PROGRAMMES D'ÉTUDES

Version complète
Diplôme d'études supérieures spécialisées en science des données et intelligence artificielle - 2360

RESPONSABLE : programme, à la condition de posséder une formation additionnelle et pertinente

d'au moins 15 crédits universitaires (ou l'équivalent) complétés avec une moyenne
Gatineau cumulative d'au moins 3,2 sur 4,3 (ou l'équivalent). Ils pourront faire, dans certains
cas, l'objet d'une recommandation d'admission.
Pour de plus amples informations :
Téléphone : 819 595-3900, poste 1614 Le comité d'admission du programme se réserve le droit d'imposer des cours
Courriel : csinfo@[Link] d’appoint ou une propédeutique à la candidate ou au candidat qui ne répond pas
entièrement aux conditions d'admission du programme.
SCOLARITÉ :
Base expérience
30 crédits, Deuxième cycle
La candidate ou le candidat n'ayant pas fait d'études universitaires, mais qui a
OBJECTIFS : complété des études collégiales, pourra être admis à un programme de deuxième
Objectifs généraux cycle si elle ou il a au moins douze années d'expérience de travail à la fois
Offrir une formation spécialisée en science des données (SD) et en intelligence pertinente et significative, eu égard à la discipline ou au champ d'études du
artificielle (IA) intégrant une formation à la recherche ou en intervention dans un programme pour lequel elle ou il sollicite l'admission. La candidate ou le candidat
milieu de travail. Ce programme s'adresse à toute personne voulant acquérir ou doit avoir des connaissances de base en mathématiques et en programmation
approfondir ses connaissances sur des sujets pointus en science des données informatique.
et/ou l’intelligence artificielle et les applications qui leur sont reliées.
Chaque étudiante ou étudiant aura une formation de base en science des données Dans le cas de la candidate ou du candidat qui, sans avoir complété un
et en intelligence artificielle lui permettant de choisir parmi des sujets de pointe et baccalauréat, a néanmoins obtenu des crédits universitaires, le nombre d'années
des domaines d'application variés. Au terme de ce programme, l’étudiante ou d'expérience requis sera modulé en fonction des crédits obtenus et des résultats
l’étudiant aura une appréciation des besoins et des solutions techniques dans scolaires. La candidate ou le candidat pourrait devoir se soumettre à une entrevue.
plusieurs sujets de ce domaine. L'activité d'essai ou de stage permettra Elle ou il pourrait également se voir imposer des cours d’appoint ou une
d'approfondir les connaissances acquises et de les appliquer dans un projet propédeutique.
particulier, soit dans un environnement de recherche ou d'entreprise.
Nonobstant ce qui précède, un dossier dont la qualité est jugée exceptionnelle
Objectifs spécifiques pourrait être considéré pour l'admission.
Au terme de cette formation, l’étudiant·e sera en mesure de/d’: PLAN DE FORMATION :
• Comprendre les aspects théoriques de la SD et de l’IA et les utiliser dans des
domaines d’application spécifiques. Cours obligatoires (21 crédits) :
• Étudier des aspects appliqués des techniques de la SD et de l’IA.
INF5163 Méthodologie de recherche en informatique
• Sélectionner la technique appropriée pour résoudre un problème spécifique relié à
la SD et/ou à l’IA. INF5183 Fondements de l’intelligence artificielle
• Concevoir et mettre en oeuvre des architectures et des processus pour
