L3 Informatique

Premières expériences en algorithmique, programmation et complexité (en L1 et L2).

Ce cours présente la notion de graphe et son utilisation pour la modélisation de problèmes, ainsi qu’une sélection d’algorithmes pouvant servir de base à leur résolution. On y aborde également des techniques algorithmiques générales, toujours avec le souci d’analyser leur validité et leurs propriétés de complexité.

Contenu :

• Structure de graphe
• Algorithmes de parcours : en profondeur, en largeur, tri topologique, composantes connexes
• Recherche de plus courts chemins
• Algorithmes gloutons : coloration, couverture de graphes
• Programmation dynamique et mémoïsation
• Modélisation d’un problème : par un graphe, par une formule SAT
• Classes de complexité P/NP

Connaissance des techniques algorithmiques classiques et de la structure de graphe. Savoir modéliser un problème en se basant sur des structures connues, puis proposer un algorithme de résolution et évaluer ses performances et son adéquation au problème posé. Notion de classe de complexité et connaissance de problèmes difficiles de référence.

Cours accompagnés de TD et de TP. Évaluation par épreuves écrites.

Les bases du calcul propositionnel (tables de vérité des connecteurs logiques).
Les bases du raisonnement mathématique (définitions, énoncé, preuves).

Le programme du cours est le suivant :

• Langage logique (calul propositionnel et calcul des prédicats), modélisation à l'aide de la logique.
• Systèmes de règles logiques pour construire des preuves.
• Termes : signature, preuve par récurrence structurelle, définition récursive de fonctions.
• Calcul des prédicats : syntaxe, variables libres et liées, sémantique, équivalence.
• Modèle, modèle de Herbrand
  Exemples de théories :
• Démonstration automatique, formes normales, résolution, séquents.

L’objectif du cours est de se familiariser avec le formalisme de la logique du premier ordre. La logique est utilisée pour modéliser des problèmes informatiques et comme outil de spécification de contraintes sur des objets informatiques comme des bases de données ou des programmes. Ce cours aborde les notions de démonstration, de validité, le lien entre les objets physiques (syntaxe) et le sens qu'on leur donne (sémantique). Il présente plusieurs techniques de démonstration automatique comme le calcul des séquents et la résolution. Il met en pratique un certain nombre d’outils mathématiques utilisés en informatique, comme les définitions récursives de fonctions, les preuves par récurrence structurelle ou les définitions par règle d'inférence.

UE est organisée de manière classique avec des séances de cours et exercices en classe entière suivies de séance de TD. Quelques activités d'apprentissage autonome en ligne sont proposées. L'évaluation repose sur un partiel et un examen final.

Introduction à l'Informatique et Python, Introduction à la programmation impérative, Calculus 1-2, Algèbre linéaire 1-2, Combi Proba

Ce cours a pour but d'introduire les concepts fondamentaux de l'apprentissage statistique, avec une attention particulière portée sur les réseaux de neurones (simples). Ici on cherche à comprendre à fond quelques modèles simples, mais qui sont les briques de base des modèles modernes plus complexes. En d'autres termes, on ouvre ce qui est parfois perçu comme une boîte noire dans des cours d'Apprentissage Statistique plus appliqués. 

Ici il y a des applications (nuages de points, données tabulaires, images type MNIST, textes courts), mais qui sont plutôt des illustrations pour se forger l'intuition sur des cas concrets que des objectifs en soi. Ces illustrations permettent aussi d'alterner entre théorie et mise en pratique, pour rendre les notions vues en cours plus intuitives.

Le cours se abordera les points suivants:

• La notion d'optimisation de fonction de coût; La descente de gradient;
• La régression linéaire; Le perceptron binaire;
• La notion de sur-apprentissage; Les ensembles pour valider l'apprentissage (train, validation, test); L'optimisation d'hyper-paramètres; La cross-validation;
• L'encodage One-hot; la standardisation; 
• Les features maps; La réduction dimensionnelle (seulement la PCA); La régularisation (L2); 
• Un peu de Traitement Automatique des Langues: tokenisation, Bag Of Word, TF-IDF;
• Éventuellement, des modèles Bayésiens très simples (Bayésien Naïf pour la classification).

