Parcours MINMACS
Informatique, Mathématiques et Sciences de l'Information en Normandie
Objectifs
Ce parcours, intégré à la Graduate School MINMACS, propose une formation d'excellence en mathématique et informatique pour les étudiants en Master et en Doctorat. Avec son système de parcours à la carte, des bourses d'excellence, du tutorat personnalisé, une immersion dans les laboratoires, un réseau existant de partenaires locaux, nationaux et internationaux qui permet la réalisation de mobilités en stages et en projets, le parcours offre une formation de haut niveau pour des applications dans les domaines de la santé, des mobilités et des énergies renouvelables.
Formation et Recherche
La Graduate School (GS) MINMACS propose:
- des bourses d’excellence pour M1+M2 ou uniquement le M2
- des programmes de master personnalisés avec des UE Majeures prise au sein de la mention d'inscription et des UE Mineures choisies au sein des autres Master de la GS.
- un système de mentorat pour guider les lauréats dans leurs choix de programmes / projets / stages...
- un réseau de laboratoires/formations partenaires en France et dans le monde
Elle s'appuie sur:
- 6 laboratoires de recherche:
- à Caen: le GREYC, le LMNO
- à Rouen: le LITIS, le LMI, le LMRS
- au Havre: le LITIS, le LMAH
- 1 école doctorale (MIIS: Mathématiques, Informations, Ingénierie des Systèmes)
- 400 membres du corps enseignants
- Une expertise internationalement reconnue dans le domaine des sciences du numériques
- Des Chaires et financements en intelligence artificielle
Plus d'informations sur le site de la Graduate School www.minmacs.fr
Programme
L'objectif de cette UE est d'atteindre une plus grande aisance dans l'expression orale en Anglais dans des contextes généraux et professionnels tels que la prise de parole en public ou lors d'un entretien en anglais ou d'une réunion. Seul ou en équipe au sein d'un groupe restreint, il s'agit d'être capable de travailler et de présenter des arguments à l'oral à un niveau B2 du CECRL. Cela passe en particulier par :
- L'apprentissage de la méthodologie de la prise de parole en public.
- Un travail intensif (atelier spécifiques) sur les règles de prononciation de la langue anglaise (accent britannique ou nord-américain) pour viser une expression authentique à l'oral.
- L'acquisition du vocabulaire et des expressions propres à la communication écrite et orale dans des contextes généraux et professionnels.
L'objectif de cette UE est de présenter les bases de l’apprentissage automatique (les différents types de contextes/tâches/applications), à comprendre le fonctionnement des principales méthodes d’apprentissage automatique, et à donner les principes méthodologiques expérimentaux pour la mise en œuvre de ces méthodes. Le but est de maîtriser les différentes tâches de l’apprentissage automatique, de comprendre les différences entre les méthodes et leur principe de fonctionnement et de savoir monter un protocole expérimental pour tester et comparer ces méthodes sur des jeux de données réels. Les thèmes abordés sont :
- Les classifieurs paramétriques et non paramétriques, génératifs ou discriminants (estimation de gaussiennes, estimateur de Parzen, k plus proches voisins, séparateur linéaire (perceptron, SVM))
- Les classifieurs hiérarchiques (arbres de décision)
- Réseaux de neurones (MLP)
- La sélection de modèles
L'objectif de cette UE est de présenter les outils théoriques et pratiques permettant le traitement des signaux aléatoires, en particulier sur les aspects liés au filtrage des signaux. Il s'agit de maîtiser les approches classiques pour de tels traitements. Les compétences visées sont :
- Approfondissement théorique des outils du traitement du signal.
- Mise en pratique des méthodes vues en cours.