l’acquisition, le stockage et l’organisation des données. INF5103 Concepts statistiques pour la science des données
• Concevoir et mettre en oeuvre des architectures et des processus pour le Choisir entre l'essai ou le stage.
pré-traitement, l’analyse et l’exploitation des données à différents volumes.
• Concevoir des systèmes intelligents reposant sur l’analyse de données, les INF6112 Essai en science des données et intelligence artificielle
algorithmes de l’IA et/ou les connaissances du domaine.
ou INF5012 Stage en science des données et intelligence artificielle
• Concevoir et sélectionner les métriques appropriées pour évaluer de manière
quantitative et qualitative les performances des algorithmes en SD et IA. Bloc A : Intelligence artificielle
• Former les étudiant.e.s sur les enjeux sociétaux reliés aux technologies basées
sur la SD et l’IA (ex. éthique, explicabilité, réduction de biais et partage de Choisir 3 crédits minimums dans ce bloc :
données). INF6333 Éléments d'intelligence artificielle appliquée
• Mettre en pratique ses connaissances avec la réalisation d’un stage ou la
rédaction d’un essai pour la résolution de problèmes dans des domaines variés. ou INF6243 Techniques d'apprentissage
• Savoir documenter, présenter et valoriser les résultats de recherche, ainsi que
ou INF5143 Apprentissage profond
rédiger des rapports techniques et préparer des communications orales.
ou INF6343 Intelligence artificielle distribuée
INFORMATIONS SUR L'ADMISSION :
ou INF7093 Éléments avancés d'analyse d'images
Trimestres d'admission
Lieu d'enseignement Régime ou INF5153 Traitement automatique du langage naturel
Automne Hiver Été
TC Bloc B : Science des données
Gatineau
TP Choisir 3 crédits minimums dans ce bloc :
TC : Temps complet INF5173 Fouille et entreposage de données
TP : Temps partiel
ou INF6323 Programmation infonuagique avancée
CONDITIONS D'ADMISSION :
ou INF5133 Recherche d’information
Base études universitaires
ou INF6303 Techniques d’analyse des mégadonnées
Être titulaire d'un baccalauréat dans l’un des domaines suivants: informatique, ou INF6143 Bases de données avancées
mathématiques, statistiques, génie informatique, logiciel ou électrique, actuariat,
neurosciences cognitives ou l’équivalent obtenu avec une moyenne cumulative d'au ou INF5123 Algorithmes d’optimisation
moins 3,2 (sur 4,3) ou l’équivalent. La candidate ou le candidat doit avoir des
ou INF6253 Web sémantique
connaissances de base en mathématiques et en programmation informatique.
Cours d’enrichissement (maximum de 3 crédits)
Tout dossier de candidature avec une moyenne inférieure à 3,2 mais supérieure à
2,8 sur 4,3 sera étudié par le sous-comité de programme et pourrait, dans certains Un cours de 3cr dans un autre département de l’UQO dans un domaine
cas, faire l'objet d'une recommandation d'admission. relié au travail d’essai ou de stage de l’étudiant·e. Le cours pourra être
choisi en collaboration avec le ou la responsable du programme, et le/la
superviseur.e d’essai ou de stage, de manière à respecter la thématique
Les dossiers de candidates détentrices ou candidats détenteurs d'un baccalauréat des travaux de l’étudiant·e.
obtenu avec une moyenne cumulative inférieure à 2,8 sur 4,3, mais égale ou
supérieure à 2,5 sur 4,3 (ou l'équivalent) seront étudiés par le sous-comité de ou Un cours de 1e cycle au DII dans un domaine relié au travail d’essai ou de
stage de l’étudiant.e, auquel cas une autorisation du responsable du
programme sera requise.

