Programme d’études 2022-2023English
Advanced machine learning and deep learning
Unité d’enseignement du programme de Master en sciences informatiques (MONS) (Horaire jour) à la Faculté des Sciences

CodeTypeResponsable Coordonnées
du service
Enseignant(s)
US-M1-SCINFO-060-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

  • 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
    • -Faire preuve d'autonomie et être capable de travailler seul ou en équipe
  • 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
    • -Pouvoir organiser et mener à son terme un travail de recherche, de développement ou d'innovation
  • Maîtriser les techniques de communication
    • -Pouvoir communiquer de façon claire, structurée et argumentée, tant à l'oral qu'à l'écrit, ses conclusions, ses propositions originales ainsi que les connaissances et principes sous-jacents
  • Développer et intégrer un fort degré d'autonomie
    • -Etre capable d'acquérir seul de nouveaux savoirs
    • -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
    • -Faire preuve de rigueur, d'autonomie, de créativité, d'honnêteté intellectuelle, de sens éthique et déontologique.

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

Sans objet

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-202Non autorisé
I-ILIA-202Non autorisé

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