Course content
From LRDE
This is a property of type Text.
C
* Géométrie euclidienne et projective, formation de l'image.
* Rendu photoréaliste (raycasting, raytracing, pathtracing, pbgi...)
* Rendu temps réel (algorithmes de fenêtrage, remplissage...)
* Modélisation d’objets.
* Textures.
+
* Présentation de J2EE et le serveur d'applications Tomcat* Les Servlets* Les JSP (Java Server Pages)* L'API JDBC et l'accès à une Base de données * Les EJB 3 et JPA (Java Persistence API)* MVC et la bibliothèque de balises JSTL
+
Étude de cas pratiques en traitement d'images et reconnaissance des formes.
Approfondissement des notions vues en :
* traitement d'images
* morphologie mathématiques
* imagerie médicale
* reconnaissance des formes +
Ce cours est découpé en quatre séances :
* Logique propositionnelle et sa sémantique, preuves, systèmes à la Hilbert.
* Déduction naturelle, logique du premier ordre, normalisation.
* Lambda calcul, propriétés et applications.
* Lambda calcul simplement typé, isomorphisme de Curry-Howard. +
* Rappels sur la manipulation de polynômes (division euclidienne, décomposition en éléments simples).
* Transformée de Laplace: définition, principales propriétés algébriques et analytiques.
* Calcul pratique d'une transformée de Laplace et transformée de Laplace inverse.
* Fonction de transfert, réponse d'un système linéaire à une sollicitation simple.
* Échantillonnage des signaux et théorème de Shannon. Reconstitution d'un signal échantillonnée, bloqueur d'ordre 0.
* Transformée en Z: définition, principale propriétés algébriques et analytiques. Lien entre transformée de Laplace et transformée en Z
* Calcul pratique d'une transformée en Z et transformée en Z inverse, identification du domaine de convergence.
* Caractérisation d'un système linéaire discret par sa transformée en Z.
+
* Introduction* Théorie de la décision bayésienne* Méthodes d'évaluation des classifieurs* Réduction de Dimension (Analyse en Composantes Principales, Analyse Discriminante Linéaire (Analyse de Fischer))* Arbre de décision
+
* Introduction* Classifieur SVM* Kernel Tricks* KSVM* KPCA, KLDA* Extension Multiclasse de classifieurs binaires* Méthodes d'évaluation des classifieurs* TP de mise en pratique
+
* Cours 1: Introduction, Décrire et reconnaître un motif (1/2) : Classification simple avec apprentissage supervisé ou non (KNN, SVM, Random Forest, ANN …) ; espace de représentation et descripteurs : descripteurs de Fourier, de Gabor, moments de Zernike, codage de Freeman, HOG, Affine-Hessian, LBP…
* TP 1 (2 heures) : Détecter un motif – Où est Charlie ?
* Cours 2 (2 heures) : Décrire et reconnaître un motif (2/2) : Framework de Viola-Jones, point d’intérêt et détecteurs : laplacian, hessian, harris, MSER ; Validation géométrique (RANSAC…)
* TP 2 (2 heures) : Détecter et suivre un motif – Augmented Reality
* Cours 3 (2 heures) : Classification d’images : Pooling (average/max pooling, BoVW, Filter-learning, VLAD, Fisher kernels), spatial pooling, hierarchical pooling
* TP 3 (2 heures) : Classification d’images : caractères imprimés, images naturelles
* Cours 4 (2 heures) : Segmentation d’images : classification dense et régularisation (CRF…)
* TP 4 (2 heures) : Segmentation d’images de documents : séparation texte/fond
* Cours 5 (2 heures) : Recherche d’images (1/2) et Débruitage d’image : Approximate Nearest Neighbor ; architecture FLANN ; quantification, binarisation, hashing ; patch-based denoising
* TP 5 (2 heures) : Débruitage d’image avec une banque de filtres appris
* Cours 6 (2 heures) : Indexation et recherche d’images (2/2) : relevance feedback et query rewriting ; metric learning (malhanobis) ; embedding learning
* TP 6 (2 heures) : Recherche d’images : implémentation d’un moteur de recherche capable de traiter 1 million d’images
+
* la qualité en génie logiciel, * les cycles de vie d'un logiciel, * le paradigme des objets avec introduction à UML, * règles, principes et dilemnes, * les diagrammes UML, * les modèles par objets de .C++, Java, Eiffel et Ada
+
* Amélioration de la modularité, de l'extensivité et de la réutilisabilité des logiciels orientés-objets. * Maîtriser les motifs de conception (design patterns) classiques.
+
* Introduction, historique de la morphologie mathématique, motivations.
* Opérateurs de base : érosion, dilatation, opérateurs duaux.
* Filtrage : Filtres morphologiques classiques (ouverture algébrique, top hat...), filtres connectés
* Applications
+
* Définition générale d’un problème d’optimisation avec et sans contraintes, recherche de solutions.
* Résolution par Lagrangien et problème dual, conditions de Karush-Kuhn-Tucker
* Optimisation par descentes de gradient. Méthodes à pas optimal, gradient conjugué. Méthode de Newton.
* Analyse de complexité sous condition de stricte convexité.
* Optimisation par méthodes de points intérieurs.
* Étude d’un cas pratique : séparateurs à vaste marge.
+
# Introduction et historique
# Lisp / Haskell: tutoriel des différences
# Ordre supérieur
# Évaluation et Scoping
+
* Introduction à OpenGL
* programmation de shaders avec GLSL
* Méthodes de rendu dans une texture
* Accélération de rendu temp réel.
+
* Introduction to parallelism
* Instruction and data-level parallelism
* Thread level Parallelism
* Parallel Design Patterns (with TBB)
* Synchronization, Atomics & C++ Memory model
* Applied synchronization: from big fat lock to lock free data structures
+
* Numpy, la gestion efficace des tableaux
* Pandas, le super tableur super performant
* Quelques bibliothèques graphiques pour voir
+
* Introduction aux Bases de données * Modèle Entité /Association * Modèle rationnel, Début SQL (DDL) * Algèbre relationnel * Logique (CRT et CRD)* SQL (Interrogation, Modification, Vues, Privilèges) * Contraintes d'intégrité et Triggers * Conception et optimisation du schéma relationnel (dépendances fonctionnelles, formes normales)
+
* Modèle Entité /Association * Algèbre relationnel * Calcul relationnel * SQL * Dépendances fonctionnelles et Formes normales
+
* Modèle biologique* Généralités sur l’apprentissage* Neurone formel* Perceptron / Règle delta* Perceptron multi-couches / Rétro-propagation du gradient* Réseaux RBF* Carte de Kohonen
+
* Introduction / Historique * Architecture pour les systèmes * Gestion des processus * Ordonnancement des processus * Problématique de la synchronisation * Outils de synchronisation * Exemples de synchronisation * Interbloquages * Gestion de la mémoire * Mémoire Virtuelle * Systèmes de fichiers * Implémentation des systèmes de fichiers * Protection et sécurité * Un exemple de faille: le buffer overflow
+