Parcours HPC et Big Data S9

Voir la page complète

Voir la page complète

Enseignement spécifique pour approfondir son anglais scientifique.

Voir la page complète

Voir la page complète

Voir la page complète

Voir la page complète

Voir la page complète

Voir la page complète

Voir la page complète

Projet visant à développer ses compétences en Entrepreneuriat.

Voir la page complète

Voir la page complète

Voir la page complète

Les principes et les concepts du calcul distribué sont décrits ainsi que leur utilisation dans les systèmes distribués.  Après une brève introduction, le modèle standard du calcul distribué basé sur la relation de causalité est présenté. Ensuite, une étude des algorithmes distribués génériques est réalisée : datation, protocoles causaux et atomiques, exclusion mutuelle, consensus, terminaison, instantanés globaux et checkpointing, cohérence de la mémoire, etc.

Quelques exemples de systèmes distribués sont particulièrement mis en avant : les systèmes de fichiers distribués (NFS, AFS), les protocoles de multicast atomiques (Ensemble, Java Groups, etc.), les mémoires distribuées et leurs différentes sémantiques de cohérence, la simulation distribuée (standard HLA), etc.

Des tendances actuelles et/ou des applications plus spécifiques clôturent ce tour d'horizon des fondements de l'informatique distribuée : informatique pair-à-pair, réseaux de capteurs, mobilité, systèmes ambiants, etc.

Voir la page complète

Voir la page complète

• Architecture des supercalculateurs modernes (processeurs multi-coeurs, multiprocesseurs ou noeuds SMP et NUMA, accélérateurs GPU, réseaux d’interconnexion).
• Classification de Flynn.
• Hiérarchie desmémoires caches.
• Principes de localité spatiale et temporelle.
• Programmation parallèle en MPI : communications point a point et collectives, opérations de réduction
  et éventuellement optimisations.
• Introduction à la programmation des GPU

Voir la page complète

Le thème principal du cours est les méthodes d'apprentissage, dont l'apprentissage statistique et les réseaux de neurones profonds, pour le traitement de supports de grande dimension, tels que les images. Selon les options ouvertes, les sujets suivants seront couverts:

 - apprentissage statistique, régression et classification - Modèles linéaires - GAM - Arbres de décision - Méthodes d'agrégation de modèles (Bagging, Random forests, Boosting) -  Machines à support vectoriel

 - Réseaux de neurones et introduction à l’apprentissage profond: définition des réseaux de neurones, fonctions d'activation, perceptron multicouche, algorithmes de rétropropagation, algorithmes d'optimisation, régularisation

  - Réseaux de neurones convolutifs (applications à la classification d'images, détection d'objets), réseaux de neurones récurrents (modélisation de séquences, rétropropagation dans le temps), réseaux de neurones pour le traitement 3D

  - Apprentissage supervisé et non supervisé

  - Mise en œuvre sur des données réelles de grande taille avec des bibliothèques Python et/ou R.

Voir la page complète

- Leçon + travaux pratiques pour chaque partie :

Introduction : apprentissage statistique, régression & classification - Modèles linéaires - GAM - Arbres de décision - Méthodes d'agrégation de modèles (Bagging, Random forests, Boosting) - Machines à vecteurs de support - Réseaux neuronaux & Deep Learning.

Voir la page complète

Voir la page complète

Ce cours commence par des conférences qui présentent des algorithmes parallèles pour résoudre des systèmes linéaires issus d'équations aux dérivées partielles sur des ordinateurs parallèles. Les méthodes de résolution dépendent de la technique de discrétisation utilisée: les approches aux différences finies et aux éléments finis sont considérées. Un accent particulier sera mis sur la solution des problèmes dépendant du temps par une technique implicite, où l'évolutivité pour des calculs massivement parallèles est atteinte en utilisant des techniques appropriées de partitionnement de maillage. Le cours se poursuit par des conférences sur les méthodes directes de résolution pour les systèmes linéaires creux. L'objectif de ces cours est de fournir aux étudiants la théorie de base derrière la factorisation de matrices creuses ainsi que les problèmes liés à la mise en œuvre d'un solveur creux direct  sur des architectures moderne de calcul parallèle. Plus précisément, le message se concentrera sur le coût et l'efficacité des opérations d'algèbre linéaire de base, les problèmes liés à la consommation de mémoire, l'exploitation du parallélisme et de la concurrence ainsi que certains aspects de la stabilité numérique.

Voir la page complète

Voir la page complète

Ce cours présente des notions de base pour l'analyse des
performances et de la scalabilité des algorithmes séquentiels et
parallèles pour le calcul à haute performance. Les arguments
traités sont:
- localité des données dans les mémoires cache: fonctionnement des
  mémoires cache, "roofline model",  "blocking" des algorithmes,
  opérations BLAS de niveau 1, 2 et 3, algorithmes de
  factorisation de matrices par blocs.
- scalabilité des algorithmes parallèles: surtout dans les
  algorithmes parallèles et concept de scalabilité forte et
  faible. Lois de Amdahl et Gustafsson
- algorithmes parallèles pour architectures à mémoire partagée:
  parallélisme par tâche et analyse du chemin critique
- algorithmes parallèles pour architectures à mémoire distribuée:
  modèle de Hockney, communications collectives, modélisation et
  analyse d'algorithmes parallèles d'algèbre linéaire numérique
  (produit et factorisation de matrices denses et creuses)
- analyse de la consommation de mémoire dans des graphes de
  tâches: modèles d'analyse et minimisation de la consommation de
  mémoire dans des algorithmes parallèles exprimés sous forme de
  graphes de tâches

Voir la page complète

Le cours introduit la notion de qubit et de portes logiques quantiques par leur modélisation mathématique. Nous verrons les outils d'algèbres linéaires (espace de Hilbert, produit tensoriel,...) et les notions de physique quantique (principe de superposition, intrication, et interférence quantique) que l'on retrouve dans le calcul quantique. Nous présenterons ensuite quelques algorithmes quantiques (algorithme de Deutsch, algorithme de Deutsh-Jozsa, et algorithme de Grover) qui permettent une accélération exponentielle ou une accélération quadratique par rapport aux meilleur algorithmes classiques possibles. Le cours se termine par un TP où nous implémenterons l’algorithme de Grover sur un simulateur d'ordinateur quantique.