DESS scien. des données et intellig. artifi. - 2360 Page 1 de 5

ou Un cours de 3cr dans la liste des cours de 2e cycle du DII*

*Liste des cours optionnels du DII

INF6273 Technologie avancée en télécommunication

INF6153 Systèmes de contrôle d'accès aux données

INF6173 Conception de syst. temps-réel répartis embarqués

INF6263 Ingénierie des protocoles de communication

INF6203 Méthodes formelles pour le développement de logiciels

INF6223 Systèmes de communications multimédias

INF6233 Sécurité informatique et méthodes formelles

GEN6103 Robotique

DESS scien. des données et intellig. artifi. - 2360 Page 2 de 5

 Description des cours

GEN6103 statistique: biais, consistance, efficacité. théoriques et pratiques de de quelques outils de rédaction et de
Maximum de vraisemblance. Statistique l'apprentissage profond (AP). présentation scientifiques. Présentation
Robotique bayésienne. Analyse factorielle et Développer les connaissances pour technique (ex. orale, affiche,
analyse de variance. Réduction de résoudre de manière indépendante les vulgarisation). Intégrité, éthique et
Objectifs : Permettre aux étudiants de
dimensions. Modèles graphiques problèmes d’apprentissage automatique plagiat. Propriété intellectuelle
maîtriser les connaissances nécessaires
probabilistes. Méthodes de Monte-Carlo. en utilisant les réseaux de neurones (documents, logiciels, brevets, etc.).
pour analyser les concepts avancés des
Réduction du biais statistique dans profonds. Partage et libre distribution de codes et
systèmes autonomes. Lui permettre
l’analyse de données. Études de données. Aspects d’ÉDI (équité,
d'approfondir et de perfectionner les Contenu : Introduction aux réseaux de
d'applications (ex. régression, diversité et inclusion). Valorisation des
connaissances liées à la technologie des neurones et l’AP. Types d’architectures
classification, ordonnancement, etc.). résultats et transferts technologiques.
systèmes de robots et de la robotique de réseaux de neurones (CNN, RNN, Carrières de chercheuse ou de
mobile. INF5123 auto-encodeurs, transformeurs, etc.). chercheur.
Réseaux de neurones discrimicatifs vs.
Contenu : Fondements conceptuels et Algorithmes d’optimisation génératifs. Prétraitement des données INF5173
théoriques de systèmes autonomes.
Objectifs : Connaître les différents types en AP. Propagation en arrière et
Apprentissage automatique: supervisé et Fouille et entreposage de données
de problèmes d'optimisation, et les estimation de paramètres dans l’AP.
non supervisé. Architectures
algorithmes utilisés dans leur résolution. Selection de modèles et types de Objectifs : Permettre aux étudiantes et
fonctionnelles et informatiques de
Savoir modéliser un problème dans un fonctions objectives. Régularisation et étudiants de maîtriser les fondements,
systèmes adaptatifs. Robotique: le lien
domaine d'application, et sélectionner optimisation avec contraintes. les concepts et les problèmes liés à la
intelligent entre la perception et l'action.
l'algorithme d'optimisation approprié. Apprentissage par transfert. Validation fouille et à l’entreposage de données à
Analyse cinématique et dynamique
de modèles en AP. Augmentation de des fins de prise de décision. Les
avancée du robot. Acquisition de
Contenu : Introduction à l'optimisation données. Apprentissage fédéré. Études aspects de la visualisation de
l'information sur l'environnement de
comme méthode de résolution de d’applications utilisant l’AP (ex. l’information et de la connaissance
travail d'un système de robot.
problèmes pratiques. Classes de reconnaissance visuelle, cybersécurité, seront également présentés tel que
Algorithmes pour la localisation et la
