M2 Traitement de l'information et exploitation données

Cécile Mallet, Aymeric Chazottes.

Régression linéaire Classification Ascendante Hiérarchique Algorithme des centres mobiles Théorie Bayésienne pour la décision Analyse et visualisation : données unidimentionnelles Indicateurs bidimensionnels - Régression linéaire (Données environnementales et effet de serre) Analyse en composantes principales (Variables climatiques liées à l’effet de serre) Théorie Bayésienne pour la décision Méthodes de discrimination non paramétriques : k-plus proches voisins Méthode des k-moyennes Le Perceptron Multicouches application à la régression Le Perceptron Multicouches application à la classification Le Perceptron Multicouches application aux séries temporelles Les cartes auto-organisatrices application à la visualisation Les cartes auto-organisatrices application à la classification.

Travaux pratiques Implémentation et mise en œuvre d’algorithmes de traitement des données
Ce module est entièrement dédié à la pratique de l’analyse et de la modélisation statistique. Les travaux pratiques et études de cas proposés permettent d’aller de la modélisation à la mise en œuvre des différents concepts du module « Reconnaissance des formes, méthodes neuronales”. L’accent est mis sur le traitement des données issues de l’observation de l’environnement. Des études cas dans le domaine de la télédétection spatiale de l’environnement sont réalisées.

UE Reconnaissance des formes et Méthodes Neuronales Programmation informatique.

Septembre - Octobre - Novembre - Décembre - Janvier.

Cécile Mallet, Daniele Briard.

Une évaluation du niveau d’anglais en début d’année permet d’orienter les étudiants soit vers un travail personnel (lecture d’article et exposé à préparer) soit vers un enseignement plus académique pour acquérir le niveau nécessaire à la lecture d’article et à la communication scientifique.

Communiquer à l’écrit et à l’oral en anglais.

Octobre - Novembre - Décembre - Janvier.

Nicolas Thome.

•Techniques neuronales ?Application à la visualisation et à la classification ?Réseaux convolutifs ?Apprentissage profond ?Réseaux de neurones récurrents ?Application à l’analyse d’image et de vidéo

Projet à réaliser.

Présenter les fondements de l’apprentissage profond et les principaux courants et algorithmes. En particulier, on détaillera les réseaux récurents à travers des applications l’analyse vidéo.

UE Reconnaissance des Formes Réseaux de Neurones UE Analyse statistique de jeux de données réelles.

Novembre - Décembre - Janvier.

PARIS

N'deye Niang (CNAM) , Simon Benavides (vacataire UVSQ).

Octobre - Novembre - Décembre - Janvier.

PARIS

Bernadette Dorizzi (TSP), Cécile Mallet (UVSQ), N’deye Niang(CNAM).

Pédagogie classique + travail collectif et exposés sur lecture d'ouvrage (prérequis) et d'articles.

Présenter les fondements et les principaux courants et algorithmes de la reconnaissance des formes statistiques et des techniques neuronales. En particulier, on détaillera les modèles de base et on montrera comment ces modèles peuvent être utilisés pour faire de la classification et de la régression. Les différentes approches seront illustrées sur des exemples empruntés à différents domaines comme celui de l'image ou du signal.
•Reconnaissance des formes
?Visualisation et prétraitement des données
?Méthodes de régression, régression linéaire
?Analyse en composantes principales
?Théorie Bayésienne de la décision
?Méthodes de discrimination paramétriques
?Méthodes de discrimination non paramétriques : k-plus proches voisins
?Méthode des k-moyennes
?Arbres d’induction
•Techniques neuronales
?Le Perceptron Multicouches
?Application à la classification et à la régression
?L’apprentissage, la généralisation et les techniques de régularisation
?Les cartes auto-organisatrices
?Application à la visualisation et à la classification
?Réseaux convolutifs.

Statistiques, probabilité, algèbre linéaire,.

Septembre - Octobre - Novembre - Décembre - Janvier.

