Logo HEPL
Projet Big Data et Machine Learning 1

Informations générales sur l'unité d'enseignement : "Projet Big Data et Machine Learning 1"

Cycle 2
Niveau du cadre francophone de certification 7
Code ARCSYSINF-2-011 2.2.1
Crédits ECTS 10
Volume horaire (h/an) 120
Période Quadrimestre 2
Implantation(s) TECHNIQUE - Liège (Ing.)
Unité Obligatoire
Responsable de la fiche WAGNER, JEAN-MARC
Pondération 100
Composition de l'unité d'enseignement
Intitulé Nombre d'heures Pondération
Big Data 24 20
Exploration des données 24 20
Introduction aux frameworks de Machine Learning 24 20
Traitement du signal 1D et 2D - introduction aux réseaux de neurones 48 40
Prérequis -
Corequis -
  • Contribution au profil d'enseignement

  • Analyser une situation suivant une méthode de recherche scientifique
    • Identifier, traiter et synthétiser les données pertinentes
    • Rechercher les ressources nécessaires
    • Transposer les résultats des concepts à la problématique ou situation traitée
    • Argumenter les choix proposés
    Innover, concevoir ou améliorer un système
    • Concevoir des procédures et des dispositifs
    Gérer les systèmes complexes, les ressources techniques et financières
    • Evaluer les processus et les résultats
    Utiliser des procédures et des outils
    • Exploiter les outils appropriés afin de résoudre une tâche spécifique
    • Effectuer des tests, des contrôles et des mesures
    • Effectuer des paramétrages, des réglages
  • Acquis d'apprentissage spécifiques sanctionnés par l'évaluation

  • Maîtriser les notions de traitement du signal 1D et les applications à la transmission du signal

    Maîtriser les notions et les techniques de base du traitement d'images

    Découvrir les notions de machine learning, maîtriser les concepts de bases et les applications des réseaux de neurones

    Explorer des ensembles de données grande taille pour en extraire les informations utiles à l'analyse et à l'aide à la décision

    En se basant sur les résultats d'exploration et/ou de classification, utiliser les techniques inférentielles et déterminer la structure sous-jacente d'une sous-ensemble de données

    Maitriser les bases d'une librairie de machine learning afin de résoudre des problèmes simples

    Déployer une architecture dédiée aux traitements de type Big data, tant en termes de répartition de charges que d'utilisation de systèmes de données choisis en fonction de la nature de celles-ci.

  • Objectifs

  • Texte trop volumineux pour être consulté
  • Contenus

  • Méthodes d'enseignement et d'apprentissage

  • Cours ex-cathedra
  • Travaux de laboratoires
  • Evaluation

  • Traitement du signal 1D et 2D - introduction aux réseaux de neurones
    • Examen Ecrit
    • Examen Oral
    Introduction aux frameworks de Machine Learning
    • Examen Oral
    Big Data
    • Examen Ecrit
    Exploration des données
    • Examen Ecrit
  • Langue(s) de l'unité d'enseignement

  • Français
  • Supports de cours au format papier

  • Vilvens Claude, "Big data dans l'environnement R Exploration et analyse des données "
    Wagner Jean-Marc, "Introduction aux réseaux de neurones artificiels "
    Vilvens Claude, "Introduction aux techniques de traitement et d'analyse des Big data "
    Vilvens Claude, "Introduction aux techniques d'exploitation et de traitement des Big data "
    Wagner Jean-Marc, "Traitement du signal 1D et 2D "
  • Autres supports de cours

  • Aucun autre support défini