Course objectives
From LRDE
This is a property of type Text.
C
Ce cours J2EE permet d'acquérir les connaissances nécessaires pour créer et déployer des applications compatibles avec la plate-forme Java Enterprise Edition (JEE). En particulier, les technologies étudiés sont : le serveur J2EE Tomcat, les Servlets, les JavaServer Pages (JSP) et la bibliothèque de balises JSTL, l'accès à une base de données à partir d'une application J2EE à l'aide de l'API JDBC et enfin les Enterprise JavaBeans (EJB 3).L'enseignement prendra la forme d'une formation qui ressemble à des tutoriels: C'est à dire des séances ou on mélange cours et TPs: je commence par introduire les principes généraux (si besoin), puis je présente les étapes du TP que doit reproduire l'étudiant sur sa machine (en mode en pas à pas). Les étudiants doivent absolument avoir Eclipse installé sur leur machine. +
Savoir utiliser les notions apprises en traitement d'images, morphologie mathématiques et reconnaissance des formes sur des cas pratiques. +
Ce cours présente principalement deux notions théoriques avec des applications concrètes en informatique :
* Les systèmes de preuves, qui introduisent la notion de vérité comme construction obtenue à partir d'une série de déductions ; des logiciels de preuve comme COQ ou des langages certifiés comme l'Atelier B en dépendent.
* Le lambda calcul, formalisme de programmation différent des machines de Turing mais tout aussi puissant, que l'on peut typer et qui sert de base à la programmation fonctionnelle.
Ces deux notions sont reliées par l'isomorphisme de Curry-Howard. Un programme est donc d'une certaine manière une forme de preuve mathématique. +
Introduire les structures inductives, la logique du premier ordre, et le calcul des séquents. +
Acquérir les principaux outils mathématiques nécessaire pour la théorie de l'automatique et le traitement des signaux analogiques ou échantillonnés. +
Présentation des outils de classification les plus populaires et des méthodes permettant d’évaluer leurs performances. Développement des capacités à lire des articles de Machine Learning avec un esprit critique par la réalisation d’un projet. +
Présentation des outils de classification les plus populaires et des méthodes permettant d’évaluer leurs performances. Développement des capacités à lire des articles de Machine Learning avec un esprit critique par la réalisation d’un projet. +
Donner aux étudiants les moyens techniques, théoriques et méthodologiques nécessaires à l’optimisation dans un cadre probabiliste de systèmes modernes de vision par ordinateur pour répondre à des problèmes de détection, de segmentation, de classification et de recherche d’image.
L’apprentissage artificiel (Machine Learning) est nécessaire dans de nombreux problèmes de vision par ordinateur (Computer Vision) car il permet l’optimisation dans un cadre probabiliste des paramètres d’un système en tirant profit des données disponibles.
Au travers de plusieurs études de cas, les étudiants seront initiés à différentes techniques modernes permettant de résoudre des problèmes de :
* détection (recherche d’un motif dans une image) ;
* segmentation (délimitation du contour d’un objet dans une image) ;
* classification (reconnaître la classe d’un motif ou d’une image) ;
* recherche (retrouver les images les plus semblables à une requête parmi une base d’image).
Les étudiants apprendront également comment évaluer rigoureusement la performance des solutions considérées.
Les étudiants acquerront alors les bases scientifiques qui leur permettront de comprendre et de réutiliser (voire d’étendre) les méthodes les plus performantes jusqu’en 2012 – date du début de l’essor de l’apprentissage profond (Deep Learning). Ces bases seront un point de départ utile pour comprendre, plus tard, les techniques les plus récentes avec un regard d’expert en analyse d’images.
Les étudiants utiliseront des outils modernes en Python pour prototyper et évaluer rapidement les technique étudiées. +
Le but de ce cours est d'apprendre les différents concepts liés au paradigme des objets, de savoir comment plusieurs langages à objets supportent ces concepts, de savoir modéliser un logiciel avec UML et en suivant une méthode. +
Approfondir les techniques de modélisation avec les objets. +
Maîtriser les outils classiques de morphologie mathématique, et savoir identifier les situations dans lesquels ceux-ci s’avèrent particulièrement efficaces.
Ce cours présente les opérateurs de base de la morphologie mathématique pour le traitement d’images (érosion, dilatation, ouverture, fermeture, etc), ainsi que les stratégies classiques de filtrage morphologique. Un accent clair est mis sur les situations pratiques dans lesquels ces types d’opérateurs sont particulièrement performants. +
Présenter les outils mathématiques permettant la formulation des problèmes d’optimisation convexe, et les outils algorithmiques en permettant la résolution.
Ce cours introduit les algorithmes permettant de résoudre les problèmes d’optimisation convexe. Nombreux problèmes en traitement du signal et des images peuvent se formuler comme la recherche de l’optimum d’une fonction convexe, d’où l’intérêt pratique de maîtriser les outils théoriques sous-jacents à la résolution de ces problèmes. Ce module est organisé en deux blocs. Dans un premier temps, il s’attachera à apporter une compréhension qualitative des problèmes d’optimisation convexe dans un cadre général. L’accent sera mis dans un second temps sur une compréhension théorique des méthodes itératives permettant la résolution des problèmes d’optimisation convexe. +
Fournir une vision d'ensemble du paradigme de programmation fonctionnelle et de son positionnement relatif aux autres paradigmes de programmation. Illustrer l'ensemble des concepts abordés au moyen de deux langages fonctionnels: Lisp et Haskell. +
L’objectif de ce cours est d’apprendre à utiliser OpenGL 4 ; Le premier objectif est de maîtriser les rudiments programmation classique d’OpenGL et la programmation des shaders en utilisant GLSL (en utilisant bien les versions actuelles d’OpenGL, et jamais d’éléments des versions antérieurs). Le second objectif est d’apprendre à réaliser des rendus plus difficiles en temps réel tel que le rendu d’eau, de feu, d’éléments réfléchissants ou la gestion des ombres en temps réel. Les techniques du genre render-to-texture ou multiple render targets sont abordées, ainsi que les méthodes classiques pour accélérer le rendu (comme le deferred rendering) seront présentées. Les algorithmes de rendu temps réel utilisés sont ceux présentés dans le cours d’introduction à la synthèse d’images. +
Introduction à la programmation parallèle +
Familiariser les étudiants avec les bonnes pratiques du langage Python pour la manipulation de données à caractère scientifique.
Le langage Python est aujourd’hui incontournable pour la manipulation rapide et efficace de n’importe quel type de données. Ce langage haut niveau très flexible s’appuie sur une communauté très active, garantissant un développement rapide de ses fonctionnalités. Ce cours introduit les bonnes pratiques du langage Python et de ses bibliothèques pour manipuler des données à caractère scientifique. Les bibliothèques Numpy et Pandas, ainsi que les outils permettant la visualisation graphique des données seront présentés. +
Présentation des méthodes et techniques pour la conception, la réalisation et l'utilisation des bases de données relationnelles. +
Appliquer les notions abordées dans le cours RELA. +
Connaître les principaux types de réseaux de neurones, les algorithmes d’apprentissage associés et les applications pratiques correspondantes. +
Fournir aux étudiants une culture générale sur les systèmes d'exploitation, ainsi que la connaissance élémentaire relative à leur fonctionnement. On étudiera l'ensemble des problématiques communes à tous les systèmes, ainsi que les différentes solutions qui peuvent y être apportées. +