Présenter les modèles des chaînes de Markov cachées et les réseaux bayésiens. Les différents modèles sont illustrés sur des exemples d’applications.
•Chaînes de Markov Cachées
?Programmmation dynamique
?Chaînes de Markov
?Chaînes de Markov Cachées
•Réseaux bayésiens
?Exemple et définition des réseaux causaux
?D-séparation
?Définition des réseaux bayésiens
?Construction des tables de probabilités locales : Naïve Bayes, ou bruités, …
?Exemples.

Notions de probabilité.

Décembre - Janvier - Février.

Concepts et objectifs des systèmes transactionnels. Conception d'une base de données suivant les standards ANSI/SPARC et ISO/TC97. Modélisation conceptuelle, externe, et physique des données. Étude du modèle conceptuel Entités/Associations. Modèle relationnel pour la représentation physique des données. Manipulation et accès des données par le langage standard SQL : langage de définition des données avec contraintes d'intégrités, langage d'accès et de mise à jours des données, langage des vues et des droits d'accès. En base de données, des exemples sont illustrés sur les produits MySQL, MS-Access et Oracle.

Le but de ce module est de proposer une méthode de conception d’un système d’information robuste et évolutif en évitant les écueils classiques aboutissant à des données inutilisables. Une mauvaise stratégie de départ conduit à stocker des données inutiles (redondance) et ainsi affecter les performances des différentes méthodes du module "Reconnaissance des formes, méthodes neuronales".
Ce module s’adresse à des étudiants, qui débutent dans ce domaine des systèmes d’information, il aborde :
- La conception d’un système d’information depuis la modélisation du monde réel avec le modèle Entité/Association jusqu’à sa réalisation basée sur l’utilisation du modèle relationnel des bases de données ;
- l’utilisation du langage SQL pour la création, la manipulation et la recherche de données.(Les exemples pratiques sont réalisés en utilisant le logiciel MySQL) ;
- la communication avec les bases des données relationnelles via un langage de programmation (PHP ou python) ;
- Enfin, en complément, les technologies associées au langage XML ainsi qu’une présentation des outils du Web de données et de leur utilisation.

Avoir une bonne pratique des environnements Linux (les outils utilisés pour l’UE sont généralement hébergés sur ce type de machines).

Octobre - Novembre - Décembre.

Les projets se déroulent en plusieurs phases prise en main des données Les étudiants prennent en main le jeu de données, réalisent l’étude bibliographique nécessaire et proposent une méthodologie pour la comparaison des méthodes vues à ce stade de la formation Réflexion méthodologique Les tuteurs valident la méthodologie en entretiens individuels et proposent éventuellement un ‘cours’ sur certains points de méthodologie Réalisation Les étudiants réalisent l’étude pratique envisagée et rendent un pré rapport Analyse critique- Les tuteurs analysent le pré-rapport et demandent des corrections, des études complémentaires, des améliorations. Les étudiants terminent l’étude et rédigent le rapport final Evaluation Le rapport final est évalué.

Objectifs : module par projet qui a pour objectif la comparaison de différentes méthodes de classification enseignées ainsi que la méthodologie nécessaire à la validation et la comparaison sur un jeu de donnée "relativement" simple.

UE Reconnaissance des Formes et Méthodes neuronales UE Méthodes statistiques pour les données qualitatives UE Analyse statistique de jeux de données réelles.

Décembre - Janvier - Février.

EVRY

N'deye Niang, Cécile Mallet.

Présentation d’applications IA en télédétection spatiale de l’environnement terrestre (ci dessous quelques uns des thèmes possibles) ?Sélection des modèles de climat ?Caractérisation du phénomène d’Upweilling ?Restitution des paramètres atmosphériques et océaniques par télédétection Réalisation d'un projet à partir de données environnementales réelles.

Présenter des modélisations statistiques complètes portant sur des sujets pris dans le domaine de l’environnement et la télédétection satellitaire. L’attention sera portée sur l’analyse du problème, la manière d’effectuer la modélisation et l'analyse des performances des modèles réalisés.

UE « Reconnaissance des formes et Méthodes Neuronales ».

Décembre - Janvier - Février.

Michel Prenat (Thales), Etienne Payot (Thales), Nel Samama (TSP).

