Programme d’études 2022-2023English
Advanced Machine and Deep Learning
Unité d’enseignement du programme de Master : ingénieur civil en informatique et gestion (MONS) (Horaire jour) à la Faculté Polytechnique

CodeTypeResponsable Coordonnées
du service
Enseignant(s)
UI-M2-IRIGIG-302-MUE optionnelleSIEBERT XavierF151 - Mathématique et Recherche opérationnelle
  • SIEBERT Xavier
  • MAHMOUDI Sidi

Langue
d’enseignement
Langue
d’évaluation
HT(*) HTPE(*) HTPS(*) HR(*) HD(*) CréditsPondération Période
d’enseignement
  • Anglais
Anglais303000055.001er quadrimestre

Code(s) d’AAActivité(s) d’apprentissage (AA) HT(*) HTPE(*) HTPS(*) HR(*) HD(*) Période
d’enseignement
Pondération
I-MARO-202Advanced Machine Learning2424000Q180.00%
I-ILIA-202Advanced Deep Learning66000Q120.00%

Unité d'enseignement

Objectifs par rapport aux acquis d'apprentissage du programme

  • Imaginer, concevoir, réaliser et mettre en oeuvre des modèles conceptuels et des solutions informatiques pour répondre à des problèmes complexes notamment de décision, d'optimisation, de gestion et de production dans le cadre d'une démarche d'innovation en entreprise en intégrant l'évolution des besoins, contextes et enjeux (techniques, économiques, sociétaux, éthiques et environnementaux).
    • Sur base d'une modélisation, concevoir un système ou une stratégie répondant au problème posé ; les évaluer compte tenu des différents paramètres du cahier des charges.
    • Evaluer la démarche et les résultats en vue de leur adaptation (modularité, optimisation, qualité, robustesse, fiabilité, évolutivité,...).
  • Mobiliser un ensemble structuré de connaissances et compétences scientifiques et techniques spécialisées permettant de répondre, avec expertise et adaptabilité, aux missions de l'ingénieur civil en Informatique et Gestion
    • Maîtriser et mobiliser de façon pertinente des connaissances, des modèles, des méthodes et des techniques relatifs au domaine de l'Informatique et Gestion
    • Identifier et étudier les applications possibles des technologies nouvelles et émergentes dans le domaine des sciences et technologies de l'information et du management quantitatif et qualitatif de l'entreprise.
    • Evaluer la validité des modèles et des résultats compte tenu de l'état de la science et des caractéristiques du problème.
  • Planifier, gérer et mener à bien des projets compte tenu de leurs objectifs, ressources et contraintes et en assurant la qualité des activités et des livrables.
    • Définir et cadrer le projet compte tenu de ses objectifs, ressources et contraintes.
    • Evaluer la démarche et les réalisations, les réguler compte tenu des constats faits et des feedbacks reçus.
    • Respecter les échéances et le plan de travail.
  • Communiquer et échanger des informations de manière structurée - oralement, graphiquement et par écrit, en français et dans une ou plusieurs autres langues - sur les plans scientifique, culturel, technique et interpersonnel en s'adaptant au but poursuivi et au public concerné.
    • Argumenter et convaincre, tant à l'oral qu'à l'écrit, vis-à-vis de clients, des enseignants et des jurys.
    • Utiliser et produire des documents scientifiques et techniques (modélisation mathématique, architecture des données et du logiciel, rapport, cahier des charges, analyse financière, documentation et manuels, ...) adaptés au but poursuivi et au public concerné.
  • Agir en professionnel responsable, faisant preuve d'ouverture et d'esprit critique, inscrit dans une démarche de développement professionnel autonome.
    • Exploiter les différents moyens mis à disposition pour se documenter et se former de manière autonome.
  • Contribuer par un travail de recherche à la solution innovante d'une problématique en sciences de l'ingénieur.
    • Construire un cadre théorique ou conceptuel de référence, formuler des solutions innovantes à partir de l'analyse de la littérature scientifique, notamment dans des champs disciplinaires nouveaux ou émergents.

