. Les projets sont en général l’occasion pour les étudiants de réaliser un projet de sa phase d’analyse à sa réception et d’approfondir ou découvrir les méthodes et technologies nécessaires à la réalisation du projet.

L’évaluation est faite sur la qualité des livrables et la gestion du projet.

Ce cours constitue une initiation à l’administration d’un parc d’équipements informatiques. Tout au long du semestre les étudiants sont amenés à assurer collectivement l’administration d’un ensemble de machines dans une salle dédiée.

• Introduction à l’administration système/réseau
• Installation initiale et maintenance (distribution des systèmes, gestion de paquets logiciels...)
• Mise en réseau (adressage, routage, DNS...)
• Gestion des comptes d’utilisateurs (comptes locaux, comptes déportés, authentification...)
• Gestion des services et partage de ressources (impression, archivage...)
• Sécurisation du parc (définitions, enjeux, classification des risques, systèmes pare-feu...)
• Virtualisation

---

Prérequis : Notions de bases en système d’exploitation, programmation de scripts shell, bonne compréhension de TCP/IP

Cours : 21H ; TP : 21H

---

Objectifs :

• Assimiler et appliquer les fondamentaux associés aux méthodes d’apprentissage profond, et application à des problèmes de classification sur des bases de données de taille importante.
• L’accent est mis à la fois sur les aspects théoriques (modèles, optimisation) et pratiques (développement d’architectures de réseaux de neurones en PyTorch, issu de Python).

---

Contenu :

• Bref historique sur les réseaux de neurones (McCuloch’s neurons, Hebb, Hopfield, perceptrons, etc.)
• Principes fondamentaux de l’apprentissage profond (minimisation du risque empirique, fonctions de cout et d’activation, rétro-propagation, algorithmes du gradient stochastique, etc.)
• Stratégies pour l’optimisation de modèles (dimensionnement des architectures, validation croisée)
• Autoencoders
• Applications en vision par ordinateur : réseaux convolutionnels
• Applications en traitement du langage naturel
• Ouvertures sur les architectures récentes (réseaux récurrents, modèles attentionnels type 'Transformers', etc.)

---

Pré-requis :

Bases de l’apprentissage par ordinateur (classification supervisée et non-supervisée), langage de programmation scientifique (python).

---

Bibliographie :

• Cours de Hugo Larochelle : Neural Networks
• Cours de Nando de Freitas (Oxford) : Machine Learning
• Cours de computer vision (Stanford) : Computer Vision
• Cours de traitement du langage naturel (Stanford) : Cours du traitement du langage naturel
• Micheal Nielsen : : Neural Networks and Deep Learning
• Ian Goodfellow, Yoshua Bengio and Aaron Courville (MIT Press) : Deep Learning

Ce cours porte sur l’interaction humain machine dans un contexte de mobilité. Il aborde en particulier la conception d’interface pour les dispositifs tactiles et les objets connectés. Il prolonge le cours interaction avancée de master 1.

Mots-clés : IHM, human centered computing, interaction tactile, interaction vocale, interaction vestimentaire, assistant, réalité augmentée, mobile design, persuasion design.

• Dispositifs et techniques d’interaction en mobilité
• Conception d’interfaces pour les dispositifs tactiles
• Conception d’interfaces pour les objets connectés
• Conception d’interfaces vocales
• Conception persuasive
• Paradigmes d’interaction

Cours : 21H ; TD : 21H

---

Objectifs :

• Comprendre les enjeux, les modèles et les applications du traitement automatique du langage et de la parole.
• Ce cours aborde à la fois les aspects théoriques et pratiques du domaine (mise en oeuvre d’architectures de réseaux de neurones en Python).
• Un mini-projet accompagnera ce cours autour de la conception et réalisation d'une application de chatbot.

