Programme

M2
Mention : Informatique
Spécialité : Exploration Informatique des Données et Décisionnel (EID2)
S3
UE
Intitulé UE
Contenu de l’UE
Compétences visées
(Enseignant responsable)
(5 lignes maximum)
(5 lignes maximum)
UE fondamentales
Langages et environements
évolués
(C. Fouqueré)
Principes de base de la programmation réseau en Java. Gérer des clients
multiples : URL, sockets. Servlets et JSP. Accès aux bases de données avec
JDBC. Java distribué : invocation de méthodes à distance , serveur RMI
(Remote Method Invocation). Principes généraux des systèmes à base de
composants vus au travers du Modèle EJB (Entreprise Java Beans).
Appréhender la structure des
logiciels de type services web
(services distribués, n-tier, ...).
Connaître le cas des services
déployés au-dessus de Java.
Traitement numérique des
données
(Y. Bennani)
Méthodes bayesiennes, séparation linéaire et non linéaire, technique des plus
proches voisins, classification automatique, Arbres de décision, Chaines de
Markov Cachées, sélection de variables, méthodes linéaires de réduction de
dimension : ACP, MDS, Méthodes non-linéaires de réduction de dimension :
Kernel PCA, Isomap, LLE.
Acquérir
les
fondements
théoriques et algorithmiques des
techniques
de
traitement
statistiques des données.
UE 1
UE 2
UE de spécialité
UE 3
Statistique exploratoire
multidimensionnelle
(T. Couronne)
UE 4
Bases de données avancées
(F. Boufarès)
UE 5
Data Mining Business Analytics
(S. Blanc)
UE 6
Data Warehouse
Description statistique uni et multi-variée des données, mesures de liaison
entre individus et entre variables, analyses factorielles (ACP, AFC, ACM, AFD),
classifications et segmentations d’individus et de variables, tests d’hypothèses
(Student, chi2, anova) et modélisation (régression), scoring (logistique).
Apprentissage du langage SAS et applications sur des exemples.
Initiation
aux
techniques
d’analyses
descriptives
et
inférentielles des données à
travers l’utilisation d’un logiciel
de traitement statistique.
Bases de Données Relationnelles, Objet, XML, Documentaires, Multimédia… ;
Données hétérogènes et distribuées, SQL avancé, SQL orienté objet, PL/SQL
avancé, JDBC-JAVA ; Implantation d’une BD ; Administration d’une BD,
Optimisation, Confidentialité, Sécurité, Privilèges d’accès, les vues ; SGBD ;
Intégration de données hétérogènes ; Qualité des données ; BD et Web…
érie de conférences professionnelles sur les enjeux techniques et métier de
l’informatique décisionnelle : Economie de l’immatériel, Qualité des données,
Pilotage de la Performance et Balanced Scorecard, Outils pour le CRM et le
Marketing, Data Mining, Analyse de Réseaux Sociaux…
Gérer et administrer une base de
données ;
Développer
des
applications base de données ;
Gérer la qualité des données.
Structure d'un DWH ; Architectures (réelle, virtuelle, hybride) ; Construction
d’un DWH ; Administration, Alimentation, Amélioration des performances d'un
Construire et maintenir un DWH;
Gérer et administrer un DWH ;
Appréhender les enjeux métier
actuels
de
l’informatique
décisionnelle et les acteurs clés,
les relier aux enseignements
théoriques du Master.
UE 7
(R. Nefoussi)
DWH ; BD multidimensionnelles ; Vues et Vues Matérialisées ; SQL pour le
multidimensionnel - ROLLUP, CUBE, GROUPING, DRILL DOWN… ; Intégration de
données ; ETL ; Reporting, Tableaux de bord ; Qualité de données, MDM.
Management de la qualité des
données dans un DWH.
Informatique décisionnelle
Définition de l’informatique décisionnelle : Architecture technique, logique et
fonctionnelle. Travaux sur une plateforme, sur un cas, du début à la fin : ETL,
OLAP, Information Map, Reporting, Web Report Studio, Enterprise Guide,
Procédures stockée, Portail Web, méthodologie, administration.
Etre capable de planifier, de
gérer
l’intégration
et
les
évolutions
d’un
système
décisionnel.
(G. De Lassence)
UE culturelles
UE 8
Anglais
(G. Grill)
UE 9
Propriété intellectuelle
(C. Carpentier)
UE10 Les métiers de l’informatique
(A. Nazarenko)
Les compétences de communication liées à la vie universitaire et la recherche
: production d'écrits et de présentations orales (résumés de conférences,
rédactions d'articles courts, "abstracts", présentations orales de travaux).
Une approche interculturelle sensibilise l'étudiant à une perspective
d'échanges et d'insertion professionnelle dans des équipes multilingues.
La protection des biens informatiques. La propriété des créations
informatiques. La propriété du logiciel. La propriété de l'oeuvre multimédia.
Le piratage des systèmes informatiques : la contrefaçon des logiciels,
l'intrusion dans les systèmes informatiques.
Acquérir des compétences orales
et écrites.
Découvrir les métiers de l’informatique : chercheur, développeur, chef de
projet, consultant, responsable de compte-client, etc. Comprendre le
déroulement des carrières à partir de quelques parcours-types. Appréhender
l’environnement professionnel en laboratoire et entreprise : grandes fonctions
et mode de fonctionnement de l’organisation.
Préparer
l’insertion
professionnelle des étudiants en
entreprise ou en laboratoire.
Initier
les
étudiants
aux
problèmes de la propriété
intellectuelle dans le domaine
informatique.
