Établissement
INP - ENSEEIHT
Liste des enseignements
Au choix : 1 parmi 6
Choix UE Parc. IBDIOT Impact Entrepreneurship
Au choix : 3 parmi 5
RESEAUX POUR IOT
5INFRASTRUCTURE BIG DATA/IA
5RESEAUX D'OPERATEURS
5SERVICES D'INFRASTRUCTURE
5UE A CHOIX SELON FINALITE
5Au choix : 1 à 2 parmi 12
Complex Graph Networks
Cybersecurity : introduction and practice
Infrastructure for cloud, big data and machine learning
Infrastructure for BigData
Projet USRP par SILICOM
Data analysis 2 and classification
Introduction à la Mécanique quantique pour le calcul
Introduction to Reinforcement Learning
Image et Vision
Photographie numérique
Cloud Strategy
Numérique responsable
Choix UE Parc. SEMBIOT Parc. IMpact Entrepreneurship
Au choix : 3 parmi 5
SYSTEMES TEMPS REELS (STR)
5RESEAUX EMBARQUES (REM)
5IoT INDUSTRIEL USINE DU FUTUR (IIOT)
5UE A CHOIX SELON FINALITE
5Au choix : 1 à 2 parmi 12
Complex Graph Networks
Cybersecurity : introduction and practice
Infrastructure for cloud, big data and machine learning
Infrastructure for BigData
Projet USRP par SILICOM
Data analysis 2 and classification
Introduction à la Mécanique quantique pour le calcul
Introduction to Reinforcement Learning
Image et Vision
Photographie numérique
Cloud Strategy
Numérique responsable
VALIDATION DES SYSTEMES
5
Choix UE Parc. TSFOC Impact Entrepreneurship
Au choix : 3 parmi 5
TECOMMUNICATIONS AVANCEES
5TERRESTRIAL COMMUNICATION SYSTEMS AND IOT
5COMMUNICATIONS SPACIALES ET AERONAUTIQUES
5RESEAUX MOBILES
5UE A CHOIX SELON FINALITE
5Au choix : 1 à 2 parmi 12
Complex Graph Networks
Cybersecurity : introduction and practice
Infrastructure for cloud, big data and machine learning
Infrastructure for BigData
Projet USRP par SILICOM
Data analysis 2 and classification
Introduction à la Mécanique quantique pour le calcul
Introduction to Reinforcement Learning
Image et Vision
Photographie numérique
Cloud Strategy
Numérique responsable
Choix UE Parc. IMM Impact Entrepreneurship
Au choix : 3 parmi 5
INTELLIGENCE ARTIFICIELLE ET MULTIMEDIA
515hCOMPRESSION STREAMING INTERACTION
5VISION, REALITE AUGMENTEE ET APPLICATIONS
5PROBLEMES INVERSES POUR LE 3D
5UE A CHOIX SELON FINALITE
5Au choix : 1 à 2 parmi 12
Complex Graph Networks
Cybersecurity : introduction and practice
Infrastructure for cloud, big data and machine learning
Infrastructure for BigData
Projet USRP par SILICOM
Data analysis 2 and classification
Introduction à la Mécanique quantique pour le calcul
Introduction to Reinforcement Learning
Image et Vision
Photographie numérique
Cloud Strategy
Numérique responsable
Choix UE Parc. SYL Parc. Impact Entrepreneurship
Au choix : 3 parmi 5
SYSTEMES TEMPS REELS (STR)
5SYSTEMES REPARTIS ET SECURITE
5RAFFINEMENT ET METHODES FORMELLES
5INTERFACE D'ACCES A L'INFORMATION
5UE A CHOIX SELON FINALITE
5Au choix : 1 à 2 parmi 12
Complex Graph Networks
Cybersecurity : introduction and practice
Infrastructure for cloud, big data and machine learning
Infrastructure for BigData
Projet USRP par SILICOM
Data analysis 2 and classification
Introduction à la Mécanique quantique pour le calcul
Introduction to Reinforcement Learning
Image et Vision
Photographie numérique
Cloud Strategy
Numérique responsable
Choix UE Parc.HPC Parc. Impact Entrepreneurship
Au choix : 3 parmi 5
SYSTEMES REPARTIS ET SECURITE
5ADVANCED STATISTICAL MACHINE LEARNING
5HIGH PERFORMANCE SCIENTIFIC COMPUTING
5INVERSE PROBLEMS
5UE A CHOIX SELON FINALITE
5Au choix : 1 à 2 parmi 12
Complex Graph Networks
Cybersecurity : introduction and practice
Infrastructure for cloud, big data and machine learning
Infrastructure for BigData
Projet USRP par SILICOM
Data analysis 2 and classification
Introduction à la Mécanique quantique pour le calcul
Introduction to Reinforcement Learning
Image et Vision
Photographie numérique
Cloud Strategy
Numérique responsable
Choix UE Parc. IBDIOT Impact Entrepreneurship
Établissement
INP - ENSEEIHT
RESEAUX POUR IOT
ECTS
5
Établissement
INP - ENSEEIHT
IoT Cellular architectures
Établissement
INP - ENSEEIHT
WPAN/LPWAN IoT Archi.