problèmes d’optimisation: domaines internet des objets, etc.). requis en intelligence d’affaires (veille
navigation des robots mobiles: SLAM,
filtre de particules. Méthodes discrets vs. continus, problèmes avec économique ou Business intelligence).
contraintes, problèmes linéaires vs. INF5153
d'intelligence artificielle pour le
traitement de données en provenance non-linéaires, convexes vs. Traitement automatique du langage Contenu : Fouille de données : étapes
de capteurs extéroceptifs. Directions de non-convexes. Résolutions des naturel de découverte de connaissances
recherche en robotique. problèmes d’optimisation: descente du (prétraitement, fouille de données et
gradient, méthode de Newton et ses Objectifs : Connaitre les principales interprétation des résultats), techniques
INF5012 variantes. Programmation linéaire, problématiques liées au traitement de classification (arbres de décision,
méthode du simplexe, concept de automatisé des langages naturels. réseau de neurones, etc.), techniques de
Stage en science des données et dualité. Optimisation convexe : Savoir appliquer les techniques de regroupement (treillis de concepts,
intelligence artificielle conditions d’optimalité, méthodes du pré-traitement nécessaires à l’utilisation classification hiérarchique), règles
point intérieur, convergence des de données textuelles dans les d'association, motifs séquentiels, cas
Objectifs : Permettre à l’étudiant.e
algorithmes. Optimisation non-linéaire : systèmes intelligents. aberrants et fouille de données
d’expérimenter les connaissances
locale vs. globale. Algorithmes complexes (Web, texte et graphe).
théoriques acquises en science des Contenu : Traitement linguistique:
heuristiques et métaheuristiques : Entreposage de données : étapes de
données et intelligence artificielle et de morphologie et syntaxe, parsage et
algorithmes génétiques, essaims construction d'un entrepôt de données
les appliquer en milieu de travail. Selon étiquetage grammatical. Identification
particulaires, recuit simulé. Applications (acquisition, stockage, traitement et
le choix de l’étudiant.e, le milieu de d’entités nommées, collocations de
dans divers domaines: apprentissage accès), modélisation multidimensionnelle
travail s’agira d’une industrie, d’une mots, coréférences. Introduction aux
automatique, théorie des jeux, villes des données, création de cubes de
entreprise privée ou d’un organisme modèles statistiques des langues.
intelligentes et vertes, problèmes de données, techniques OLAP, types
public ou parapublic. Modèles sémantiques : analyse
logistique, recherche opérationnelle. d'architectures des entrepôts de
sémantique latente, vectorisation de données, optimisation des performances
Contenu : Réalisation d’un stage en
INF5133 mots. Apprentissage machine sur et matérialisation de cubes de données.
milieu de travail sous forme d’un projet
données textuelles, utilisation de Visualisation de l’information et de la
de recherche ou de développement Recherche d’information réseaux de neurones. Applications : connaissance. Intégration des deux
portant sur un sujet relié à la science des
Objectifs : Maîtriser les principes et les recherche d’informations, analyse de technologies de fouille et d’entreposage
données et/ou l’intelligence artifcielle. Le
techniques d’indexation et de recherche sentiments et d’émotions, traduction de données. Applications et outils
projet doit être conforme aux objectifs du
d'information. Maîtriser les concepts automatique, synthèse d’annotations et comme ETC (extraction, transformation
programme. L’étudiant.e devra s’initier
sous-jacents à la conception et la de texte, systèmes conversationnels et et chargement).
