Résoudre des problèmes complexes en mobilisant les concepts fondamentaux et avancés de l’informatique

MR116B54
Modéliser des problèmes de traitement des données par l’IA

Description

- Analyser et modéliser du point de vue informatique un problème dans toute son étendue et dans des champs d’applications variés en lien avec les usagers
- Évaluer et maîtriser la complexité du développement d’un logiciel en relation avec un domaine d’application.
- Mettre en relation une catégorie de problèmes avec les algorithmes de résolution adaptés et en évaluer la pertinence : limites d’utilisation et efficacité.
- Proposer une architecture matérielle et logicielle permettant d’intégrer les données du problème et de le résoudre.
- Maîtriser plusieurs paradigmes de modélisation et de programmation et être capable de s’adapter à de nouveaux langages.
- Identifier un problème pouvant être parallélisé ou réparti, choisir et mettre en œuvre le modèle de calcul adapté pour le résoudre.
- Maîtriser les grands enjeux de la sécurité des systèmes informatiques et de la protection des données.
- Analyser un système du point de vue de la sécurité

Entraîner des modèles d’apprentissage (arbres de décision, réseaux de neurones) afin d’analyser des données complexes.
Comparer les modèles par validation croisée et métriques adaptées afin de choisir une solution fiable

Public

Titulaires des licences de mathématiques appliquées, informatique, statistique, sciences de l’ingénieur et sciences de l’environnement.

Nombre d’ECTS
18
Domaine
Informatique Télécoms Médias numériques Cybersécurité
Code répertoire
RNCP39278BC05
Date de début de validité

6 ECTS - Une UE à choisir parmi :

RCP216 : Ingénierie de la fouille et de la visualisation de données massives ( 6 ECTS)

Nombre d'heures : 60.00

Cet enseignement s'intéresse à l'impact des caractéristiques des données massives (volume, variété, vélocité) sur les méthodes de fouille de données.

RCP218 : Intelligence artificielle, optimisation et contrôle ( 6 ECTS)

Nombre d'heures : 50.00

L'objectif de cette UE est double. Il s’agit tout d’abord de former les auditeurs aux techniques de conception d’algorithmes d’IA basées sur de l’optimisation qui adressent de nombreuses applications (aide au diagnostic médical, autorisation de crédits, …).

RCP220 : Apprentissage statistique en production ( 6 ECTS)

Nombre d'heures : 50.00

  • Maîtriser le cycle de vie d'un modèle d'apprentissage statistique au sein de l'entreprise
  • Maîtriser les contraintes liées au déploiement d'IA en production (consommation énergétique, temps de calcul, déploiement embarqué, applications critiques)
  • Savoir mener un projet d'IA de
SMB214 : Nouvelles infrastructures et systèmes numériques souverains ( 6 ECTS)

Nombre d'heures : 60.00

L'UE SMB214 s'intéresse au système en tant qu'infrastructure technologique supportant les applications numériques.

CSC217 : Intelligence Artificielle et Calcul Scientifique ( 6 ECTS)

Nombre d'heures : 50.00

Ce cours a pour but de présenter des méthodes modernes de calcul scientifique, en particulier celles intégrant les méthodes modernes d'apprentissage machine.

NFE204 : Bases de données documentaires et distribuées ( 6 ECTS)

Nombre d'heures : 60.00

Le cours est consacré à le gestion de données massives, non-structurées ou semi-structurées.

NFE211 : Business Intelligence (1) - Data Warehouses ( 6 ECTS)

Nombre d'heures : 60.00

Acquérir une compréhension solide de la Business Intelligence (BI) et, plus largement, de l’ensemble des processus et composants d’une architecture décisionnelle centrée sur un entrepôt de données (Data Warehouse).

RCP211 : Intelligence artificielle avancée ( 6 ECTS)

Nombre d'heures : 50.00

L'objectif est de transmettre les cadres méthodologiques et les outils logicielles utiles pour déployer et comprendre les fonctionnement des modèles d'IA modernes.

RCP217 : Intelligence artificielle pour des données multimédia ( 6 ECTS)

Nombre d'heures : 50.00

Former les auditeurs aux techniques modernes d'intelligence artificielle appliquées au données de type multimédia et appliquer ces techniques à des problématiques couramment utilisées en sciences des données.