Connaissance des capteurs (6h00 Cours + 6h00 TD) Le Radar (3h00 Cours + 1h30 TD) L’Optronique (3h00 Cours + 1h30 TD) Les systèmes de localisation et de positionnement (3h00 Cours + 3h00 TD + 3h00 TP) Projet (6h00 TD + 18h00 TP) ?Réflexions théoriques et expérimentales sur le concept de « précision » d’un capteur ?Soutenance orale et rapport.

L'objectif du module est de mettre en évidence les principaux aspects de la transduction. Cela conduit des principes physiques, aussi bien pour le capteur lui-même que pour le phénomène observé, aux traitements des données de sortie de la mesure. Après cette première approche physique et la caractérisation d’un capteur, certains systèmes complexes sont abordés

•Connaissance des capteurs
?Les différents types de capteurs
?Des classements possibles de capteurs
?Caractéristiques des capteurs et modélisation
?Caractérisation d'un capteur
?Apport des nouvelles technologies.
•Le Radar
?Fonctions HF
?Architecture d’un radar
?Introduction aux traitements radarctéristiques des capteurs et modélisation
•L’Optronique
?Intégration du capteur dans le système
?Caméras CCD et CMOS
?Systèmes pour le biomédical Les différents types de capteurs
•Les systèmes de localisation et de positionnement
?La mesure d’attitude
?Le positionnement relatif ou absolu
?Les systèmes globaux de localisation
?Les applications industrielles et scientifiques.

Octobre - Novembre - Décembre.

•Introduction et applications du TI,
•Prétraitements,
•TF 2D, filtrage, échantillonnage, interpolation,
•Couleur,
•Compression,
•Morphologie mathématique,
•Segmentation,
•Détection, Recalage, transformation de Hough, AdaBoost, HoG
•Vision 3D.
•Algorithmique pour le TI.

Notions de programmation informatique.

Octobre - Novembre - Décembre.

EVRY

Travaux pratiques : mise en œuvre d’algorithmes de machine learning vus dans le module «Reconnaissance des formes, méthodes neuronales »: - Ex. classification non supervisée des données (clustering) en utilisant le langage Scala et l’environnement Spark (6 heures) Travaux pratiques : prise en main de l’environnement Spark (6heures) Travaux pratiques : Interrogation, Intégration et Data Quality des données massives (18 heures) en utilisant la plateforme Cloudera.

Manipulation & traitement des données massives (Big Data)
Le but de ce module est de familiariser les étudiants au traitement de données massives/volumineuses. Le traitement des données massives nécessite des solutions système et/ou SGBD adaptés ou mêmes des paradigmes de traitement parallèle sur des platfromes de calcul distribuées.
le patron d’architecture MapReduce ainsi que les frameworks Hadoop et Spark sont présentés dans ce module. Les présentations abordent les points de vue:
- Apprentissage automatique : avec le passage à l'échelle des algorithmes de "Machine Learning" et la modélisation dans l’écosystème ;
- Système : en abordant les notions de Cloud computing et de calcul distribués (scaling out) ;
- Bases de Données: préparation, fusion des données et qualité des données
(Les exemples pratiques sont réalisés en utilisant la platforme Cloudera, l’éditeur Talend et le langage Scala).

Décembre - Janvier - Février.

Nicolas Adas.

Familiariser les auditeurs avec les modes de réflexion et d’action à l’œuvre dans le management de l’entreprise
La performance de l’entreprise : pourquoi faut-il s’organiser ?
Environnement et DD, crise, normalisation et RSE
Organisation et communication
Les enjeux organisationnels à l’ère du numérique
Stratégie et organisation de l’entreprise

Conférences entreprises.

Sonia Garcia (TSP) Cécile Mallet (UVSQ) N’deye Niang (CNAM),l’ensemble de l’équipe pédagogique du Master.

Les étudiants sont répartis au sein des équipes de recherche qui supportent le Master. Ils réalisent en binôme un projet de quatre semaines minimum, encadré par les chercheurs en science des données des différents laboratoires de l’UVSQ, de TSP, de l’ENSIIE ou du CNAM. Un jury composé d’experts des différents laboratoires évalue le rapport et la soutenance.

Module par projet qui a pour objectif d’initier les étudiants à la recherche en data science.

Février - Mars.

Avril - Mai - Juin - Juillet.