Voir la page complète

Voir la page complète

Le contenu est double, avec un accent sur le domaine préféré de l’étudiant :

- Méthodes de filtrage :

    - Introduction au filtrage: inférence bayésienne; Principes de filtrage et de lissage, filtrage non linéaire; Application au cas linéaire et gaussien: filtre de Kalman.

   - Dynamique d'incertitude pour les équations différentielles ordinaires (EDO) et les équations différentielles stochastiques (EDS): de l'EDP à l'EDO (schémas numériques); Exposant de Lyapunov et système chaotique; processus stochastiques; processus de Markov discrets / continus; Dualité dynamique observable / mesure

   - Filtrage stochastique: filtre à particules; Filtre Kalman d’ensemble; Lissage stochastique

Voir la page complète

Le cours rappelle les bases de l'assimilation de données pour les systèmes dynamiques de dimension finie, basées sur le formalisme bayésien afin d'introduire le filtrage non-linéaire et son implémentation particulaire. Le filtre de Kalman est présenté comme une solution particulière, et il est comparé au filtre particulaire en considérant l'interprétation géométrique de la malédiction de la dimensionnalité. La connexion entre l'AD bayésienne et le réseau récurrent sera présentée.

Voir la page complète

L'étape de prévision pour les processus de Markov est décrite dans les cadres déterministe et stochastique en suivant une approche similaire : la dynamique de l'incertitude est déduite du semi-groupe agissant sur les fonctions observables, ce qui conduit à l'équation de Liouville (déterministe) ou de Fokker-Planck (stochastique) par dualité. La prédiction d'ensemble est ensuite introduite et justifiée à partir de l'interprétation faible de la dynamique de l'incertitude. Le calcul d'Itô est d'abord introduit à partir d'expériences numériques (fomule d'Itô, intégration d'une équation différentielle stochastique, convergence faible/fort des schémas numériques) et du chemin intégral menant à la limite continue de la fonction de coût discrète 4DVar. Les intégrales de Stratonovitch et d'Itô sont comparées pour leur utilisation dans la modélisation stochastique d'un bruit multiplicatif corrélé/décorrélé ponctuel. Un système de dimension infinie sera considéré dans le cas déterministe.

Voir la page complète

Voir la page complète

Voir la page complète

Voir la page complète

Voir la page complète

Voir la page complète

Voir la page complète

Voir la page complète

Voir la page complète

Voir la page complète

Voir la page complète

Chaque partie est composée de 2 ou 3 cours avec des classes inversées, suivis de 4 à 5 travaux pratiques (matlab).  Chaque classe inversée est notée. Chaque séquence de TP est un seul sujet qui peut être assimilé à un mini projet dont la compréhension est évaluée sous forme de questionnaire et/ou de démonstration. Plus précisément, la première séquence de travaux pratiques permettra la mise en oeuvre d'une approche de segmentation basée super pixels et la seconde séquence consistera à réaliser une chaîne de traitement pour construire un panorama à partir d'un ensemble d'images.

Voir la page complète

Contenu du cours :

• Histoire de la photographie
• Caractéristiques des objectifs photographiques
• Capteurs argentiques et capteurs numériques
• Profondeur de champ et angle de champ
• Aberrations des objectifs photographiques
• Utilisation de la photographie comme outil de mesure

Voir la page complète

C1) Présentation générale de l’adoption du cloud dans les entreprises avec un rapide historique sur les technologies et les stratégies.

TP1) Définition d’une architecture cloud et coûts associés

C2) Pourquoi adopter ou migrer vers le cloud ? Quels enjeux stratégiques, économiques et techniques ? Quelles sont les contraintes légales à prendre en compte ? Comment construire une stratégie Move to cloud ?

TP2) Formalisation d’un cadrage et d’une stratégie move to cloud C3) Les approches Micro-services dans les entreprises. L’infrastructure as code comme accélérateur, support à l’industrialisation et pilier d’une stratégie multi-cloud.

TP3) Utilisation de Gitops et Terraform pour déployer un service cloud #1

C4) Retours d’expérience autour de 2 projets : Stratégie de déploiement mondiale d’une application de reconnaissance client pour un acteur du luxe, Mise en place d’une plateforme Européenne d’aide à la prise de décision pour les agriculteurs 

TP4) Utilisation de Gitops et Terraform pour déployer un service cloud #2

C5) Les enjeux de la souveraineté et des Cloud de confiance.

TP5) Création d’un service se basant sur des sources de données ouvertes (TP noté)

Voir la page complète

• Introduction aux impacts environnementaux et sociétaux du numérique – leviers d’action – zoom sur les centres de données.
• Analyse Cycle de Vie
• Sustainable AI
• Éthique du numérique et IA
• Eco-socio-conception des services numériques 
• UXUI et accessibilité 
• De plus, les étudiants doivent suivre le MOOC de l'INRIA "Impacts environnementaux du numérique" (https://www.fun-mooc.fr/fr/cours/impacts-environnementaux-du-numerique/).

Voir la page complète