Établissement
INP - ENSEEIHT
IoT Interconnection
Établissement
INP - ENSEEIHT
INFRASTRUCTURE BIG DATA/IA
ECTS
5
Établissement
INP - ENSEEIHT
Infrastructure Cloud
Établissement
INP - ENSEEIHT
Infrastructure Big data
Établissement
INP - ENSEEIHT
Projet Infrastructure
Établissement
INP - ENSEEIHT
RESEAUX D'OPERATEURS
ECTS
5
Établissement
INP - ENSEEIHT
Réseaux métropolitains
Établissement
INP - ENSEEIHT
Edge Computing&Networking
Établissement
INP - ENSEEIHT
SERVICES D'INFRASTRUCTURE
ECTS
5
Établissement
INP - ENSEEIHT
Cloud networking
Établissement
INP - ENSEEIHT
Volume horaire
9h
Chap1 Context-
Data Center history: data and storage networks-from centralised to cloud networking Virtualisation principle of containers versus virtual machine-levels of virtual communications-specificities of L 2 virtual communications MAC addressing and extended VLAN segmentation L3 virtual communications addressing, IP floating .
Chap2 Data Center Architecture
DC Network. Network element architecture- Isolated processes: routing and switching- Integrated processes: flow switching- Separated processes : hardware design with multistage Fabric and software design with SDN concept
Performance of communication aArchitecture-Limitations- Congestion management principles- Traffic management principles
Chap3 Data center Communication
Topology types: big switch, clos network fat tree- Routing and topology-Problems and new solutions for DC-Hierarchical L2Routing with Pod and pseudo addresses- L3 routing on pseudo IP addresses
Infrastructure Standardisation TIA942 standard elements-Redundancy and reliability levels-Rated (tiers) DC --Data Center Bridging standards- Enhanced Ethernet flow control and congestion management. PFC,ETS,CN,DCBX
Chap4 Load sharing
Principles of load sharing: Load sharing objective, levels and processes: discovery, distribution, type of distribution: traffic independent, traffic dependant, load dependant
Path load sharing: Bridging sharing, STP, Trill SPB Packet; Routing sharing- ECMP, Flow routing sharing : MPLS-TE and Segment routing
Chap5 Reliability
Principles : Failure characteristics, fault handling strategies, protection and restoration
Failure recovery for routed network: recovery methods in MPLS-TE, recovery cycles, local versus global strategies, bandwidth sharing versus protection ; Fast reroute Mechanism – overview , types of protection; detour and bypass illustration, signalling
Failure recovery for bridged networks: EPRS
SDN et Virtualisation
Établissement
INP - ENSEEIHT
Volume horaire
4h
1.Communication virtualisée:
- Virtualisation Ethernet de niveau2 : services et terminologie IETF,MEF- Methodes de virtualisation IEEE : tunnel VLAN ( q in Q), tunnel par adresse MAC (MAC in MAC)- Exemples de fonctionnement
- Virtualisation Ethernet ovelay de niveau4 : VxLAN, architecture- fonctionnement-utilisation du multicast-
- Pontage virtuel de bordure – Virtual Ethernet Bridging (VEB) : modélisation d’architecture IEEE- Fonctionnement et contenu de la table VEB- VEPA Virtual Ethernet Port Aggregator- Exemple de fonctionnement-Canal de service et S-TAG- Protocoles de découvertes EDCP/VDP-
- Configuration en environnement virtualisé bas niveau (vmware,kvm) : bridge,nat, Lansegment, host only, VxLAN) et haut niveau - Openstack- les composants – exemples de configuration
2 Reseau Logiciel SDN
- Architecture SDN standardisée : principe et intérêt du contrôle centralisé- Activités de standardisation et organisations-Composants de l’architecture SDN standardisée ONF
- Approche par fonction virtuelle : intérêt et exemple du découpage fonctionnel - Architecture NFV standardisée ETSI- Modèle fonctions graphe et services
- Modélisation par plan de service : modélisation statique versus dynamique- Architecture de service IETF- Routage NSH
Distibution des contenus
Établissement
INP - ENSEEIHT
UE A CHOIX SELON FINALITE
ECTS
5
Établissement
INP - ENSEEIHT
Complex Graph Networks
Établissement
INP - ENSEEIHT
Cybersecurity : introduction and practice
Établissement
INP - ENSEEIHT
Infrastructure for cloud, big data and machine learning
Établissement
INP - ENSEEIHT
Infrastructure for BigData
Établissement
INP - ENSEEIHT
Période de l'année
Automne
Projet USRP par SILICOM
Établissement
INP - ENSEEIHT
Data analysis 2 and classification
Établissement
INP - ENSEEIHT
Introduction à la Mécanique quantique pour le calcul
Établissement
INP - ENSEEIHT
Introduction to Reinforcement Learning
Établissement
INP - ENSEEIHT
Image et Vision
Établissement
INP - ENSEEIHT
Ce cours a pour but de présenter les principaux outils en analyse automatique des images. Plus précisément, cette matière est divisée en 2 parties :
1) Apprendre à connaître et à manipuler des outils d'analyse d'images comme la détection de contours ou la segmentation d'images. Cela correspond à 2 CM + 5 TPs.
