Objectifs par rapport aux acquis d'apprentissage du programme

• Gérer des projets de développement informatique d'envergure
• -Etre capable d'appliquer, de mobiliser, d'articuler et de valoriser les connaissances et les compétences acquises en vue de contribuer à la conduite et à la réalisation d'un projet
• -Etre capable de mener un projet à son terme en maîtrisant sa complexité et en tenant compte des objectifs, des ressources allouées et des contraintes qui le caractérisent
• Gérer des travaux de recherche, de développement ou d'innovation
• -Etre capable d'appréhender une problématique inédite relevant des sciences informatiques et de ses applications
• -Rechercher de façon méthodique des informations scientifiquement valides, mener une analyse critique, proposer et argumenter des solutions éventuellement innovantes à des problématiques ciblées
• Maîtriser les techniques de communication
• -Le cas échéant, être capable de communiquer dans une langue étrangère
• Développer et intégrer un fort degré d'autonomie
• -Poursuivre sa formation et développer de nouvelles compétences de façon autonome
• Appliquer une méthodologie scientifique
• -Avoir la capacité de mener une réflexion critique sur l'impact de l'informatique en général et, en particulier, lors de la contribution à des projets
• Compétence 2 : Avoir acquis les compétences professionnelles en relation avec la finalité définissant le diplôme
• -Etre spécialisé dans au moins un sous-domaine de l'informatique
• -Pouvoir s'intégrer dans un environnement professionnel et collaborer avec les différents intervenants d'un projet réel

Acquis d'apprentissage UE

develop an applied pattern recognition system, together with a critical analysis of the problem;
apply data processing techniques (feature extraction, feature selection);
apply classification techniques and train classifiers (Gaussian modelling, Clustering, Artificial Neural Networks, Support Vector Machines, Dynamic Time Warping, Hidden Markov Models, Combining Classifiers);
estimate performances of classifiers.

Contenu de l'UE

fundamentals: SPR scheme, feature extraction, classifiers, combining classifiers; neural networks: feed-forward neural networks, training MLP, other ANN models; support vector machines; dynamic systems: dynamic time warping, hidden Markov models; Speech Processing and Recognition

Compétences préalables

fundamentals of signal processing; probability and statistics

Types d'évaluation Q1 pour l'épreuve intégrée

• Néant

Commentaire sur l'épreuve intégrée Q1

Sans objet

Types d'évaluation Q2 pour l'épreuve intégrée

• Examen oral

Commentaire sur l'épreuve intégrée Q2

Sans objet

Types d'évaluation du Q3 pour l'épreuve intégrée

• Examen oral

Commentaire sur l'épreuve intégrée Q3

Sans objet

Types d'évaluation rattrapage B1BA (Q1) pour l'épreuve intégrée

• Néant

Commentaire sur l'épreuve intégrée rattr. Q1

Sans objet