S4
UE
Intitulé UE
Contenu de l’UE
Compétences visées
(Enseignant responsable)
(5 lignes maximum)
(5 lignes maximum)
2 UE d’approfondissement au choix parmi la liste ci-dessous
Aide à la décision
(Y. Chevaleyre)
Modélisation monocritère : gestion de production et de planification ;
problèmes de localisation ; ordonnancement. Programmation multiobjectif :
modélisation des préférences ;
contruction de famillles de critères ;
optimisation combinatoire multicritère ; méthodes d'aide multicritère à la
décision.
Initiation
aux
techniques
d’optimisation multi-critère.
Apprentissage connexionniste
(Y. Bennani)
Eléments de base, le neurone, architectures, paramètres, Critères et
algorithmes d'apprentissage, MLP, TDNN, RNN, RBF, LVQ, SOM, ART, Liens avec
les statistiques, Mesures de performance, Sélection de modèles, Heuristiques
pour la généralisation, régularisation structurelle, régularisation explicite et
pénalisation.
Acquérir
les
fondements
théoriques et algorithmiques des
techniques d’apprentissage à
base de réseaux de neurones
artificiels
Classification et régression. Minimisation du risque empirique (ERM),
Consistance de l'approche ERM, Dimension VC, Minimisation du risque
structurel (SRM), Machines à Vecteurs de Support (SVM), hyperplan séparateur
optimal, cas non séparable, SVM multi-classes, Arbres de décision, Modèles
stochastiques, modèles de Markov cachés (HMM).
Recherche heuristique dans un espace d’hypothèses partiellement ordonné.
Approches Diviser pour régner, spécialisation, généralisation. Apprentissage en
ligne et par ensemble. Modèles d'apprentissage en ligne, mistake-bound et par
requêtes, apprentissage PAC.Programmation logique inductive. Fouille de
motifs fréquents/clos, treillis de Galois.
Acquérir
les
fondements
théoriques et algorithmiques des
techniques
d’apprentissage
statistique.
UE11
UE12
UE13
Apprentissage statistique
(S. Li Thiao Té)
UE14
Apprentissage symbolique
(C. Rouveirol)
Acquérir
les
fondements
théoriques et algorithmiques des
techniques de l’apprentissage
symbolique
(à
base
de
représentations logiques)
1 UE complémentaire au choix parmi la liste ci-dessous
UE15
Analyse des réseaux sociaux
(R. Kanawati)
UE16
Fouille de données visuelles
(B. Matei)
Introduction aux grands graphes de terrain : caractéristiques, modèles
génératifs et applications. Problématique d’analyse de grands graphes
dynamiques : Classements des nœuds, caractérisation et identification des
communautés, ­ Approches topologiques pour la prévision de liens. Algorithmes
de visualisation de grands graphes.
Acquisition et restitution de données visuelles, Méthodes de base du
traitement de données visuelles statiques : échantillonnage, quantification,
transformations de Fourier et en ondelettes, filtrage et prétraitement,
Restauration et rehaussement, Réduction du bruit, compression, compactage,
Extraction de contour, Reconnaissance d'objets, Indexation et recherche par le
contenu.
Acquérir
les
fondements
nécessaires à la modélisation et
l’analyse de grands réseaux
d’interaction. Se confronter à la
problématique de traitement des
très grandes masses de données
relationnelles.
Acquérir un aperçu de ce qu´est
le traitement des données
visuelles, plus précisément la
compression.
UE17
Fouille de données vocales
(A. Nabeth)
Production de parole, Signal de parole et Phonétique, Codage de Parole,
Synthèse de Parole à partir de texte, Reconnaissance de Parole (alignement
acoustico-phonétique, Grammaires et Modèles de Langage Statistiques),
Reconnaissance du Locuteur, Fouille vocale (« speech analytics »), Standard
VoiceXML, Ergonomie vocale, Applications et Marché des technologies vocales.
Acquérir des connaissances sur
les principes de fonctionnement
des technologies vocales + Avoir
un aperçu des méthodologies,
des applications et du marché.
Interaction Homme-Machine
(C. Recanati)
Historique et contours du domaine. Ergonomie et facteurs humains : apports de
la Psychologie. Méthodes et modèles de conception des systèmes interactifs.
Modèles d’architectures logicielles. Evaluations des IHM. TAL, Web
Sémantique.. Web Design. Multimedia, réalité virtuelle et augmentée. Jeux
vidéo. Nouveaux vecteurs d’informations et dispositifs d’interaction.
Acquérir les notions de base de
l’interaction
Homme-machine
pour pouvoir concevoir des
systèmes interactifs utiles et
utilisables.
Traitement de données
textuelles
(A. Nazarenko)
Choix des unités de décompte, segmentation, fréquence, loi de Zipf, mesures
de la richesse du vocabulaire, documents lexicométriques, les segments
répétés, recherche de cooccurrences, classification, typologies, visualisation,
séries textuelles chronologiques, analyse des correspondances textuelle,
analyse discriminante textuelle.
Initiation
aux
techniques
d’analyse factorielle textuelle.
UE18
UE19
UE20 UE autres spécialités
(Responsable de la spécialité)
Stage
UE21 Simulation d'entretiens
(DRH)
UE22
Stage Entreprise/Laboratoire
(Y. Bennani)
Le stage est obligatoire, il a lieu dans une entreprise ou un laboratoire. La
durée du stage est de 4 mois minimum après les enseignements. Les étudiants
sont suivis au cours de leur stage par un tuteur membre du département
d'informatique
en
liaison
avec
le
responsable
du
stage
en
entreprise/laboratoire. Le stage fait l'objet d'un rapport écrit et d'une
soutenance orale devant un jury.
Compléter la formation par une
première
expérience
professionnelle en lien avec la
spécialité du master.