2) Découvrir les éléments essentiels pour le suivi d'éléments dans des images : calibrage, détection de primitives d'intérêt et appariement. Cela correspond à 3 CM + 4 TPs
Photographie numérique
Établissement
INP - ENSEEIHT
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
Cloud Strategy
Établissement
INP - ENSEEIHT
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)
Numérique responsable
Établissement
INP - ENSEEIHT
Introduction au numérique responsable qui sensibilise aux principaux impacts environnementaux et sociétaux du numérique, à la manière de les mesurer, et qui présente les moyens d’actions permettant de les réduire.
Choix UE Parc. SEMBIOT Parc. IMpact Entrepreneurship
Établissement
INP - ENSEEIHT
SYSTEMES TEMPS REELS (STR)
ECTS
5
Établissement
INP - ENSEEIHT
Systèmes et Ordonnancement Temps Réel
Établissement
INP - ENSEEIHT
Période de l'année
Automne
Langage pour le Temps Réel
Établissement
INP - ENSEEIHT
Période de l'année
Automne
Projet IoT Arduino
Établissement
INP - ENSEEIHT
Période de l'année
Automne
RESEAUX EMBARQUES (REM)
ECTS
5
Établissement
INP - ENSEEIHT
Bus de terrain
Établissement
INP - ENSEEIHT
Période de l'année
Automne
Ethernet Temps Réel
Établissement
INP - ENSEEIHT
Période de l'année
Automne
Déploiement Réseaux Temps Réel
Établissement
INP - ENSEEIHT
Période de l'année
Automne
IoT INDUSTRIEL USINE DU FUTUR (IIOT)
ECTS
5
Établissement
INP - ENSEEIHT
L'Unité d’Enseignement (UE) « IoT Industriel et Usine du futur » a pour objet d’illustrer, sur des applications concrètes du domaine de l’Usine du futur, les acquis des trois autres UE du parcours Systèmes Embarqués et IoT Critique.
Domaine d'Application de l'IoT Critique
Établissement
INP - ENSEEIHT
Cet enseignement fait partie de l’Unité d’Enseignement (UE) « IoT Industriel et Usine du futur » qui a pour objet d’illustrer sur des applications concrètes du domaine de l’Usine du futur les acquis des trois autres UE du parcours SEmbIIoT.
Ce cours décrit plusieurs applications de l’Internet des Objects Critique (IoT Critique). Ces applications sont soumises à des contraintes fortes en terme de déterminisme et réactivité. Différents cas d’application des domaines des transports, de la santé et de l’industrie sont étudiés en cours. Une mise en application en projet est proposée qui demande le développement d’une application mobile de collecte de données critiques.
Usine du Futur
Établissement
INP - ENSEEIHT
Période de l'année
Automne
Cet enseignement fait partie de l’Unité d’Enseignement (UE) « IoT Industriel et Usine du futur » qui a pour objet d’illustrer sur des applications concrètes du domaine de l’Usine du futur les acquis des trois autres UE du parcours SEmbIIoT.
Le cours Usine du futur est un projet dont le principal objectif est d’illustrer les problématiques liées au déploiement d'une flotte de drones mobiles dans le contexte d’une usine du futur. Les problématiques étudiées sont celles de la localisation des drones, de leur contrôle et de la gestion de leurs interactions avec l’environnement de déploiement.