aux méthodes de travail de l’employeur
réalisation de moteurs de recherche de questions-réponses.
et contribuer aux pratiques
pour différents types de documents. INF5183
professionnelles du milieu. INF5163
Normalement, le stage est complété Fondements de l’intelligence
dans un ou deux trimestres et il conduit Contenu : Principes de la recherche Méthodologie de recherche en
d'information. Architecture d’un moteur artificielle
nécessairement à un rapport de stage. informatique
L’activité est évaluée sur la base du de recherche. Indexation et organisation Objectifs : Maîtriser les fondements
rapport de stage et d’une présentation de documents. Formulation de requêtes. Objectifs : Permettre à l’étudiante ou théoriques et pratiques des problèmes
orale. Sélection de documents pertinents et l’étudiant de développer ses aptitudes à classiques de l'IA et de leur résolution
retour de pertinence. Modèles de mener de manière efficace des travaux algorithmique. Développer les
INF5103 recherche d'information: booléen, de recherche en informatique, ainsi que connaissances pour résoudre de
vectoriel, probabiliste, logique et par préparer des rapports, publications et manière indépendante les problèmes
Concepts statistiques pour la science apprentissage automatique. Analyse de présentations scientifiques de bonne typiques de l'IA en sélectionnant,
des données liens et annotations sémantiques. qualité. implémentant et évaluant des
Modèles questions/réponses. Analyse algorithmes standard de la littérature sur
Objectifs : Maîtriser les concepts Contenu : Introduction aux différents
linguistique, syntaxique et sémantique l'IA.
statistiques avancés utilisés dans la types de recherche en informatique
de documents pour la recherche
science des données. Développer les (fondamentale vs appliquée, théorique
d'information. Recherche de documents Contenu : Introduction et
connaissances pour développer des vs empirique, mémoire ou essai/stage).
multimédias (texte, images, vidéos et développement historique de l'IA. Agents
algorithmes d’analyse et de prédiction à Méthodologie de recherche et projet de
son). Systèmes de recommandation rationnels. Résolution de problèmes et
partir des données en utilisant ces recherche : élaboration des objectifs et
automatique. Algorithmes recherche. Problèmes de recherche
concepts statistiques. de la problématique, planification et
d’ordonnancement « ranking » de avec contraintes. Logique formelle et
documents. Évaluation des gestion de la recherche et diffusion des calcul de prédicats. Modèles de
Contenu : Rappels sur les concepts de
performances pour la recherche résultats. Recherche documentaire et représentation des connaissances
probabilités et statistiques. Statistique et
d’informations. Études d'applications (ex. analyse critique de documents (réseaux sémantiques, graphes
science des données. Modèles
recherche sur le Web, un entrepôt de scientifiques. Développement, conceptuels et règles de production).
paramétriques vs. non paramétriques.
données, etc.). prototypage, documentation et Planification automatisée. Raisonnement
Techniques d’échantillonnage des
exploitation d’algorithmes et de logiciels. probabiliste et modèles prédictifs.
données et estimation de paramètres.
INF5143 Rédaction technique (rapport de Modèles de prise de décision.
Modèles statistiques pour la
progrès, mémoire, rapport d’essai ou de Apprentissage à partir de données.
classification et la régression. Tests Apprentissage profond stage en milieu de travail, articles, Études d’applications de l’IA (ex.
d'hypothèses. Propriétés d’un paramètre
Objectifs : Maîtriser les fondements demande de bourse, etc.). Présentation