L'objectif de cette UE est de présenter les méthodes de recherche de minimum d'une fonction de R^n par descente avec ou sans contraintes, méthodes qui sont présentes dans de nombreux algorithmes d'apprentissage. Il s'agit d'en maîtriser les aspects théoriques et d'être capable d'implémenter ces méthodes de descentes
L'objectif de cette UE est de de maîtriser les techniques d’analyse de données non supervisées classiques et avancées à des fins de visualisation des données ou de réduction de la dimension. Il comporte des séances de travaux pratiques au cours desquelles les méthodes sont programmées en langage python. Il s'agit de comprendre les hypothèses qui sous-tendent les différents modèles d'analyse de données et de mettre en œuvre des techniques modernes d’analyse de données
L'objectif de cette UE est d'introduire la problématique de Web de données à la fois du point de vue historique et technique. Ce sont les technologies du Web sémantique qui permettent d’implémenter les principes fondamentaux de ce Web de données. Celui-ci s’accompagne d’une pile de standards délivrés par le World Wide Web Consortium (W3C) que ce cours propose d’appréhender à la fois de manière théorique et pratique. L’objectif premier de ce cours et de permettre aux étudiants d’acquérir une connaissance du fonctionnement du Web sémantique et de ses principes architecturaux. Cela s’avère indispensable à une bonne compréhension du Web d’aujourd'hui compte tenu de la part grandissante qu’y prennent les technologies du Web Sémantique. L’objectif secondaire et de former aux standards du Web sémantique afin notamment d’aboutir à une compréhension concrète et maîtrisée de la notion d’ontologie et de leur capacité à mettre en œuvre des raisonnements et des déductions de nouvelles données. Les compétences visées sont :
- Comprendre le concept de Web de données et connaître les principes architecturaux du Web sémantique.
- Maîtriser les langages de représentation adaptés à la publication de données liées sur le Web (modèle RDF).
- Maîtriser les principaux aspects du langage de requête SPARQL qui permet l’interrogation et la modification des données (liées) au travers du Web.
- Appréhender la notion d’ontologie et les langages permettant de les écrire (RDFS, OWL, SKOS).
Cette UE est à choisir parmi les UE des Masters de Mathématiques ou d'Informatique du consortium MinMacs (exemple : Algorithmique du texte, Théorie de l'Information....)
Cette UE est à choisir parmi les UE des Masters de Mathématiques ou d'Informatique du consortium MinMacs (exemple : Algorithmique du texte, Théorie de l'Information....)
L'objectif de cette UE est de concevoir des documents professionnels (CV et lettre de motivation) en cohérence avec un objectif professionnel et de se préparer à l’entretien d’embauche.
L'objectif de cette UE est d'atteindre une plus grande aisance dans l'expression orale en anglais dans des contextes généraux et professionnels tels que la prise de parole en public ou lors d'un entretien en anglais ou d'une réunion. Seul ou en équipe au sein d'un groupe restreint, il s'agit d'être capable de travailler et de présenter des arguments à l'oral à un niveau B2 du CECRL. Cela passe en particulier par :
- L'apprentissage de la méthodologie de la prise de parole en public.
- Un travail intensif (atelier spécifique) sur les règles de prononciation de la langue anglaise (accent britannique ou nord-américain) pour viser une expression authentique à l'oral.
- L'acquisition du vocabulaire et des expressions propres à la communication écrite et orale dans des contextes généraux et professionnels.
Projet de sciences des données en laboratoire
L'objectif de cette UE est de présenter la problématique d'optimisation combinatoire et les approches de référence pour traiter de tels problèmes. Il permettra de maîtriser les algorithmes standards de résolution de problèmes de recherche opérationnelle (programmation dynamique, programmation mathématique, algorithmes de branchement...). L'UE fournit aux étudiants une culture de base en recherche opérationnelle, qui les rend capables de modéliser un problème d'optimisation combinatoire et de choisir l'approche adaptée pour le résoudre et de l’évaluer.
L'objectif de cette UE est une introduction aux réseaux de neurones multicouches et leur algorithme d'apprentissage par rétropropagation du gradient de l'erreur. L'algorithme SGD est présenté et le problème de la disparition du gradient dans les architectures profondes est mis en évidence. Les différentes techniques permettant de maîtriser ce phénomène sont présentées. Les réseaux convolutifs sont ensuite abordés, et mis en valeur pour les applications à la reconnaissance de visages. Les architecture de réseaux récurrents sont présentés pour la reconnaissance de la parole. Les architectures de réseaux adverses permettent d’aborder les techniques de génération de fausses données. L'objectif est de comprendre et maîtriser les techniques modernes d’apprentissage supervisée et faiblement supervisée reposant sur les architectures de réseaux de neurones, et réseaux de neurones profonds. Comprendre et maîtriser les algorithmes d’optimisation spécifiques à ces architectures. Savoir mettre en œuvre ces algorithmes en utilisant les environnements de calcul dédiés en langage python, tels que Tensor Flow, Keras, ou PyTorch.