Acquis d'apprentissage de l'UE

Se familiariser avec les techniques contemporaines en analyse des données et en intelligence artificielle (apprentissage actif, apprentissage par renforcement, réseaux de neurones profonds). Etudier ces méthodes dans le cadre de la théorie de l'apprentissage statistique.  

Contenu de l'UE : descriptif et cohérence pédagogique

apprentissage actif, apprentissage par renforcement, réseaux de neurones profonds, théorie de l'apprentissage statistique.

Compétences préalables

connaissances de base en data mining / machine learning
programmation python
bases mathématiques

Types d'activités

AATypes d'activités
I-MARO-202
  • Cours magistraux
  • Travaux pratiques
I-ILIA-202
  • Cours magistraux
  • Travaux pratiques
  • Projet sur ordinateur
  • Etudes de cas

Mode d'enseignement

AAMode d'enseignement
I-MARO-202
  • En présentiel
I-ILIA-202
  • En présentiel

Supports principaux non reproductibles

AASupports principaux non reproductibles
I-MARO-202Sans objet
I-ILIA-202Sans objet

Supports complémentaires non reproductibles

AASupport complémentaires non reproductibles
I-MARO-202Sans objet
I-ILIA-202Sans objet

Autres références conseillées

AAAutres références conseillées
I-MARO-202Sans objet
I-ILIA-202Sans objet

Reports des notes d'AA d'une année à l'autre

AAReports des notes d'AA d'une année à l'autre
I-MARO-202Autorisé
I-ILIA-202Autorisé

Evaluation du quadrimestre 1 (Q1) - type

AAType(s) et mode(s) d'évaluation du Q1
I-MARO-202
  • Production (travail écrit, rapport, essai, collection, produit…) à déposer - A distance
I-ILIA-202
  • Production (travail écrit, rapport, essai, collection, produit…) à déposer - A distance

Evaluation du quadrimestre 1 (Q1) - commentaire

AACommentaire sur l'évaluation Q1
I-MARO-202Épreuve théorique et présentation d'un projet sur logiciel  
I-ILIA-202Présentation d'une solution répondant à un problème de l'IA explicable à l'aide des réseaux de neurones profonds : MLP, CNN, RNN, LSTM, GAN, etc.
 

Evaluation de l'épreuve de rattrapage du quadrimestre 1 (Q1) pour B1BA - type

AAType(s) et mode(s) d'évaluation rattrapage Q1(BAB1)
I-MARO-202
  • Production (travail écrit, rapport, essai, collection, produit…) à déposer - A distance
I-ILIA-202
  • Production (travail écrit, rapport, essai, collection, produit…) à déposer - A distance

Evaluation du quadrimestre 3 (Q3) - type

AAType(s) et mode(s) d'évaluation du Q3
I-MARO-202
  • Production (travail écrit, rapport, essai, collection, produit…) à déposer - A distance
I-ILIA-202
  • Production (travail écrit, rapport, essai, collection, produit…) à déposer - A distance

Evaluation du quadrimestre 3 (Q3) - commentaire

AACommentaire sur l'évaluation Q3
I-MARO-202idem Q1
I-ILIA-202Idem Q1
(*) HT : Heures théoriques - HTPE : Heures de travaux pratiques encadrés - HTPS : Heures de travaux pratiques supervisés - HD : Heures diverses - HR : Heures de remédiation - Dans la colonne Pér. (Période), A=Année, Q1=1er quadrimestre et Q2=2e quadrimestre
Date de dernière mise à jour de la fiche ECTS par l'enseignant : 13/05/2022
Date de dernière génération automatique de la page : 21/06/2023
20, place du Parc, B7000 Mons - Belgique
Tél: +32 (0)65 373111
Courriel: info.mons@umons.ac.be