DESS scien. des données et intellig. artifi. - 2360 Page 3 de 5

 Description des cours

robotique, vision artificielle, traitement du exigences et de la conception de logiciels pour le développement formel multidimensionnelles : techniques de
langage naturel.). systèmes. du logiciel. Méthodes formelles de test. réduction de la dimension, classification
Méthodes formelles et méthodes non supervisée dans les sous-espaces
INF6112 Contenu : Exigences de sécurité des informelles de validation de logiciels. de dimension (subspace clustering);
données et de protection de la vie Fouille de données textuelles : modèle
Essai en science des données et privée. Politiques de protection et INF6223 TF-IDF et analyse sémantique latente;
intelligence artificielle contrôle d’accès d’entreprise. Méthodes Prospection du Web : algorithmes HITS
de contrôle d’accès discrétionnaires et Systèmes de communications
Objectifs : Permettre aux étudiant.e.s et PageRank.
non-discrétionnaires, caractéristiques multimédias
d'approfondir les connaissances
acquises en science des données et logiques et implémentation. Rôles Objectifs : Permettre aux étudiants de INF6253
intelligence artificielle et de les appliquer d’entreprise. Conception de rôles. maîtriser les systèmes de
Contrôle d’accès basé sur les rôles Web sémantique
dans un travail de recherche ou de communications multimédias et les
développement, sur un sujet de nature (RBAC) et ses variantes. Contrôle traitements associés. Lui permettre Objectifs : Permettre aux étudiants de
théorique ou appliquée. Permettre aux d’accès basé sur les attributs. Méthodes d'acquérir les connaissances de base maîtriser les principes qui sont à la base
étudiant.e.s de développer leurs Bell-LaPadula, Biba et muraille de pour le développement d’applications du Web sémantique. Lui fournir les
capacités de rédaction et de Chine. Modèles hybrides. Langages multimédias connaissances nécessaires à la
présentation scientifique. pour la spécification d’exigences et de compréhension des technologies
politiques de contrôle d’accès. Analyse Contenu : Introduction au multimédia, utilisées pour la réalisation du Web
Contenu : Réalisation d’un travail de de cohérence et complétude de outils et interfaces. Représentation des sémantique. Présenter l'état actuel du
recherche ou de développement portant politiques de contrôle d’accès. Principes données multimédias, audio, image et développement du Web sémantique et
sur un sujet relié à la science de et méthodes pour l’analyse du risque vidéo. Compression des données les perspectives de recherche dans ce
données (SD) et/ou l’intelligence dans le contrôle d’accès. Étude de la multimédias, algorithmes de base. domaine.
artificielle (IA), défini en collaboration littérature et d’outils courants. Normes de codage JPEG et MPEG.
avec un.e professeur.e. Les résultats du Sécurité multimédia, watermarking, Contenu : Introduction au Web
travail sont présentés dans un essai, qui INF6173 gestion numérique des droits (DRM), sémantique et son contenu. Techniques
doit démontrer une maîtrise des Conception de syst. temps-réel authentification, vidéosurveillance. de représentation de connaissances
techniques pertinentes de la SD ou de répartis embarqués Bases de données multimédias, mises en œuvre dans le cadre du Web
l’IA, ainsi que des méthodes de recherche par le contenu. Applications : sémantique. Frameworks de
rédaction et de présentation Objectifs : Permettre aux étudiants de Multimédia et réseaux, protocoles de métadonnées. Ontologies et schéma.
scientifiques. L’essai doit présenter les maîtriser les particularités des phases de transfert, internet, réseaux sans-fil, RDF. Logiques de description et OWL.
fondements méthodologiques du travail, développement des systèmes en temps transport en temps réel, synchronisation, Alignements et gestion des ontologies.
les résultats obtenus et une analyse réel répartis et particulièrement des qualité de service. Aspects computationnels du Web
critique de ces résultats. Cette activité systèmes embarqués. Lui permettre de sémantique et introduction aux services
sera réalisée normalement sur une tester ces systèmes et évaluer leur INF6233 Web. Sélection, composition et
période de deux trimestres, et sera performance. Lui permettre également médiation des services sémantiques.
Sécurité informatique et méthodes
évaluée à travers un rapport d’essai et d'approfondir les connaissances Exemples pratiques. Au terme de ce
formelles
une présentation orale du travail. relatives aux techniques cours, l'étudiant sera en mesure de :
d'ordonnancement et aux Objectifs : Permettre aux étudiants de comprendre les enjeux liés à la
INF6143 comportements des systèmes réactifs et maîtriser les techniques formelles réalisation du Web sémantique;
leurs applications utilisées pour la sécurisation des construire une ontologie dans le but
Bases de données avancées
systèmes et réseaux informatiques d'une intégration au Web sémantique;
Objectifs : Permettre aux étudiants de Contenu : Rappel sur les concepts des construire une application simple pour le