Concepts fondamentaux de l'apprentissage statistique et application à des exemples simples.

L'UE s'organise en cours accompagnés de séances de (quelques) TD et de (nombreux) TP.

Notions de base en algorithmique, programmation en OCaml.

Ce cours aborde les outils conceptuels permettant de définir un langage de programmation, les outils algorithmiques permettant d’interpréter un programme fourni sous la forme d’un texte brut, et la transformation d’un programme de haut niveau en code bas niveau de type assembleur.

Thèmes :

• Expressions régulières, algorithmique et techniques de raisonnement associées, dont outils de type lex
• Grammaires algébriques, algorithmique et techniques de raisonnement associées, dont outils de type yacc
• Syntaxe abstraite, environnements, interprétation
• Types et garanties de sûreté
• Langage assembleur
• Traits de programmation : fonctions, structures de données, programmation objet, programmation fonctionnelle

Le cours mêle raisonnement théorique et programmation. On utilisera le langage OCaml et les outils associés.

Savoir caractériser un langage de programmation par une syntaxe, une sémantique, et un modèle d’exécution. Connaître les techniques d’analyse syntaxique et savoir les mettre en œuvre manuellement ou à l’aide d’outils. Représenter un programme à l’aide d’une syntaxe abstraite et l’analyser, l’interpréter ou le traduire. Savoir décomposer des traits de programmation de haut niveau en opérations élémentaires sur une représentation machine.

Cours accompagnés de TD et TP. L’évaluation se fait par un projet et deux épreuves écrites (partiel, examen terminal).

• Maîtrise du paradigme fonctionnel
• Connaissance des structures de données avancées (persistante, mutables)
• Notion de sémantique des langages de programmation

Cours et TP notés ou interros + un examen final.

Programmation en Java, bases en modélisation UML, notions en logique (les pré-requis suivent le cours "Eléments de Logique" en parallèle).

L'enseignement portera sur les techniques suivantes:

• Approfondir les techniques de modélisation en UML avec des annotations formelles
• Test de boite-noire à partir d'une spécification
• Sequence-Test boite-noire à partir d'une spécification State-Chart
• Test de boite-noire de sécurité
• Test de boite-blanche à partir de programmes
• Fuzz-Testing
• Vérification à base des methodes deductives preuves formelles

Dans le génie logiciel, on distingue plusieurs phases dans le processus de développement de logiciels : L'analyse, la conception, le codage, l'intégration, la validation et vérification des composants ou des systèmes entiers. Le cours se concentre sur les deux dernières phases dans du processus de développement, en traitant en profondeur l'aspect modélisation lors de l'analyse, sous l'aspect des méthodes automatisées et des outils. Afin de vérifier un systeme grâce à la génération de tests, par exemple, on a besoin de modèles suffisamment précis.

L'UE est organisée de manière classique avec des séances de cours et exercices en classe entière suivies de séance de TD ou TP. Quelques activités d'apprentissage autonome en ligne sont proposées. L'évaluation repose sur un partiel et un examen final.

Ce cours présente les principaux aspects des systèmes d'exploitation :

• Notion de processus, ordonnancement et programmation concurrente
• Allocation de resources
• Notion de section critique et d'interblocage

Conception d'un schéma relationnel, décompositions SPI, manipulations et interrogations de données en SQL.

• Etude des problèmes de bases de données ci-dessus, avec la partie du langage SQL pour les traiter.
• Bases du langage PL/pgSQL : procédures stockées, curseurs, gestion des exceptions, gestion des transactions, triggers.
• Utilisation d'un langage généraliste (Java, Python), pour accéder au SGBD, directement ou par un ORM (mapping objet-relationnel) : modifications, select et curseurs, appels de fonctions et procédures stockées, gestion des transactions.
• Initiation aux bases de données NoSQL : clé-valeur, documents, graphes.