Les contraintes du contexte industriel que sont le déterminisme, la précision de la localisation et la fiabilité de la navigation sont abordées dans le cadre d’un projet. Ce projet a pour sujet un jeu sérieux qui propose aux apprenants de travailler à une application de « Mario Kart in real life ». Les apprenants doivent, en groupe de 3 ou 4, déterminer les principales fonctions nécessaires au développement d’une application mobile multi-joueurs. Suite à cela, une première version Android d'une application mobile leur est fournie (code + documentation technique), qui guide des mini-drones roulants équipés de caméras. Les principales fonctions développées doivent être identifiées et testées. Le rendu final consiste en l’ajout d'une nouvelle fonctionnalité dans le jeu. Cette mise en situation professionnalisante permet aux apprenants de se placer dans le contexte de la reprise d’un projet existant et de son amélioration.
Protocoles Sans Fil pour IoT Industriel
Établissement
INP - ENSEEIHT
Cet enseignement fait partie de l’Unité d’Enseignement (UE) « IoT Industriel et Usine du futur » qui a pour objet d’illustrer sur des applications concrètes du domaine de l’Usine du futur les acquis des trois autres UE du parcours SEmbIIoT.
Ce cours introduit l'empilement protocolaire de 6TiSCH qui a pour objectif de proposer une solution réseau pour des capteurs sans-fil déployés dans le contexte industriel de l'IoT critique. L’objectif de cette technologie est d’améliorer le déterminisme (temps de transmission d’un message borné) et la fiabilité (minimisation du taux de perte de trames).
L'empilement protocolaire de la solution 6TiSCH permet aux capteurs d'être interrogés à distance via un protocole de routage IPv6. Ce cours introduit le contexte de 6TiSCH, et fait un focus sur la couche MAC qui se nomme TSCH et le protocole de routage RPL. Ces solutions est étudiées en cours et expérimentées en TP sur des capteurs programmables.
Synchronisation pour l'IoT Industriel
Établissement
INP - ENSEEIHT
Cet enseignement fait partie de l’Unité d’Enseignement (UE) « IoT Industriel et Usine du futur » qui a pour objet d’illustrer sur des applications concrètes du domaine de l’Usine du futur les acquis des trois autres UE du parcours SEmbIIoT.
Ce cours présente le problème de la synchronisation d'équipements embarqués par un réseau informatique. Cette problématique est particulièrement importante dans le contexte des réseaux industriels car les équipements peuvent avoir besoin d'une horloge commune pour cadenser leurs traitements. De plus, les réseaux embarqués industriels ont besoin d'un mode de fonctionnement déterministe, qui se base sur une couche protocolaire MAC de type TDMA. Cet accès au médium pré-suppose la présence d'un protocole de synchronisation réseau.
Après une introduction à la problématique de la synchronisation par le réseau, la spécificité de la synchronisation des réseaux sans-fil est détaillée.
Le cours traite de deux types de besoins et des solutions associées :
- La synchronisation avec une précision supérieure à la micro-seconde
- La synchronisation fine avec une précision inférieure à la micro-seconde.
Des travaux pratiques permettent aux étudiants de programmer une solution de synchronisation sur des capteurs équipés d'une interface UWB.
UE A CHOIX SELON FINALITE
ECTS
5
Établissement
INP - ENSEEIHT
Complex Graph Networks
Établissement
INP - ENSEEIHT
Cybersecurity : introduction and practice
Établissement
INP - ENSEEIHT
Infrastructure for cloud, big data and machine learning
Établissement
INP - ENSEEIHT
Infrastructure for BigData
Établissement
INP - ENSEEIHT
Période de l'année
Automne
Projet USRP par SILICOM
Établissement
INP - ENSEEIHT
Data analysis 2 and classification
Établissement
INP - ENSEEIHT
Introduction à la Mécanique quantique pour le calcul
Établissement
INP - ENSEEIHT
Introduction to Reinforcement Learning
Établissement
INP - ENSEEIHT
Image et Vision
Établissement
INP - ENSEEIHT
Ce cours a pour but de présenter les principaux outils en analyse automatique des images. Plus précisément, cette matière est divisée en 2 parties :
1) Apprendre à connaître et à manipuler des outils d'analyse d'images comme la détection de contours ou la segmentation d'images. Cela correspond à 2 CM + 5 TPs.