maîtriser les connaissances sur les systèmes temps réel. Introduction des Contenu : Problèmes de la sécurité Web sémantique; comprendre les défis
fondements, concepts et problèmes systèmes temps réel distribués dans les logiciels et intergiciel. techniques liés à la réalisation du Web
reliés aux bases de données allant des embarqués (STRDE). Analyse et Formalismes algébriques et logiques sémantique; comprendre aisément les
bases de données conventionnelles conception des systèmes temps réel pour la description des systèmes et des travaux de recherche et développement
(incluant les bases de données répartis, concept de Co-Design. politiques de sécurité. Automates qui portent sur le Web sémantique.
réparties) aux bases de données plus Processeurs embarqués. Optimisation d’édition. Techniques formelles de
avancées comme les entrepôts de de la conception et du développement renforcement de politiques de sécurité INF6263
données et les bases multimédia de systèmes temps réel répartis. Apport dans les systèmes. Renforcement par
de l'approche orientée objet à la Monitorage. Renforcement par réécriture Ingénierie des protocoles de
(incluant les systèmes d’information communication
géographique et les bases conception des systèmes temps réel de programmes. Classes de propriétés
documentaires). répartis. Performance statique et de sécurités : sûreté, vivacité, « renewal Objectifs : Permettre aux étudiants de
dynamique. Multitraitement temps réel », etc. maîtriser le processus d'ingénierie, de
Contenu : Rappels sur les bases de distribué, techniques d’ordonnancement, conception formelle, de validation et test
données (BD). Contrôle et optimisation puissance dans les systèmes INF6243
des protocoles de communication.
des performances dans un embarqués, accélérateurs de matériel,
Techniques d'apprentissage
environnement centralisé. Bases de systèmes d’exploitation (QNX, ITRON, Contenu : Fonctions des protocoles de
données réparties : principes, stratégies etc.). Langages de spécification, outils Objectifs : Permettre aux étudiants de communication. Modèles à couches :
de conception, traitement des requêtes de simulation pour réseaux de capteurs maîtriser les concepts fondamentaux de protocoles et services. Contrôle d'erreur.
réparties, et gestion des transactions (TOSSIM, etc.). Applications (routage, l’apprentissage automatique et Contrôle de flux. Gestion des
réparties. Veille économique (business transport des données, etc.). d’appliquer ces notions à des problèmes connexions. Spécification formelle des
intelligence) : fouille et entreposage de concrets. Leur faire acquérir des protocoles de communication. Validation
données. BD multimédia (particularités INF6203 connaissances sur les techniques des protocoles de communication.
et exigences, stockage et exploitation, Méthodes formelles pour le d’apprentissage supervisé et non Techniques à états finis et algébriques :
systèmes d’information géographique. développement de logiciels supervisé, les techniques analyse d'accessibilité, équivalence par
BD documentaires). BD et Web d’apprentissage pour les données test, équivalence observationnelle, etc.
(connexion à une BD via le Web, Objectifs : Permettre aux étudiants de textuelles, les algorithmes de Évaluation de modèles. Méthodes de
langage XML). maîtriser le processus de classement des pages Web. test. Étude de quelques langages
développement rigoureux et formel du formels ou semi-formels tel que : CCS.
INF6153 logiciel. Lui permettre d’approfondir les Contenu : Concepts d’apprentissage Pi-Calculus, LOTOS, PROMELA, SDL,
techniques de spécification, validation et supervisé : classification et régression, UML. Application avec outils, comme
Systèmes de contrôle d'accès aux frontière de décision et fonctions
test formels du logiciel. SPIN, CADP, ALLOY, etc.
données discriminantes; Arbres de décision et
Objectifs : Permettre aux étudiants de Contenu : Spécification et validation de techniques de traitement du INF6273
maîtriser les aspects informatiques de la besoins. Spécification de programmes sur-apprentissage (overfitting);
séquentiels. Spécification de modules. Apprentissage par ensemble : (bagging), Technologie avancée en
conception et implémentation de télécommunication
méthodes de protection et contrôle Conception interne de modules et (boosting) et forêt d’arbres; Machine à
d’accès aux données dans les fonction d'abstraction. Étude et noyaux : dimension VC et machines à Objectifs : Permettre aux étudiants de
entreprises, du point de vue des application de quelques langages supports vectorielles; Apprentissage non comprendre le fonctionnement et les
exigences d’entreprise, de la structure formels. Spécification de programmes supervisé : (clustering), les mélanges de protocoles récents des systèmes
des logiciels, de la validation des concurrents. Documentation produite à loi de distribution statistique, carte de modernes de télécommunication,
chaque étape du développement du Kohonen et algorithme SOFM; particulièrement des réseaux à très haut
logiciel. Étude et utilisation d’outils Apprentissage de données