Etre capable de programmer, avec SQL, PL/pgSQL et un langage généraliste (Java, Python), une application de base de données relationnelle complète au-dessus d'un système de gestion de bases de données (SGBD), gérant en particulier les contraintes d'intégrité, la confidentialité et l'indépendance des niveaux. Comprendre les premiers concepts fondamentaux des bases NoSQL.

L'UE s'organise en cours accompagnés de séances de TD/TP.

UE Réseaux du L2 Informatique ou équivalent

Pour fonctionner correctement, les réseaux nécessitent un grand nombre d'équipements et de processus, rendant leur architecture souvent complexe. Pour réduire cette complexité, les différentes fonctions ont été décomposées en niveaux protocolaires. Après avoir posé les fondements des télécommunications et rappelé les bases de la transmission de l’information, cette unité d'enseignement détaille les deux premiers niveaux des réseaux, à savoir « physique » (bande passante, débit binaire, codage, …) et « liaison » (codes détecteurs, codes correcteurs, techniques d'accès, …). Les principaux protocoles correspondants sont également présentés. Une série de travaux dirigés et de travaux pratiques permet d’assimiler et d’appliquer les différents concepts étudiés.

• Utilisation de technique de traîtement du signal (codes correcteurs, …)
• Connaissance du fonctionnement et des protocoles de la couche physique.
• Connaissance du fonctionnement et des protocoles de la couche de liaison.

• Maîtrise du langage Python.
• Maîtrise des bases du langage SQL (création de schémas, remplissage simple d’une base de données, requêtes élémentaires). 
• Avoir suivi l’équivalent de l’UE d’apprentissage statistique.

• Introduction à la bioinformatique et aux concepts fondamentaux de biologie moléculaire.
• Réalisation de deux mini-projets encadrés, représentatifs des analyses de données en bioinformatique :
  • Projet 1 : Analyse de données biologiques à l’aide de méthodes d’intelligence artificielle (machine learning). Par exemple, prédiction de pathologie à partir de séquences génétiques.
  • Projet 2 : Initiation aux concepts et outils d’extraction d’informations à partir de textes (text mining et natural language processing). Par exemple, extraction de noms de gènes à partir d’articles scientifiques.

Cette unité d’enseignement introduit les principaux enjeux de la bioinformatique en lien avec l’intelligence artificielle et les sciences des données. Les étudiants mobiliseront leurs compétences en statistiques, programmation et, le cas échéant, en bases de données, à travers des projets concrets basés sur des données massives et hétérogènes issues de la biologie moléculaire.

L’enseignement combine :

• des cours magistraux présentant les spécificités des données bioinformatiques et les traitements algorithmiques associés ;
• des séances de TD/TP pour la mise en pratique immédiate des notions abordées ;
• des projets appliqués, réalisés pour moitié en encadrement et pour moitié en autonomie.

Concept de base en langage Java (Classes, Héritage, Interfaces),
Algorithmique et structures de données de base (séquences, arbres, graphes)

Le cours explore les fondements et les cadres majeurs de l’IA symbolique, en complément des approches numériques issues de l’IA connexionniste. Il débute par une introduction aux principes et à l’architecture du raisonnement explicite (représentation, raisonnement, explicabilité), avant d’aborder les algorithmes de recherche appliqués aux jeux à deux joueurs, tels que Minimax et Alpha-Beta. Le cours se poursuit avec l’apprentissage symbolique à travers le Version Space Learning, qui illustre la formation et la mise à jour d’hypothèses de manière explicite et interprétable. Une partie importante est consacrée à la résolution de problèmes par contraintes (CSP/SAT), en introduisant les principales techniques de modélisation, de propagation et de recherche heuristique. Le module traite ensuite des approches explicatives, notamment avec QuickXplain, pour la détection et l’analyse des conflits. Enfin, il s’ouvre sur la fouille de motifs symboliques, reliant ainsi la représentation logique et la découverte de connaissances structurées à partir des données.

