Programme détaillé par matière

Les étudiant·es ayant suivi l'option "Artificial Intelligence: big data, optimization and algorithms" devront être capables de:     

• Identifier et mettre en oeuvre une classe de méthodes et de techniques permettant à un logiciel de résoudre des problèmes complexes qui, résolus par un être humain, nécessitent de l' "intelligence",
• Comprendre et appliquer à bon escient des méthodes et techniques relevant de l'intelligence artificielle telles que raisonnement automatisé, recherche et heuristiques, acquisition et représentation de connaissances, apprentissage automatique, problèmes de satisfaction de contraintes, traitement de grands volumes de données,
• Identifier des classes d'applications où ces méthodes et outils peuvent être appliqués; appréhender des classes particulières d'applications et leurs techniques spécifiques - par exemple, robotique, vision par ordinateur, planification, fouille de données, traitement de la langue naturelle et de données bioinformatiques,
• Formaliser et structurer des corps de connaissances complexes en utilisant une approche systématique et rigoureuse pour développer des systèmes "intelligents" de qualité.

Les étudiant·es ayant suivi l'option "Software engineering and programming systems" devront être capables de :

• Comprendre et expliquer les problèmes rencontrés dans la conduite de gros projets logiciels, ainsi que l'impact critique du choix de solutions tout au long de leur cycle de vie (dimensions de construction, de validation, de documentation, de communication et de gestion de projet impliquant de grosses équipes ainsi que des coûts et délais à respecter),
• Choisir et appliquer des méthodes et outils d'ingénierie de systèmes logiciels complexes répondant à des critères stricts de qualité: fiabilité, adaptabilité, évolutivité, performance, sécurité, utilisabilité...,
• Modéliser les produits et processus nécessaires à l'obtention de tels systèmes et analyser ces modèles,
• Concevoir et réaliser des programmes d'analyse, de conversion et d'optimisation de représentations informatiques,
• Utiliser à bon escient différents paradigmes et langages de programmation, en particulier en ce qui concerne la programmation fonctionnelle, orientée-objet et concurrente,
• Comprendre les enjeux des différents modèles de programmation concurrente et répartie et utiliser le modèle approprié,
• Définir un nouveau langage (syntaxe et sémantique) approprié à un contexte spécifique.

Les étudiant·es ayant suivi l'option "Networking and security" devront être capables de :

• Comprendre et expliquer les différents dispositifs et protocoles utilisés dans les réseaux informatiques,
• Concevoir, configurer et gérer des réseaux informatiques en prenant en compte les besoins des applications,
• Identifier les grandes classes d'applications réparties et parallèles, les problèmes suscités et les solutions à apporter,
• Réaliser des applications réparties en mettant en oeuvre des moyens et des techniques appropriées,
• Comprendre les caractéristiques des systèmes répartis : parallélisme, synchronisation, communication, modèles de fautes et de menaces,
• Utiliser les techniques, algorithmes et langages appropriés pour concevoir, modéliser et analyser des applications réparties,
• Comprendre et mettre en oeuvre les mécanismes (cryptographie, protocoles...) permettant de sécuriser des réseaux et systèmes répartis.

Les étudiants ayant suivi l'option "Data Science and applied mathematics" devront être capables de :

• Appréhender des domaines de l'ingénierie nécessitant une synergie entre mathématiques appliquées et informatique, tels que l'algorithmique, le calcul scientifique, la modélisation de systèmes informatiques, l'optimisation,  l'apprentissage automatique ou la fouille de données,
• Comprendre et appliquer à bon escient des méthodes et algorithmes relevant de data sciences,
• Identifier et mettre en oeuvre des modèles et des techniques relevant des statistiques, de l'apprentissage automatique et de la fouille de données;
• Appréhender des classes d'applications telles que le traitement de données bruitées, la reconnaissance des formes ou l'extraction automatique d'informations dans de grandes collections de données.