Éléments du programme de l'option IAD
←
→
Transcription du contenu de la page
Si votre navigateur ne rend pas la page correctement, lisez s'il vous plaît le contenu de la page ci-dessous
Éléments du programme de l’option IAD
Maria Malek
27 septembre 2011
1 Module exploration des données - 249h
– Apprentissage automatique - 30h, Maria Malek.
– Intelligence collective et web mining - 20h, Maria Malek.
– Réseaux de neurones - 20h, Chrys Baskiotis.
– Fouille de données visuelles (Analyse d’image) - 20h, Guy Almouzni.
– Analyse des réseaux sociaux - 40h, Rushed Kanawati.
– Vie Artificielle - 24h, Stefan Bornhofen.
– SAS Entreprise Miner - 24h, Frantz Miccoli.
– Analyse de données approfondie - 15h, Hervé De Milleville.
– Modèles de prévision - 24h, Hervé De Milleville.
– Reconnaissances de formes - 32h, Michel Chapron.
2 Module Recherche Opérationnelle - 151h
– Recherche Opérationnelle et métiers - 40h, Jean-Paul Vedel.
– Programmation par contraintes - 40h, Maria Malek.
– Théorie de la complexité - 15h, Houcine Sennoussi.
– Calculabilité - 20h, Jean-Paul Forest.
– SAS/OR Recherche opérationnelle - 24h, Richard Eudes.
– Recherche Opérationnelle appliquée - 12h, Rachid Chelouah.
3 Outils & Conférences - 40h
– Python - 20h, Chrys Baskiotis.
– Web sémantique - 20h, Dalia Sulieman.
– Introduction à l’informatique décisionnelle - 20h, Yassin Patel.
– Séminaire communication.
– Participation à des conférences.
– Journée IAD.
14 Les projets de l’option - 320h
– Projets d’entreprise - 120h,
– PFE - 200h.
5 Contenu des cours
5.1 Module Exploration des Données
5.1.1 Apprentissage automatique - 30H
Contenu
– Formulation d’un problème d’apprentissage symbolique, Les solutions dans un espace par-
tiellement ordonné : l’espace des versions, Elimination des candidats,
– Extension au cas des données incomplètes, Biais de langage, Critères de préférence d’une
solution : recherche heuristique d’une meilleure solution.
– Méthodes descendantes et opérateurs de spécialisation, Méthodes ascendantes et opérateurs
de généralisation,
– Utilisation de connaissances et réduction de l’espace de recherche.
– Représentations en logique de prédicats : la programmation logique inductive, Apprentis-
sage explicatif/descriptif, Apprentissage de prédicats (FOIL).
5.1.2 Web Mining - 20H
Objectif Le but de ce cours est d’introduire la problématique du web mining ainsi que son
utilisation dans les méthodes de personnalisation, de découverte du profil utilisateur ainsi que le
filtrage collaboratif.
Méthodes et moyens pédagogiques Cours et mini-projet par binôme. Les mini-projets font
partie du projet global de l’option.
Contenu
1. Représentation et modélisation des données web : le contenu, la structure et le comporte-
ment.
– Représentation du contenu des pages webs.
– Modélisation des sessions de navigations.
– Représentation de la structure hyper-média du web.
2. Techniques d’exploration des différents types de données et d’actions utilisateurs.
– Algorithmes d’apprentissage non supervisés : classification hiérarchique ascendante, centres
mobiles, règles d’association, etc.
– Algorithme d’apprentissage supervisé : arbre de décision, réseaux de neurones raisonne-
ment à partir de cas, etc.
Maria Malek- EISTI 25.1 Module Exploration des Données
3. Applications du web mining : Détection de profil, prédiction & recommendation personna-
lisation, adaptation des sites web et filtrage collaborative.
5.1.3 Réseaux de neurones - 20H
Contenu
1. Introduction aux Réseaux de Neurones et au logiciel SNNS.
2. Aspects Formel des Réseaux de Neurones. Régression Linéaire.
3. Perceptron : Perceptron multi-couches.
4. Les Réseaux RBF.
5. Adaline et Perceptron multi-couches.
6. Réseaux récurrents.
7. Adaptative Resonance Theorie.
8. Architecture de Hopfield. Architecture de Kohonen
9. Projet.
Méthodes et moyens pédagogiques Cours magistraux, travaux dirigés, travaux pratiques
et projet. Logiciel de simulation SNNS.