Cette UE vise à compléter la vision contemporaine de l’IA, souvent centrée sur l’apprentissage numérique (approches connexionnistes), en introduisant les fondements et les pratiques de l’IA symbolique. Elle propose une approche complémentaire où la connaissance est représentée, structurée et exploitée de manière explicite, permettant de raisonner, d’expliquer et de justifier les décisions d’un système intelligent.

À l’issue du cours, les étudiants seront capables de :

• comprendre les principes fondamentaux de l’IA symbolique et sa complémentarité avec l’IA connexionniste 
• modéliser des connaissances et des problèmes de manière déclarative (représentation, contraintes, structures explorables)
• concevoir et mettre en oeuvre des algorithmes de recherche, de raisonnement et d’explicabilité
• utiliser des cadres de résolution symboliques (jeux, CSP/SAT, fouille de motifs, apprentissage)
• développer des agents intelligents capables de raisonner efficacement et d’expliquer leurs décisions.

L’UE combine théorie et pratique autour d’un fil conducteur : la conception d’un agent intelligent. Dès le début du semestre, les étudiants, organisés en équipes, travaillent sur un projet continu dont l’objectif est de développer un agent capable de raisonner et d’apprendre selon les principes de l’IA symbolique. Au fil du cours, ils implémentent et testent différentes méthodes vues en classe — recherche arborescente, apprentissage symbolique, résolution de contraintes, ou encore raisonnement explicatif — afin d’améliorer les performances et les capacités de décision de leur agent.

Le semestre se clôture par un tournoi où les agents conçus par les étudiants s’affrontent dans un cadre compétitif, permettant d’évaluer de manière concrète la qualité des stratégies mises en oeuvre. Cette approche favorise à la fois la compréhension conceptuelle, le travail collaboratif et la mise en pratique directe des techniques enseignées.

Avoir déjà utilisé Python (si possible la librairie pandas)

— Séance 1 : Introduction à la fairness, présentation de quelques éléments légaux, sensibilisation avec des exemples tels que les travaux de l’équipe FairSpeech de Stanford (https://fairspeech.stanford.edu) et enfin définition des principales métriques.

TD : calculer et manipuler ces métriques sur un cas jouet.

— Séance 2 : Etude des données, lecture et prise en main d’un ’vrai’ jeu de données qui servira d’exemple tout le long du cours (https://meps.ahrq.gov/mepsweb/). Nous verrons comment trouver des corrélations entre les attributs des instances et étudierons la recherche de biais par rapport aux attributs sensibles choisis (le genre ou l’origine).

La partie pratique consistera à s’approprier les outils et refaire la recherche de biais avec un autre attribut que celui vu dans la partie ’cours’. Il en sera de même pour les séances suivantes.

— Séance 3 : Audit de modèle, comment examiner un modèle, comprendre ces prédictions, l’interpréter.

— Séance 4 : Nous verrons les méthodes de pre-processing qui permettent de réduire les biais observés tel que le reweighing, ainsi que les méthodes de post-processing. Les avantages et inconvénients seront discutés.

— Séance 5 : Nous verrons les méthodes in-processing. La partie pratique consistera à implémenter une méthode in-processing.

— Séance 6 : Introduction à la notion de privacy, et d’exposition de la donnée par les modèles appris dessus.

— Séance 7 : Perspectives et ouverture avec le désapprentissage et les recherches en cours sur la possibilité de retirer l’influence d’une donnée sur le modèle appris.

Le projet sera divisé en deux parties.

Sur la 1ère partie les étudiants devront de façon individuelle analyser un dataset et appliquer les méthode de pré-processing vues en cours.

Sur la 2nde partie, les étudiants devront par binôme appliquer les méthodes vues en cours sur un cas d’usage concret (un modèle appris sur les données de la 1ère partie du projet).

La notion de fairness est intéressante et importante car elle permet de sensibiliser aux défauts et inconvénients de l’intelligence artificielle. Celle-ci a tendance à reproduire et amplifier les biais déjà présents dans les ensembles d’apprentissage. Cela est particulièrement vrai pour les données médicales où le biais de sélection des données est fort et l’impartialité indispensable.