DESS scien. des données et intellig. artifi. - 2360 Page 4 de 5

 Description des cours

débit et les familiariser avec les récents système de fichiers distribué HDFS, le Objectifs : Permettre à l’étudiant de :
développements et applications dans ce gestionnaire de ressources YARN, le Connaître le processus de formation
domaine. modèle de programmation MapReduce. d’images. Maîtriser les outils
L’écosystème Apache Spark pour fondamentaux d’analyses et de
Contenu : Revue des architectures des l’analyse des données en temps réel. traitement des images. Maîtriser
réseaux de télécommunication. Réseaux Bases de données non relationnelles différents algorithmes pour l’extraction
locaux (LAN), métropolitains (MAN), NoSQL. Le système MongoDB de de caractéristiques et la représentation
étendus (WAN). Technologie Mode de gestion de bases de données orientées des images. Réaliser des projets basés
transfert asynchrone (ATM). documents. sur le traitement d’images, tels que la
Communication par fibres optiques et reconnaissance d’objets, la
standard SONET (Synchronous Optical INF6333 segmentation, la classification d’images,
Network). Réseaux tout optiques. le codage et la compression.
Communications et réseaux sans fil. Éléments d'intelligence artificielle
Réseaux ad-hoc. Méthodes de contrôle appliquée Contenu : Aspects avancés des
d'accès multiples. Gestion de la Objectifs : Permettre aux étudiants systèmes d’acquisition, du processus
performance des réseaux modernes. d'approfondir les techniques de base de d’échantillonnage, de quantification et de
Contrôle de congestion dans les réseaux l'apprentissage machine et les aspects filtrage des images. Techniques
à très haut débit. Réseaux cognitifs. pratiques de l'intelligence artificielle (IA). d’extraction de différentes
Applications. Comprendre les enjeux spécifiques liés caractéristiques (ex. les contours, les
aux données et à l'évaluation de régions et les formes). Opérations de
INF6303 base pour l’amélioration de la qualité des
performance dans la conception et le
développement d'applications basées images (la restauration et le
Techniques d’analyse des
sur l'IA. rehaussement). Algorithmes de recalage
mégadonnées
et d’estimation du mouvement dans les
Objectifs : Connaître les concepts Contenu : Acquisition, extraction, séquences d’images. Aspects de haut
fondamentaux liés à la production et visualisation et préparation des données. niveau, tels que la représentation et la
l’exploitation des mégadonnées. Extraction de caractéristiques, réduction classification d’images.
Maîtriser les techniques d’analyse de la dimensionnalité, et représentation
statistique, d’exploration et de des connaissances. Problèmes de
visualisation de mégadonnées pour la déséquilibre de données. Apprentissage
prise de décision. supervisé, non-supervisé et par
renforcement. Réseaux de neurones et
Contenu : Description des défis du apprentissage profond. Apprentissage
traitement de données massives (big d'ensemble et prise de décision.
data) : Échantillonnage et prétraitement Déploiement de solutions basées sur
des données : structurées, non l'intelligence artificielle. Enjeux dans la
structurées et flux. Techniques conception et le développement des
statistiques d’analyse des mégadonnées systèmes intelligents embarqués et des
: modélisation et inférence statistique, systèmes intelligents en temps réel.
estimation de paramètres et de Critères de performances et évaluation
distributions, maximum de d'applications basées sur l'intelligence
vraisemblance et méthodes artificielle. Études d'applications dans les
Bayésiennes, analyse de corrélation, domaines de la vision artificielle, de la
analyse factorielle. Techniques de robotique, du génie, des soins de santé
stockage, de réduction et de et du forage de données.
visualisation de mégadonnées.
Apprentissage par ordinateur sur les INF6343
mégadonnées : classification et
regroupement, régression linéaire et Intelligence artificielle distribuée
non-linéaire, apprentissage profond. Objectifs : Dans le contexte de
Étude d’applications utilisant les l'intelligence artificielle, permettre aux
données massives : recherche étudiant(e)s de maîtriser les principaux
d'information, systèmes de défis liés à l'interaction d'agents
recommandation, analyse de réseaux autonomes. Présenter aux étudiant(e)s
sociaux. les principales théories et outils pour
INF6323 opérationnaliser ces interactions,
notamment les protocoles formels, la
Programmation infonuagique avancée théorie des jeux, et l'apprentissage
multi-agent.
Objectifs : Apprendre et maîtriser les
concepts et les techniques de Contenu : La notion d'agent et
l’infonuagique et des mégadonnées. d'architecture multi-agents dans le
Concevoir et implémenter des contexte de l'intelligence artificielle
applications pratiques de science des distribuée. Les principaux défis des
données sur des plateformes interactions entre agents : coordination,
infonuagiques. communication, apprentissage. Modèles
d'organisations multi-agents : institutions
Contenu : Modélisation des données électroniques, protocoles formels. La
avec XML et JSON. Services Web de notion de machine sociale. Modélisation
type SOAP. Services Web de type des interactions entre agents : théorie
REST. Introduction à l’infonuagique. des jeux coopératifs et non coopératifs.
Modèles de services en infonuagique Mécanismes de coordination : choix
(logiciel-service, plateforme-service, collectif, mécanismes d'incitation,
infrastructure-service, fonction-service, systèmes de réputation. Aspects
etc.). Modèles de déploiement de algorithmiques des décisions collectives,
l’infonuagique (privé interne, privé concepts d'équité. Apprentissage par
externe, public, communautaire, renforcement, apprentissage
multi-cloud et hybride). Techniques de multi-agent. Applications dans différents
virtualisation en infonuagique domaines, dont la cyber sécurité, les
(virtualisation par machines virtuelles et réseaux et la robotique.
virtualisation par conteneurs).
Programmation infonuagique (Amazon INF7093
Web Services et Google Cloud
Platform). L’écosystème Hadoop : le Éléments avancés d'analyse d'images

DESS scien. des données et intellig. artifi. - 2360 Page 5 de 5