Introduction à la potablisation de l'eau plus théorie de la filtration sur lit de sable

Enseignement des pratiques et normes en environnement de production informatique basé sur les normes : 

- ISO/IEC 20000-1:2018 Technologies de l'information - Gestion des services - Partie 1 Exigences du exigences du système de management des services

- ITIL - Information Technology Infrastructure Library

- ISO/IEC 27001:2013 Technologies de l'information - Techniques de sécurité — Systèmes de management de la sécurité de l’information — Exigences

TEACH English to first years

Contenu du cours d'algorithmique des graphes de la promo ET3 informatique Polytech Paris-Sud

espace dédié aux cours du L3 E3A

Du conte traditionnel aux lumières de la raison : continuité et rupture dans l’émergence et la visée de genres littéraires distincts.

Ce cours s'adresse aux étudiants de L3 se destinant au MEEF1 pour devenir professeur des écoles. Il fait intervenir plusieurs dominantes : narratologie, littérature, grammaire de texte, notions de linguistique.

L'accent est mis sur le genre du conte et sur la littérature de jeunesse ainsi que sur la grammaire de texte et la typologie des discours, la grammaire de phrase ayant été traitée au semestre 5.

Sont également abordés à titre complémentaire différents mouvements littéraires et courants de pensée afin de contribuer à la formation de la personne en vue de la préparation au concours.

Il est souhaitable d'avoir au préalable suivi la formation dispensée lors du semestre 5.

Ce cours présente les méthodes structurelles pour l'interprétation d'images, avec des exemples en imagerie médicale, en télédétection, en vision robotique, en vidéo (modélisation et reconnaissance d'activités, de gestes, d'actions).
Les méthodes à base de connaissances, de modèles, de graphes, d'ontologies spatiales, de grammaires et de fusion l'informations seront étudiées.

Un cours de statistiques en grande dimension peut donc couvrir plusieurs pans des mathématiques dont la théorie de l’approximation, l’optimisation convexe et les probabilités. Dans ce cours, nous étudierons principalement l’aspect algorithmique et probabiliste de cette théorie. La théorie de l’approximation ne sera que très brièvement abordée au travers de l’exemple des images.

Ce cours abordera le paradigme de la statistique en grande dimension principalement autour de trois thématiques :

problème de reconstruction exacte et approchée d’un signal de grande dimension à partir d’un petit nombre de mesures linéaires de ce vecteur sachant qu’il a un petit support;
complétion de matrice / système de recommandation : comment compléter une matrice à partir de l’observation d’un petit nombre de ses entrées sachant que cette matrice est de faible rang;
détection de communauté dans les graphes : trouver les sous-graphes de forte densité dans des ‘grands’ graphes.
Nous abordons donc le problème de la statistique en grande dimension au travers de trois objets/ types de données clefs pour la science des données : les vecteurs de grande dimension mais parcimonieux, les matrices de grande taille mais de faible rang et finalement, les graphes de ‘grande’ taille dont les noeuds sont organisés en communautés.

Le problème de Compressed Sensing sera utilisé comme le principale vecteur pédagogique pour l’apprentissage des trois idées clefs de la statistique en grandes dimensions mentionnés précédemment. On y consacrera donc 8 séances divisées comme suit : 5 séances de cours, 2 séances d’exercices et 1 séances de pratiques informatiques. Puis nous consacrerons les 4 dernières séances aux problèmes de complétion de matrices et de détection de communautés: 1 séance de cours/exercices et 1 séance d’informatique pour chacune des deux thématiques.

D’un point de vue des techniques mathématiques nous mettrons l’accent sur les thématiques suivantes :

concentration de variables aléatoires et calcul de complexité;
méthodes et analyse d’algorithmes en optimisation convexe.
Les séances de travaux pratiques informatiques s’effectueront en Python. On mettra particulièrement l’accent sur les librairies sklearn, cvxopt/cvxpy et networkx.

Prérequis

Pas de prérequis à l’exception des connaissances élémentaires en algèbre des matrices, analyse convexe et probabilités.

Note finale

1 mémoire sous forme de texte ou de notebook python commenté + soutenance par binôme.

Cours le Mercredi matin à Télécom ParisTech, en anglais.
https://perso.telecom-paristech.fr/sabourin/bayes-XT/syllabus.pdf

Voir https://datascience-x-master-paris-saclay.fr/le-master/structure-des-enseignements/

Voir https://datascience-x-master-paris-saclay.fr/le-master/structure-des-enseignements/