Le module comporte 12 séances de 4h, 7 seront découpée en 2h de théorie et 2h de pratique, 4 autres étant principalement consacrées à l’encadrement de projet avec si besoin des rappels, précisions ou compléments théoriques, et la dernière séance sera consacrée aux soutenances finales.

Programmation orientée objet. Des connaissances en programmation évènementielle sont un plus.

Les thématiques ci-dessous sont abordées :

• Conception et architecture d’un jeu : cycle de vie d’un projet de jeu, élaboration du gameplay et des mécaniques de jeu, architecture logicielle d’un moteur de jeu, gestion des états du jeu et des boucles principales (game loop)
• Programmation du gameplay : gestion des entrées utilisateur (clavier, souris), systèmes d’entités et de composants (Entity-Component System), détection et gestion des collisions, systèmes de physique simples (gravité, mouvement, etc.)
• Graphismes et rendu : concepts fondamentaux de la 3D (coordonnées, caméras, transformations), pipeline graphique : du modèle à l’affichage sur GPU, rendu 3D, textures, lumières et shaders
• Outils et moteurs de jeu : introduction à un moteur de jeu (Unity Engine), création de scènes et gestion des ressources, scripting du gameplay en C#, intégration des assets (modèles, sons, animations)
• Interface et expérience utilisateur : principes de design d’interface pour le jeu vidéo, gestion des événements, retour visuel et sonore pour le joueur

• Comprendre les fondements du développement de jeux vidéo, depuis la conception du gameplay jusqu’à la réalisation technique d’un prototype jouable.
• Programmer les éléments essentiels d’un moteur de jeu, incluant la gestion des entrées, la physique, les collisions, l'animation et l’affichage 3D.
• Utiliser efficacement un moteur de jeu pour créer des environnements interactifs.
• Intégrer des éléments multimédias (graphismes, sons, interface) afin de construire une expérience de jeu cohérente et immersive.

L'UE s'organise en cours accompagnés de séances de TPs. Evaluation par un partiel et rendu de projet.

Avoir assez de notions d'algorithmique pour dire si un algo est polynomial ou exponentiel. Être à l'aise avec le raisonnement (preuves par l'absurde, preuves parfois abstraites) et avoir un certain sens combinatoire.

Introduction rapide aux automates.
Machines de Turing déterministes. Variantes. Indécidabilité. Problème de l'arrêt. Réductions. Rice. Post.
Machines de Turing non-déterministes. NP. Certificats et vérifications. Réductions polynomiales. NPcomplétude. SAT. Cliques. Hamiltonien. 3Coloriages. SacADos. Algos d'approximation.
Ardu : Autres classes: Hiérarchies, L, NL, PSPACE.

Connaitre les limites théoriques de l'algorithmique et comprendre pourquoi et à quel point certains problèmes sont intrinsèquement difficiles.

Cours et TD. Évaluation par un partiel et un examen terminal écrit.

Notions de base de l'algèbre linéaire, bases de la programmation

De nombreux problèmes réels sont intrinsèquement des problèmes d'optimisation combinatoire. L'idée de cette unité d'enseignement est d'aborder les problèmes classiques d'optimisation ainsi que ses techniques de résolution en partant d'applications que l'on retrouvent dans le monde réel (réseaux, Internet des Objets, traitement des données, gestion des stocks).

Partir de problèmes réels pour proposer des formulations mathématiques (modélisation sous forme de programmes mathématiques et graphes) traitées par des techniques d'optimisation combinatoire exactes et approchées.Une mise en œuvre informatique des méthodes sera réalisée.

Cours, TD, TP. Évaluation par controle continu (Partiel, interrogation, projets, …) et examen terminal écrit.

Programmation orientée objet. Des connaissances en programmation évènementielle sont un plus.

