Objectifs par rapport aux acquis d'apprentissage du programme

• 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 à finalité Innovation et Systèmes d'Informations.
• Maîtriser et mobiliser de façon pertinente des connaissances, des modèles, des méthodes et des techniques relatifs - À l'amélioration des processus de décision et de gestion, la maîtrise de la modélisation mathématique et des algorithmes d'optimisation, l'analyse des grands volumes de données.- À la maîtrise des outils du Web et multimédia, la conception et l'exploitation des systèmes informatiques distribués et mobiles, la gestion d'un projet logiciel de grande envergure.- À la gestion innovante d'une entreprise et ou d'une équipe de projet.- Aux systèmes d'information (data mining, base de données, cloud computing, ...) et au management de l'innovation technologique.
• 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.
• 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).
• Concrétiser une solution choisie sous la forme de diagrammes, de graphes, de prototypes, de logiciels et/ou de modèles numériques.
• Evaluer la démarche et les résultats en vue de leur adaptation (modularité, optimisation, qualité, robustesse, fiabilité, évolutivité,...).
• Intégrer la veille et l'innovation technologique au sein d'équipes d'ingénierie.
• Travailler efficacement en équipe, développer son leadership, prendre des décisions dans des contextes multidisciplinaires, multiculturels et internationaux.
• Prendre des décisions, individuelles ou collectives, en prenant en considération les paramètres (humains, techniques, économiques, sociétaux, éthiques et environnementaux) engagés.
• 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.
• Sélectionner et utiliser les modes et supports de communication écrite ou orale adaptés au but poursuivi et au public concerné.
• 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.
• Faire preuve d'ouverture et d'esprit critique en mettant en regard aspects techniques et enjeux non-techniques des problèmes analysés et des solutions proposées.
• 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.
• Concevoir et mettre en oeuvre des analyses conceptuelles, des modélisations numériques, des implémentations logicielles, des études expérimentales et des analyses comportementales.
• Récolter et analyser des données avec rigueur.
• Interpréter adéquatement des résultats en tenant compte du cadre de référence au sein duquel la recherche s'est développée.
• Communiquer, à l'écrit et à l'oral, sur la démarche et ses résultats en mettant en évidence tant les critères de scientificité de la recherche menée, que les potentialités d'innovation théoriques ou techniques et les possibles enjeux non techniques.

Acquis d'apprentissage de l'UE

A l'issue de cette UE, l'étudiant.e devrait avoir acquis des connaissances théoriques et des compétences pratiques en rapport avec les modèles aléatoires et probabilistes pour la recherche opérationnelle et pour l'intelligence artificielle. Il/elle devrait :
- comprendre l'importance et l'intérêt de cette perspective.
- connaître la théorie de base des modèles graphiques probabilistes et réseaux bayésiens.
- connaître divers modèles: chaines de Markov, modèles de Markov cachés, mélanges de gaussiennes, allocation de Dirichlet latente, les modèles Bayesien linéaires et non-linéaires.
- être capable de mettre en oeuvre des approches d'inférence.
- savoir utiliser les librairies logicielles dédiées.
L'UE couvrira aussi:
- savoir implémenter le protocole de chiffrement RSA.
- savoir utiliser la factorisation matricielle pour effectuer de l'apprentissage non supervisé.
 

Contenu de l'UE : descriptif et cohérence pédagogique

L'UE est composée de deux AA:
- l'une qui présente et analyse différents modèles aléatoires pour la recherche opérationnelle, se concentrant principalement sur les chaînes de Markov et leurs applications (PageRank de Google, files d'attente, etc.). Il va également étudier la factorisation matricielle dans le contexte de l'apprentissage non supervisé, et également le chiffrement RSA.
- l'autre qui présente d'autres modèles bayesiens, et de leur mise en oeuvre via la programmation probabiliste et l'inférence. Cette AA présente les modèles de Markov cachés, les mélanges de gaussiennes, l'allocation de Dirichlet latente, et les modèles Bayesien linéaires et non-linéaires.

Plus de détails sur le contenu sont donnés dans les fiches ECTS de ces AAs.
 

Compétences préalables

Sans objet