2) Découvrir les éléments essentiels pour le suivi d'éléments dans des images : calibrage, détection de primitives d'intérêt et appariement. Cela correspond à 3 CM + 4 TPs
Photographie numérique
Établissement
INP - ENSEEIHT
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
Cloud Strategy
Établissement
INP - ENSEEIHT
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)
Numérique responsable
Établissement
INP - ENSEEIHT
Introduction au numérique responsable qui sensibilise aux principaux impacts environnementaux et sociétaux du numérique, à la manière de les mesurer, et qui présente les moyens d’actions permettant de les réduire.
VALIDATION DES SYSTEMES
ECTS
5
Établissement
INP - ENSEEIHT
Sureté de fonctionnement
Établissement
INP - ENSEEIHT
Langages de spécialisation de systèmes
Établissement
INP - ENSEEIHT
Technique de validation
Établissement
INP - ENSEEIHT
Bus tolérants aux pannes
Établissement
INP - ENSEEIHT
Choix UE Parc. TSFOC Impact Entrepreneurship
Établissement
INP - ENSEEIHT
TECOMMUNICATIONS AVANCEES
ECTS
5
Établissement
INP - ENSEEIHT
Communications multi-antennes et multi-utilisateurs
Établissement
INP - ENSEEIHT
Période de l'année
Automne
Bancs de filtres et OFDM Avancés
Établissement
INP - ENSEEIHT
Codage moderne et détection avancée
Établissement
INP - ENSEEIHT
Communications multi-antennes et multi-utilisateurs
Établissement
INP - ENSEEIHT
Période de l'année
Automne
Bancs de filtres et OFDM Avancés
Établissement
INP - ENSEEIHT
Codage moderne et détection avancée
Établissement
INP - ENSEEIHT
TERRESTRIAL COMMUNICATION SYSTEMS AND IOT
ECTS
5
Établissement
INP - ENSEEIHT
Techniques d'accès et comm. coopératives
Établissement
INP - ENSEEIHT
Physical layer security
Établissement
INP - ENSEEIHT
Sécurité pour les systèmes mobiles
Établissement
INP - ENSEEIHT
Techniques d'accès et comm. coopératives
Établissement
INP - ENSEEIHT
Physical layer security
Établissement
INP - ENSEEIHT
COMMUNICATIONS SPACIALES ET AERONAUTIQUES
ECTS
5
Établissement
INP - ENSEEIHT
Systèmes Satellites
Établissement
INP - ENSEEIHT
Multimédia et mobile par satellites
Établissement
INP - ENSEEIHT
Navigation et Localisation par Satellite
Établissement
INP - ENSEEIHT
Systèmes Satellites
Établissement
INP - ENSEEIHT
Multimédia et mobile par satellites
Établissement
INP - ENSEEIHT
Navigation et Localisation par Satellite
Établissement
INP - ENSEEIHT
RESEAUX MOBILES
ECTS
5
Établissement
INP - ENSEEIHT
Architecture télécom mobiles
Établissement
INP - ENSEEIHT
Architecture télécom mobiles
Établissement
INP - ENSEEIHT
UE A CHOIX SELON FINALITE
ECTS
5
Établissement
INP - ENSEEIHT
Complex Graph Networks
Établissement
INP - ENSEEIHT
Cybersecurity : introduction and practice
Établissement
INP - ENSEEIHT
Infrastructure for cloud, big data and machine learning
Établissement
INP - ENSEEIHT
Infrastructure for BigData
Établissement
INP - ENSEEIHT
Période de l'année
Automne
Projet USRP par SILICOM
Établissement
INP - ENSEEIHT
Data analysis 2 and classification
Établissement
INP - ENSEEIHT
Introduction à la Mécanique quantique pour le calcul
Établissement
INP - ENSEEIHT
Introduction to Reinforcement Learning
Établissement
INP - ENSEEIHT
Image et Vision
Établissement
INP - ENSEEIHT
Ce cours a pour but de présenter les principaux outils en analyse automatique des images. Plus précisément, cette matière est divisée en 2 parties :
1) Apprendre à connaître et à manipuler des outils d'analyse d'images comme la détection de contours ou la segmentation d'images. Cela correspond à 2 CM + 5 TPs.
2) Découvrir les éléments essentiels pour le suivi d'éléments dans des images : calibrage, détection de primitives d'intérêt et appariement. Cela correspond à 3 CM + 4 TPs
Photographie numérique
Établissement
INP - ENSEEIHT
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
Cloud Strategy
Établissement
INP - ENSEEIHT
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)
Numérique responsable
Établissement
INP - ENSEEIHT
Introduction au numérique responsable qui sensibilise aux principaux impacts environnementaux et sociétaux du numérique, à la manière de les mesurer, et qui présente les moyens d’actions permettant de les réduire.