Les thématiques ci-dessous sont abordées :

• Evolution de l’IHM
• Paradigme WIMP
• Utilisabilité et heuristiques
• Introduction au système sensori-moteur humain
• Introduction aux fonctions neurocognitives humaines
• Modèles utilisateurs (e.g. Norman, KLM, lois de Hick-Hyman, Fitts)
• Introduction aux sciences cognitives (e.g. gestalt, affordance, congruence stimulus-réponse)
• Initiation au C#
• Conception MVC
• User Centered Design (e.g. personas, scenario, storyboard)
• Introduction à l’approche expérimentale

Ce cours vise à enseigner les bases de conception, développement et évaluation en Interaction Humain-Machine (IHM). Les étudiants apprennent à concevoir des applications interactives adaptées à l’utilisateur humain en utilisant différents outils inspirés du design et des sciences cognitives. Ils sont amenés à programmer en langage orienté objet.

Ce cours se déroulera en quatre temps: 

• cryptographie historique, présentation des primitives cryptographiques, utilisation, (un peu de fonctionnement et attaques connues?)
• analyse symbolique de protocoles, création d'un protocole simple et recherche d'attaques sur les designs proposés
• présentation des modes d'attaques par canaux auxiliaires, exemples d'attaques utilisant ces canaux (Spectre, Meltdown) et mitigations
• présentation des modes d'attaques fréquemment observés sur des logiciels (XSS,buffer overflow, supply chain attacks...) et mitigations. Cette partie pourra aussi aborder les attaques liés aux utilisateurs (mot de passe faible, fishing...).

Ce module vise à couvrir les bases de la sécurité informatique à travers cinq piliers: la cryptographie, les protocoles, les logiciels, le matériel et les utilisateurs. L'objectif principal est de mettre en lumière comment la sécurité d'un système informatique repose sur la sécurité de chacune des briques de ce système. A l'issue de ce cours, les élèves:

• connaîtront avec les primitives cryptographiques fondamentales (hash, chiffrement, signatures) et leurs cas d'utilisation (cryptographie)
• comprendront les étapes du cycle développement/recherche d'attaque sur un protocole (protocoles)
• connaîtront plusieurs modèles d'attaques par canaux auxiliaires (side channel attacks) et les moyens proposés pour y remédier (hardware)
• pourront lister les attaques les plus fréquentes sur les logiciels (liste de l'OWASP) et leur mitigations (logiciel)
• comprendrons le rôle des utilisateurs dans la chaîne de sécurité des systèmes

Les cours sont accompagnés de TDs et TPs selon le sujet traité.

Projet de second semestre. Ce projet est usuellement réalisé en binôme. Plusieurs types de projets sont proposés, par exemple :

• Programmation Concurrente et Interfaces Interactives
• Génie Logiciel
• Programmation Fonctionnelle Avancée
• Bioinformatique
• Previsualization of Future User Interfaces
• Entrepreneuriat : création de micro-startup
  Chaque projet donne lieu à un rendu (code, rapport, support, ...) et à une soutenance. Les étudiants sont laissés en semi-autonomie (salles de TP réservées, points réguliers avec leur responsable de projet).

• Autonomie
• Travail en groupes
• Rédaction et présentation
• Travail sur une base de code conséquente nécessitant l'utilisation de technique de génie logiciel et de conduite de projet.

Attendus de l'UE Langue-Anglais4 : Niveau B2+/C1 dans les 5 compétences linguistiques.

ANGLAIS DE SPÉCIALITÉ. Cette UE s'inscrit dans la continuité de l'UE Langue-Anglais3 et le travail sur la langue de spécialité (scientifique et/ou à visée professionnelle) : on prolongera l'approche actionnelle dans les 5 compétences et on s'attachera à la préparation de l'étudiant aux différentes tâches liées à son activité scientifique telles que la rédaction d'un compte rendu d'expérience, le commentaire d'un graphique, la desciption d'un processus mais aussi à son insertion dans le monde professionnel : rédaction d'un CV ou d'une lettre de motivation en vue d'un stage... On proposera une initiation au débat ainsi qu'un entraînement à la certification CLES 2.

Le travail se fera par groupes de niveau.