Programme
Transcription
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.