• Informations générales

  • MAM3 - S5
  • MAM3 - S6

  • MAM4 - S7
  • MAM4 - S8

  • MAM4 ALT - S7
  • MAM4 ALT - 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 - Semestre S9 - Mineure SD



    Unité d'enseignement obligatoire
    Cours
    TD
    ECTS
    		Intervenant
    Humanités FISE S9
    2
    		Elisabeth Sargenti
    Négociation commerciale
     
     
    8
    0
    		 
    Culture juridique et propriété intellectuelle
     
    0
    12
    0
    		 
    Conférences métiers
     
    2
     
    0
    		Veronika Nedeltchev


    Unité d'enseignement obligatoire
    Cours
    TD
    ECTS
    		Intervenant
    Projet d'études et de recherche S9
    L'objectif de ce module est de faire travailler les étudiants en mode projet, en petits groupes, sur un projet long (étalé sur le semestre), en interaction avec un professionnel du monde de l'entreprise.
    4
    		Cédric Boulbe


    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
    		Lionel 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
    		Lionel 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
    		Denis Caromel


    Unité d'enseignement obligatoire
    Cours
    TD
    ECTS
    		Intervenant
    Apprentissage profond et ses applications
    6
    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
    2
    		Lionel 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
    2
    		Pierre Alliez
    From NLP Foundations to Generative and Agentic AI
    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
    2
    		Asmaa Fillatre


    Unité d'enseignement obligatoire
    Cours
    TD
    ECTS
    		Intervenant
    Traitement de données multidimensionnelles
    6
    Frugal Computer Vision
    Frugal Computer Vision explores efficient and resource-aware approaches to computer vision. In a first part, the course covers foundational topics such as feature engineering, exploratory data analysis, and machine learning paradigms (supervised, unsupervised, reinforcement learning), and discusses visual association rule mining. In a second part, it emphasizes frugality for low-resource settings through techniques like model compression (quantization, pruning, distillation) and explores advanced methods including spiking neural networks and applications to computer vision. The course includes hands-on projects and a written exam for evaluation.
    18
    18
    3
    		Jean Martinet
    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
    3
    		Xavier Descombes


    Unité d'enseignement obligatoire
    Cours
    TD
    ECTS
    		Intervenant
    Applications de l'intelligence artificielle
    6
    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
    3
    		Marc 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
    3
    		Leo Donati



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


    Bloc optionnel
    Cours
    TD
    ECTS
    		Intervenant
    Expérience professionnelle (1 UE complémentaire au choix : 0 UE min - 1 UE max)
     
     
     
    Expérience professionnelle
     
     
    2