Choix UE Parc. IMM Impact Entrepreneurship
Établissement
INP - ENSEEIHT
INTELLIGENCE ARTIFICIELLE ET MULTIMEDIA
ECTS
5
Établissement
INP - ENSEEIHT
Volume horaire
15h
Après une introduction aux réseaux de neurones (2 Cours, 2 TP), différentes architectures neuronales sont présentées : réseaux convolutifs (3 Cours, 4 TP), réseaux récurrents (2 Cours, 3 TP), Autoencodeurs (1 Cours, 1 TP) et GANs (1 Cours, 1 TP) avec des applications essentiellement en traitement d'image et du langage natural. Les données audio/vidéo (1 Cours, 1 TP) et 3D (1 Cours, 1TP) et leur traitement par apprentissage profond sont également traitées.
Apprentisage faiblement supervisé, RNN
Établissement
INP - ENSEEIHT
Ce cours se décompose en deux sous-parties ; une première qui traitera des réseaux de neurones récurrents pour le traitement des données séquentielles, ainsi que d’une introduction aux architectures de Transformers. Une seconde, indépendante, qui présentera des avancées récentes en apprentissage faiblement supervisé : apprentissage auto-supervisé (autoencodeurs, méthodes contrastives), apprentissage semi-supervisé, ou encore méthodes génératives.
Projet d'apprentissage faiblement surpervisé
Établissement
INP - ENSEEIHT
COMPRESSION STREAMING INTERACTION
ECTS
5
Établissement
INP - ENSEEIHT
Audionumérique
Établissement
INP - ENSEEIHT
- Initiation au signal de parole, description de la production et perception humaine de la parole. Manipulation en TP.
- Acquisition du signal audio par l’ordinateur
- Paramétrisations du signal de parole (MFCC, PLP). Mise en pratique en TP.
- Modélisations du signal de parole (HMM, GMM, DNN). Mise en place d’une application de reconnaissance de mots clefs en TP (DNN).
Compression, Streaming, Vidéo
Établissement
INP - ENSEEIHT
La matière présente tout d’abord les contraintes liées aux stockage et streaming de vidéos alors que les différents acteurs commerciaux de divertissement culturels et sportifs se multiplient et que de plus en plus de monde regarde des programmes via internet.Dans ces conditions, il est possible de quantifier une quantité d’information minimale pour un signal vidéo à transmettre afin que ce dernier
puissent être reçu sans trop d’altérations. Différents algorithmes de compression permettent de réduire cette quantité d’information,en commençant par ceux de la compression d’image tels que JPEGet JEPG2000qui se basent sur la redondances des informations entre pixels voisins. Ces algorithmes comprennent les étapes classiques de transformées et de quantification entre autres.Le
passage à la vidéo entraîne une redondance temporelle qui peut également servir la compression par
le biais de la compensation de mouvement entre images voisines, comme c’est le cas de la compression
MPEG. Au préalable, les différentes méthodes d’estimations de mouvements entre images sont
présentées afin de réaliser la compensation de mouvement.
Modelisation Compression Interaction 3D
Établissement
INP - ENSEEIHT
The part on 3D representations is a suite of 5CTD. For each course, a 45mn lecture presenting a 3D model is proposed, then, each group presents a research paper which proposes a 3D model of the studied type.
Lecture 1: discrete surface models
Lecture 2: discrete volume models
Lecture 3: subdivision models
Lecture 4: parametric representations
Lecture 5: implicit representations
TP / Project: a context of transmission of a file and its progressive decoding
Each group chooses, studies and implements an article that proposes a progressive representation of a 3D model and implements this model to progressively transmit 3D objects in the proposed context.
VISION, REALITE AUGMENTEE ET APPLICATIONS
ECTS
5
Établissement
INP - ENSEEIHT
Vision par ordinateur
Établissement
INP - ENSEEIHT
Cette partie se compose de 2 cours de classe renversée afin de permettre à l'apprenant d'être plus actif dans ses apprentissages. Ensuite, 4 travaux pratiques viennent illustrer les notions de détection et appariement abordées en cours afin de construire une mosaïque d'images. Cette matière sera évaluée via un questionnaire de cours en ligne et un examen sur feuille ainsi qu'une note de travaux pratiques. Ceci permet une évaluation continue des acquis.