5.1.4 Fouille de données visuelles - 20H
Contenu
1. Acquisition et restitution de données visuelles,
2. Méthodes de base du traitement de données visuelles statiques, échantillonnage bi-dimensionnel,
quantification, transformation de Fourier, filtrage et pré-traitement,
3. Restauration , Réduction de redondance, compression, compactage,
4. Extraction de contour, Segmentation, Reconnaissance d’objets, Indexation et recherche par
le contenu.
5.1.5 Analyse de réseaux sociaux - 30H
Contenu
1. Fondements : Acteurs, Relations, Représentation par graphes et/ou matrices.
2. Exemple : le petit monde, les communautés sur internet, etc.
3. Calculs en analyse de réseaux sociaux :
– Centralité de degré, Centralité d’intermédiarité, Centralité de Proximité.
– Centralité de prestige, Centralisation de pouvoir.
– Clustering coefficient, Degré de cohésion, Degré de densité.
– Longueur du chemin, Radiality, Reach.
– Équivalence structurale, Trou structural, Multiplexité.
Maria Malek- EISTI 35.2 Module Recherche Opérationnelle 5.1.6 Vie Artificielle - 24H Contenu 1. Complexité, émergence, automates cellulaires 2. Fractales, L-systèmes 3. Intelligence collective, algorithmes de colonies de fourmis 4. Systèmes multi-agents 5. Evolution artificielle 6. Mondes virtuels & perspectives 5.1.7 Reconnaissance de formes - 32H. Méthodes et moyens pédagogiques Ce cours sera dispensé sur 4 séances de 4 heures consti- tuées d’une partie présentation des concepts suivie d’une partie travaux pratiques de program- mation des algorithmes. Enfin, un mini-projet de 16H00 par binôme permettra d’approfondir la compréhension des méthodes de reconnaissance des formes. Contenu 1. Introduction, exemples d’applications. 2. Reconnaissance des formes statistiques. 3. Estimation des fonctions de densité de probalibilité. 4. K plus proches voisins et fuzzy c-means 5. Classifieurs linéaires 6. Méthodes syntaxiques et arbre de décision. 7. Reconnaissance des formes non supervisée 5.2 Module Recherche Opérationnelle 5.2.1 Recherche Opérationnelle & Métiers - 36H Objectif Montrer des cas industriels relevant des techniques de recherche opérationnelle. Contenu 1. Programmation linéaire appliquée à la production 2. Programmation dynamique 3. Gestion des stocks 4. Chaînes de Markov 5. Optimisation des transports 6. Gestion des files d’attente 7. Soutien logistique et fiabilité. Maria Malek- EISTI 4
5.3 Ateliers & Conférences
5.2.2 Programmation par contraintes et ordonnancement - 40H.
Objectif Les modèles et Les méthodes utilisés en pratique pour résoudre des problèmes d’or-
donnancement d’ateliers et de services sont étudiés.
Contenu
1. Modélisation et résolution de problèmes à l’aide de la programmation par contraintes.
2. Types de contraintes, principaux algorithmes et heuristiques de résolution.
3. La fonction ordonnancement en entreprise
4. Procédures par séparation et évaluation : application au problème d’ordonnancement à
cheminements multiples.
5. Modélisation mathématique et ordonnancement : application à des problèmes d’emploi du
temps.
5.2.3 Théorie de la complexité - 30H
Objectif Les différentes classes de complexité des problèmes d’optimisation combinatoire sont
présentées. Les différents types d’algorithmes approchés pour résoudre les problèmes ainsi que
les liens entre complexité et approximation seront également étudiés.
Contenu
1. Performance d’un algorithme approché, algorithmes gourmands, schémas d’approximation,
2. Classes de problèmes.
5.3 Ateliers & Conférences
5.3.1 Web sémantique et ontologies - 20H
Objectif Le but de ce cours est d’introduire le domaine du web sémantique et d’ontologies
ainsi que leurs utilisations afin d’homogénéiser la représentation de connaissances sur le web et
d’y faciliter la recherche d’information.
Méthodes et moyens pédagogiques Cours et mini-projet par binôme. Les mini-projets font
partie du projet global de l’option.
Contenu
1. Motivations, définitions et modèle en couches.
2. Formalisme : XML, RDF, RDF(s) et OWL
3. Notion d’ontologies : intérêt, construction.
4. Sortes d’ontologies : ontologie de domaine, de résolution, d’application, etc.
5. Représentation d’ontologies : formalisme et langages.
6. Ontologies : annotation, indexation et alignement.
Maria Malek- EISTI 55.4 Projets au sein de l’option 5.4 Projets au sein de l’option 5.4.1 Le projet d’entreprise 5.4.2 Le projet de fin d’études Maria Malek- EISTI 6
Vous pouvez aussi lire
