SPECIALITE INGENIERIE LOGICIELLE ET INTELLIGENCE ARTIFICIELLE

Voir la page complète

Principe et implémentation de :

• SVM : fonction de coût, optimisation, noyaux et techniques multi-classes
• Arbres et méthodes d’ensemble (bagging ou random forest par exemple)
• Régression régularisée : fonction de coût, types de régularisation et optimisation
• Réduction de dimension (analyse en composantes principales par exemple)

Réseaux de neurones (principe, implémentation à la main et utilisation de librairies) :

• Descente de gradient, surfaces d'erreurs, Widrow-Hoff et règle delta généralisé, réseaux à rétropropagation (FFBP).
• Choix des hyperparamètres (fonction de coût, fonctions d’activation, learning rate, nombre d’epoch) et validation des performances

Voir la page complète

• Evolution et application des systèmes distribués
• Modèles de communication (passage de message, agents mobiles, etc.)
• Gestion des horloges, synchronisation et exclusion mutuelle
• Algorithmes classiques : arbre recouvrant, coloration de graphes, élection, nommage…
• Détection de la terminaison
• Tolérance aux pannes
• Sauvegardes et réplication des données

Voir la page complète

• Présentation des différentes architectures parallèles
• Identification des problèmes d’exclusion mutuelle
• Etude de la complexité, loi d’Ahmdal, et des modes de communication
• Etude des algorithmes parallèles classiques et des machines PRAM
• Introduction à l’ordonnancement avec les notions de tâches et d’interdépendances, de partitionnement, d’équilibrage de charge et de répartition des données.

Voir la page complète

Outils mathématiques

• Heuristique
• Optimisation combinatoire
• Ordonnancement
• Modélisation des phénomènes aléatoires
• Programmation par contraintes

Solutions informatiques

• Extraction, transfert et consolidation des données
• Rapports analytiques et prospectifs
• Entrepôts de données
• Aide multicritère à la décision

Voir la page complète