Projet transversal
Établissement
INP - ENSEEIHT
Cette matière permet d'aborder une application spécifique afin de confronter les éléments étudiés en cours et travaux pratiques à une application concrète, et d'approfondir les apprentissages liés à ces différents concepts. Ce projet, réalisé en groupe, sera évalué sous la forme de compte-rendu, présentation, rapport et évaluations par les pairs. Il y aura également une évaluation en ligne individuelle.
PROBLEMES INVERSES POUR LE 3D
ECTS
5
Établissement
INP - ENSEEIHT
Problèmes inverses pour la 3D
Établissement
INP - ENSEEIHT
Cette UE s'articule autour de 3 parties :
PARTIE 1: GÉOMÉTRIE : Généralités sur la photographie, 3D comme probleme inverse. Introduction à Meshroom, Structure-From-Motion, rappel d'outils d'optimisation, Ajustement de faisceau pour le SfM
PARTIE 2: Shape-From-Shading : Conférence sur la lumière, Photométrie, BRDF, représentation de l'éclairage, problèmes inverses sous-jacents, Fast marching, capteurs de profondeur
PARTIE 3: Stéréophotométrie
UE A CHOIX SELON FINALITE
ECTS
5
Établissement
INP - ENSEEIHT
Complex Graph Networks
Établissement
INP - ENSEEIHT
Cybersecurity : introduction and practice
Établissement
INP - ENSEEIHT
Infrastructure for cloud, big data and machine learning
Établissement
INP - ENSEEIHT
Infrastructure for BigData
Établissement
INP - ENSEEIHT
Période de l'année
Automne
Projet USRP par SILICOM
Établissement
INP - ENSEEIHT
Data analysis 2 and classification
Établissement
INP - ENSEEIHT
Introduction à la Mécanique quantique pour le calcul
Établissement
INP - ENSEEIHT
Introduction to Reinforcement Learning
Établissement
INP - ENSEEIHT
Image et Vision
Établissement
INP - ENSEEIHT
Ce cours a pour but de présenter les principaux outils en analyse automatique des images. Plus précisément, cette matière est divisée en 2 parties :
1) Apprendre à connaître et à manipuler des outils d'analyse d'images comme la détection de contours ou la segmentation d'images. Cela correspond à 2 CM + 5 TPs.
2) Découvrir les éléments essentiels pour le suivi d'éléments dans des images : calibrage, détection de primitives d'intérêt et appariement. Cela correspond à 3 CM + 4 TPs
Photographie numérique
Établissement
INP - ENSEEIHT
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
Cloud Strategy
Établissement
INP - ENSEEIHT
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)
Numérique responsable
Établissement
INP - ENSEEIHT
Introduction au numérique responsable qui sensibilise aux principaux impacts environnementaux et sociétaux du numérique, à la manière de les mesurer, et qui présente les moyens d’actions permettant de les réduire.
Choix UE Parc. SYL Parc. Impact Entrepreneurship
Établissement
INP - ENSEEIHT
SYSTEMES TEMPS REELS (STR)
ECTS
5
Établissement
INP - ENSEEIHT
Systèmes et Ordonnancement Temps Réel
Établissement
INP - ENSEEIHT
Période de l'année
Automne
Langage pour le Temps Réel
Établissement
INP - ENSEEIHT
Période de l'année
Automne
Projet IoT Arduino
Établissement
INP - ENSEEIHT
Période de l'année
Automne
SYSTEMES REPARTIS ET SECURITE
ECTS
5
Établissement
INP - ENSEEIHT
Syst.èmes et algorithmes répartis
Établissement
INP - ENSEEIHT
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.
Sécurité et informatique légale
Établissement
INP - ENSEEIHT
Calcul Parallèle
Établissement
INP - ENSEEIHT
- 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
RAFFINEMENT ET METHODES FORMELLES
ECTS
5
Établissement
INP - ENSEEIHT
Spécifications formelles
Établissement
INP - ENSEEIHT
Développement formel des Systèmes
Établissement
INP - ENSEEIHT
INTERFACE D'ACCES A L'INFORMATION
ECTS
5
Établissement
INP - ENSEEIHT
Recherche d'information
Établissement
INP - ENSEEIHT
Sureté de fonctionnement
Établissement
INP - ENSEEIHT
UE A CHOIX SELON FINALITE
ECTS
5
Établissement
INP - ENSEEIHT
Complex Graph Networks
Établissement
INP - ENSEEIHT
Cybersecurity : introduction and practice
Établissement
INP - ENSEEIHT
Infrastructure for cloud, big data and machine learning
Établissement
INP - ENSEEIHT
Infrastructure for BigData
Établissement
INP - ENSEEIHT
Période de l'année
Automne
Projet USRP par SILICOM
Établissement
INP - ENSEEIHT
Data analysis 2 and classification
Établissement
INP - ENSEEIHT
Introduction à la Mécanique quantique pour le calcul
Établissement
INP - ENSEEIHT
Introduction to Reinforcement Learning
Établissement
INP - ENSEEIHT
Image et Vision
Établissement
INP - ENSEEIHT
Ce cours a pour but de présenter les principaux outils en analyse automatique des images. Plus précisément, cette matière est divisée en 2 parties :
1) Apprendre à connaître et à manipuler des outils d'analyse d'images comme la détection de contours ou la segmentation d'images. Cela correspond à 2 CM + 5 TPs.