L'objectif de cette UE est d'approfondir les concepts théoriques fondamentaux de l’apprentissage automatique de façon générale, mais aussi des méthodes généralistes les plus emblématiques. À l’issue de cet enseignement, les étudiants seront familiers avec les fondements théoriques de l’apprentissage automatique, comprendront les motivations derrière les différentes approches existantes et maîtriseront le fonctionnement des méthodes généralistes les plus emblématiques.
L'objectif de cette UE est de traiter des différentes architectures matérielles dans le domaine du traitement massif des données ainsi que des méthodes et outils pour utiliser au mieux ces différentes architectures. Cet enseignement abordera les aspects matériels, en particulier la mémoire (locale ou distribuée sur plusieurs machines) et différents paradigmes et outils de programmation sur architecture distribuée. L'objectif est de fournir aux étudiants les connaissances et compétences de base en calcul distribué qui les rende capables d’utiliser ce type d’infrastructure et de porter leurs algorithmes sur de telles infrastructures et de le familiariser aux technologies associées (frameworks, système de fichiers,...).
L'objectif de cette UE est de mettre en application pendant au moins 8 semaines les enseignements théoriques reçus pendant la période des cours, dans le cadre d'un stage en laboratoire de recherche.
Cette UE est à choisir parmi les UE des Masters de Mathématiques ou d'Informatique du consortium MinMacs (exemple : théorie des jeux, informatique quantique....)
L'objectif de cette UE est de préparer les étudiants à la soutenance de projet et/ou de stage. Les étudiants sont formés à élaborer une présentation orale (scientifique ou professionnelle), à présenter une contribution scientifique auprès d’un public spécialiste ou non spécialiste et à identifier, formaliser et défendre un projet professionnel.
Ce cours vise à permettre aux étudiants de maîtriser les règles de communication écrite et orale en anglais dans des contextes généraux et professionnels.
Les objectifs de cette UE sont d'atteindre une plus grande aisance dans l’expression orale dans des contextes généraux et professionnels tels que la prise de parole en public ou lors d’un entretien en anglais, et de maîtriser les outils langagiers propres à la communication écrite professionnelle.
Les compétences visés sont l'acquisition du vocabulaire et des expressions propres à la communication écrite et orale dans des contextes généraux et professionnels.
Projet de sciences des données en laboratoire
Ce cours présente les différentes architectures dans le domaine du calcul intensif (HPC) : calculateurs à mémoire partagée, à mémoire distribuée, accélérateurs de type GPU... ainsi que les méthodes et outils pour utiliser au mieux ces différentes architectures. Cet enseignement abordera les notions de puissance de calcul, de profilage et d’optimisation des performances de calcul, de calculs massivement parallèles et de portage sur GPU. Un focus sera fait sur la consommation énergétique de ce type d’infrastructures. L'objectif est de fournir aux étudiants une culture de base en calcul intensif (HPC), qui les rende capables d’utiliser ce type d’infrastructure et d’améliorer leurs algorithmes pour les adapter à l’utilisation de telles infrastructures. Un second objectif est de sensibiliser les étudiants à l’impact énergétique et environnemental de l’utilisation de ces infrastructures.
Compétences et apprentissages visés :
- Utiliser des ressources HPC
- Identifier et résoudre les problèmes de performance
- Paralléliser des algorithmes calculatoires
- Porter des algorithmes sur GPU
Ce cours est l'un des choix possibles de l'UE 3 : Machine Learning and Artificial Intelligence 1.
Le cours décrit de manière chronologiques (historique) les principaux algorithmes et méthodes de reconnaissance de séquences, utilisés, en reconnaissance de la parole, de l'écriture, de traitement automatique du langage naturel, analyse de geste, analyse de vidéo. L'accent est mis sur les algorithmes plutôt que sur les applications : Modèles de Marko Cachés, Champs Aléatoires Conditionnels, Modèles Neuro-Markoviens, Réseaux de Neurones Récurrents, Modèles à Attention. Ces algorithmes sont implémentés en partie par l'étudiant lors des séances de TP, puis ils sont mis en oeuvre expérimentalement sur un problème d'apprentissage et de reconnaissance de séquences de symboles manuscrits. L'évaluation du module est constituée d'une soutenance orale des résultats expérimentaux obtenus par l'étudiant sur les différents sujets abordés en TP. L'accent est mis sur les expérimentations personnelles qui ne meuvent être menées lors des séances de TP pour des raisons pratiques de temps de calcul.
