- Admission : /en/education/bachelor/computer-science-and-communication-systems/admission/
- Study program : /en/education/bachelor/computer-science-and-communication-systems/study-program/
- Structure of studies : /en/education/bachelor/computer-science-and-communication-systems/structure-of-studies/
- Career perspectives : /en/education/bachelor/computer-science-and-communication-systems/career-perspectives/
- Exchange programs : /en/education/bachelor/computer-science-and-communication-systems/exchange-programs/
- People : /en/education/bachelor/computer-science-and-communication-systems/people/
- Admission : /en/education/bachelor/computer-science-and-communication-systems/admission/
- Study program : /en/education/bachelor/computer-science-and-communication-systems/study-program/
- Structure of studies : /en/education/bachelor/computer-science-and-communication-systems/structure-of-studies/
- Career perspectives : /en/education/bachelor/computer-science-and-communication-systems/career-perspectives/
- Exchange programs : /en/education/bachelor/computer-science-and-communication-systems/exchange-programs/
- People : /en/education/bachelor/computer-science-and-communication-systems/people/
Study program
Module description
BackThis module description is supplemented by the HEIA-FR Directive on module organization for the 2025/2026 academic year.
7 ECTS credits
-
Machine LearningIDB3C-MLML-SSemesterAutumnWeight2
-
Programmation concurrente et cloudIDB3C-PCCL-SSemesterAutumnWeight2
-
Programmation logiqueIDB3C-PLPL-SSemesterAutumnWeight3
Module specifications
Supervisor(s)
Philippe Joye
Module grade calculation method
Note du module = moyenne pondérée des notes des cours
Targeted competences / General learning objectives
- Identifier les cas d'utilisation de techniques de machine learning.
- Comprendre les concepts d'apprentissage à partir des données, d'apprentissage supervisé vs non supervisé, de présentation d'hypothèses.
- Appliquer des méthodes machine learning pour des tâches de clustering, de classification, de prédiction.
- Utiliser des frameworks de machine learning tels que SciKit Learn sur des données concrètes.
- Appliquer des frameworks offerts pas les languages de programmation pour écrire des programmes concurrents.
- Concevoir et mettre en service un système de type distribué (''Microservices'')
- Connaître et savoir utiliser les outils ''state of the art'' de la programmation concurrente et distribuée dans un environment cloud (p. ex. Docker, Microservice, protocoles de communication)
- Programmer avec un langage non-impératif.
- Maîtriser le modèle de programmation logique.
- Maîtriser la programmation (logique) par contraintes.
Remediation options
Pas de remédiation
Remediation options (if repeating the year)
Identique au cas sans répétition
Prerequisites
Avoir réussi les modules "Mathématique IT", "Paradigmes de programmation 2" et "Informatique technique"
Evaluation and validation methods
Chaque cours du module fait l'objet d'un contrôle continu et d'une note finale de cours arrondie au dixième de point.Si le descriptif de cours mentionne un examen de révision, la note finale de cours est la moyenne arithmétique entre la note du contrôle continu et celle de l'examen. Les informations relatives aux cours figurent dans les descriptifs de cours. Le module est réussi lorsque les deux conditions suivantes sont réunies : la moyenne pondérée des notes de cours, arrondie au demi, est d'au moins 4.0 et aucune note de cours n'est inférieure à 3.0. La présence aux cours est obligatoire. Dans un module échoué, la répétition porte sur tous les cours dont la note est inférieure à 4.0.