2) Découvrir les éléments essentiels pour le suivi d'éléments dans des images : calibrage, détection de primitives d'intérêt et appariement. Cela correspond à 3 CM + 4 TPs
Photographie numérique
Établissement
INP - ENSEEIHT
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
Cloud Strategy
Établissement
INP - ENSEEIHT
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)
Numérique responsable
Établissement
INP - ENSEEIHT
Introduction au numérique responsable qui sensibilise aux principaux impacts environnementaux et sociétaux du numérique, à la manière de les mesurer, et qui présente les moyens d’actions permettant de les réduire.
Choix UE Parc.HPC Parc. Impact Entrepreneurship
Établissement
INP - ENSEEIHT
SYSTEMES REPARTIS ET SECURITE
ECTS
5
Établissement
INP - ENSEEIHT
Syst.èmes et algorithmes répartis
Établissement
INP - ENSEEIHT
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.
Sécurité et informatique légale
Établissement
INP - ENSEEIHT
Calcul Parallèle
Établissement
INP - ENSEEIHT
- 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
ADVANCED STATISTICAL MACHINE LEARNING
ECTS
5
Établissement
INP - ENSEEIHT
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.
Statistique exploratoire multi modèle
Établissement
INP - ENSEEIHT
- 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.
Apprentissage profond
Établissement
INP - ENSEEIHT
HIGH PERFORMANCE SCIENTIFIC COMPUTING
ECTS
5
Établissement
INP - ENSEEIHT
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.
Méthodes itératives en algèbre linéaire
Établissement
INP - ENSEEIHT
Algorithmes pour le calcul à Hautes Performances
Établissement
INP - ENSEEIHT
Algèbre linéaire du calcul quantique
Établissement
INP - ENSEEIHT
Optimisation globale
Établissement
INP - ENSEEIHT
INVERSE PROBLEMS
ECTS
5
Établissement
INP - ENSEEIHT
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
Assimilation de données
Établissement
INP - ENSEEIHT
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.
Filtrage Stochastique
Établissement
INP - ENSEEIHT
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.
UE A CHOIX SELON FINALITE
ECTS
5
Établissement
INP - ENSEEIHT
Complex Graph Networks
Établissement
INP - ENSEEIHT
Cybersecurity : introduction and practice
Établissement
INP - ENSEEIHT
Infrastructure for cloud, big data and machine learning
Établissement
INP - ENSEEIHT
Infrastructure for BigData
Établissement
INP - ENSEEIHT
Période de l'année
Automne
Projet USRP par SILICOM
Établissement
INP - ENSEEIHT
Data analysis 2 and classification
Établissement
INP - ENSEEIHT
Introduction à la Mécanique quantique pour le calcul
Établissement
INP - ENSEEIHT
Introduction to Reinforcement Learning
Établissement
INP - ENSEEIHT
Image et Vision
Établissement
INP - ENSEEIHT
Ce cours a pour but de présenter les principaux outils en analyse automatique des images. Plus précisément, cette matière est divisée en 2 parties :
1) Apprendre à connaître et à manipuler des outils d'analyse d'images comme la détection de contours ou la segmentation d'images. Cela correspond à 2 CM + 5 TPs.
2) Découvrir les éléments essentiels pour le suivi d'éléments dans des images : calibrage, détection de primitives d'intérêt et appariement. Cela correspond à 3 CM + 4 TPs
Photographie numérique
Établissement
INP - ENSEEIHT
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
Cloud Strategy
Établissement
INP - ENSEEIHT
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)
Numérique responsable
Établissement
INP - ENSEEIHT
Introduction au numérique responsable qui sensibilise aux principaux impacts environnementaux et sociétaux du numérique, à la manière de les mesurer, et qui présente les moyens d’actions permettant de les réduire.