---

Contenu :

• Méthodes et techniques pour la reconnaissance de la parole
• Dialogue Personne/Machine
• Principes fondamentaux de la synthèse de la parole
• Conversion de voix
• Modèles d'apprentissage profond pour la traduction automatique

---

Pré-requis :

• Bases de l’apprentissage par ordinateur (classification supervisée et non-supervisée)
• Langage de programmation scientifique (python)

Cours : 21H ; TP : 21H

---

Objectifs :

Ce cours est un cours avancé d’informatique graphique qui se focalise sur l’animation et la simulation de phénomènes 3D en temps-réel. Ces simulations sont couplées à des techniques de capture du mouvement (UE Mouvement et Intelligence Artificielle) pour créer des applications interactives contrôlées par l’humain. Nous verrons aussi comment valider / améliorer les couplages et les applications réalisées à l’aide d’études perceptuelles.

---

Contenu :

• Techniques de déformation géométriques
• Techniques de déformation basées physique (simulation) : masses-ressorts, particules, fluides
• Déformation de systèmes complexes et multi-couches: personnages (facial, cheveux, muscles), végétation
• Mise en place d’une application interactive : couplage entre les descripteurs de mouvement et les paramètres d’une simulation
• Interaction 3D
• Informatique graphique basée perception : études perceptuelles

La partie pratique de ce cours est un projet sur lequel les étudiants travaillent en petits groupes pendant toute la durée du semestre dans notre laboratoire dédié, le VirtualLab, et expérimentent avec des capteurs et des dispositifs de rendu innovants tels que le Leap Motion, le Myo Armband, l’Open BCI, l'Hololens ou encore l’HTC Vive et l'Oculus Quest.

---

Pré-requis :

• Introduction à l'informatique graphique [INF2110] (M1 Informatique)
• Programmation C++ [INF1511] (L3 Informatique)

Cours : 21H ; TD : 21H

---

Objectifs :

Ce cours explore les modèles, technologies et applications liées à l’ingénierie du mouvement, en intégrant l’acquisition, la détection et la reconnaissance de gestes, la reconstruction et la génération du mouvement, à partir de modèles d’apprentissage automatique. L’interaction basée mouvement appliquée à des systèmes simulés (visualisation 3D ou sonification) est ensuite étudiée et mise en œuvre à travers un projet commun avec l’UE Simulation et Applications Interactives.

---

Contenu :

• Capture et représentation du mouvement
• Analyse du mouvement : descripteurs, réduction de dimension (SVD), mesures de similarité (DTW)
• Reconnaissance du mouvement : HMM, machine learning
• Synthèse du mouvement : cinématique directe et inverse
• Mouvement, sciences cognitives, langage : approches en neurosciences, langues des signes

Des travaux pratiques illustrent chaque partie du cours. Le projet réalisé à mi-parcours permet de manipuler les dispositifs innovants du studio de capture de mouvement et de l’atelier VirtualLab (OpenBCI, caméras Leap, casques de réalité virtuelle ou augmentée).

Cette UE a pour but de developper les connaissances du monde de l'entreprise et du monde de la recherche à travers des conférences de nature variée et l'organisation de séminaires.

Cours : 21H ; TD : 21H

---

Objectifs :

Cette unité d’enseignement permet d’appréhender les méthodes et outils informatiques avancés (algorithmes d’indexation et de recherche, machine learning, search engine) pour la recherche, le filtrage et la classification d’information dans les masses d’information semi-structurées multimédia (paradigme No SQL). Une application au web-mining est mise en œuvre tout au long du semestre dans le cadre d’une pédagogie orientée projet.

---

Contenu :

• Structures de données pour l’indexation et la recherche d’information.
• Algorithmes de recherche par similarité, moteurs de recherche dans les bases No SQL.
• Algorithmes de classification supervisés (Naive Bayes, Random Forest, SVM, Neural Nets) semi-supervisés (1 class SVM, Isolation Forest, Gaussian Mixtures) et non supervisés (K-means, Mean Shift, Spectral cluste- ring) appliqués à la fouille de données.
• Approche deep learning pour la fouille de texte.
• Bases de traitement automatique des langues.
• Structure du web et analyse des liens (algorithme du PageRank).

Cette UE a pour but de developper les connaissances du monde de l'entreprise et du monde de la recherche à travers des conférences de nature variée et l'organisation de séminaires.