Objectifs :
- Comprendre et maîtriser les algorithmes de la littérature en analyse de séquences.
- Maîtriser la mise en œuvre expérimentale de ces algorithmes sur les sujets proposés lors des séances de Travaux Pratiques qui donnent lieu à des travaux expérimentaux personnels.
Compétences et apprentissages visés :
- Maitrise approfondie des algorithmes d'inférence statistique dans les séquences, approche "concepteur".
- Maitrise expérimentale de ces algorithmes mis en œuvre sur l’une des plateforme d’apprentissage profond telle que TensorFlow ou Pytorch.
Ce cours est l'un des choix possibles de l'UE 3 : Machine Learning and Artificial Intelligence 1.
Cet enseignement présente un panorama des méthodes d’apprentissage appliquées aux représentations de type graphes. Après une introduction aux représentations à base de graphes et aux algorithmes standards de manipulation de telles structures, les approches permettant le matching de graphes, le calcul de dissimilarités entre graphes ou encore le plongement de graphes dans un espace Euclidien sont abordées. Le cours se termine par une présentation des approches les plus récentes pour faire de l’apprentissage profond dans des graphes.
L'objectif est de fournir aux étudiants une culture sur le traitement de données de type graphes, avec les méthodes à l'état de l'art.
Compétences et apprentissages visés :
- Développer des modèles d’apprentissage sur graphes
- Adapter les modèles aux spécificités des données traitées
- Analyser les performances d’un modèle d’apprentissage
Ce cours est l'un des choix possibles de l'UE 3 : Machine Learning and Artificial Intelligence 1.
Dans ces cours on verra des méthodes avancées en :
- débruitage d'images (bilateral filtering, NLM filtering, ROF model, deep image prior)
- segmentation d'images avec approches variationnelles (deformable active contours, level sets) ainsi que graph cut, NCut, Felzenschwab, méthodes de superpixel (SLIC)
- segmentation d'images avec apprentissage profond, avec CNN (UNet) et Transformer (vision transformer)
- détection d'objet (computer vision approaches, region proposal, deep learning architectures)
- DL architectures for denoising, style transfer, colorization, reconstruction, super-resolution, generative models (diffusion models)
Compétences et apprentissages visés :
- connaître les méthodes actuelles avancées de traitement d’images permettant d’effectuer des tâches bas niveau et haut niveau dans les images
Ce cours est l'un des choix possibles de l'UE 3 : Machine Learning and Artificial Intelligence 1.
Ce cours constitue une introduction à l'apprentissage par renforcements. Il a pour objectifs de poser les concepts fondamentaux et leur transposition moderne avec les outils de l'apprentissage profond. Au programme : (1) Bandit, (2) MDP, résolution exacte, (3) Méthodes de Monte-Carlo, (4) Différence temporelle, (5) Méthodes tabulaires, récursions, (6) Approximation par réseaux profonds.
Compétences et apprentissages visés :
- Mise en place d'un environnement d'apprentissage par renforcement
- Algorithmes d'apprentissage
Cette UE est à choisir parmi les UE des Masters de Mathématiques ou d'Informatique du consortium MinMacs (exemple : Informatique Quantique, Théorie des Automates....)
Cette UE a pour but d’informer les étudiants sur le fonctionnement d’une entreprise et de les amener à adopter une posture professionnelle.
- l’entreprise, ses différents aspects
- le salarié, droits et contrats
- le management, le travail d’équipe, le brainstorming
- le suivi de projets
UE à choisir parmi les 7 UE1.X du parcours SD
UE à choisir parmi les 7 UE1.X du parcours SD
UE à choisir parmi les 7 UE1.X du parcours SD
UE à choisir parmi les 7 UE1.X du parcours SD
Stages de 6 mois, permettant la mise en application des enseignements théoriques reçus pendant la période des cours dans le cadre de projets académiques ou industriels
Le stage peut être réalisé en laboratoire ou en entreprise.