EC 1 - Informatique
Mention / Spécialité
Calcul haute performance, simulation (CHPS)
Parcours
IA pour la Santé
Composante porteuse
UFR Sciences Exactes et Naturelles
Intitulé de la matière
Informatique
Intitulé de la matière en anglais
Computer Science
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
20 |
15 |
15 |
0 |
0 |
0 |
60 |
Description de l'enseignement
Objectifs : - Acquisition des compétences nécessaires au développement informatique d'applications d'IA pour la Santé
- Prise en main d’architectures de calcul modernes
Compétences générales visées : - Algorithmique, programmation
- Développement d'applications
- Outils et architectures associés
Compétences spécifiques visées : - Ecriture d'algorithmes
- Programmation Python
- Bases de données
- Gestion de projet et outils associés
- Architectures de calcul
Programme :
- Bases de l'algorithmique ; programmation Python
- exemples classiques
- algèbre linéaire
- Structures de données
- Bases de données
- Gestion de projet : développement agile, outils associés (GIT, ...)
- Architecture des ordinateurs modernes ; prise en main
- CPU, GPU, réseau interne ; localité des données
- Unix (commandes de base) ; ssh
- soumission de jobs (scripts / notebooks Jupiter)
- analyse : résultats ; performance
Objectifs de l'enseignement
A destination des étudiants issus d'un parcours de formation en Santé, cet enseignement vise à leur faire acquérir les compétences en développement informatique et en programmation, nécessaires au développement informatique d'applications d'IA pour la Santé : algorithmique, programmation, structures de données, bases de données, stratégies et outils de gestion de projet, etc. Il s'agit également de comprendre le fonctionnement des architectures de calcul modernes : caractéristiques, fonctionnement, outils, ...
Enseignant référent
- JAILLET Christophe
- christophe.jaillet@univ-reims.fr
|
20 |
15 |
15 |
- |
- |
- |
60 |
EC 2 - Bases de Mathématiques pour l'IA
Mention / Spécialité
Calcul haute performance, simulation (CHPS)
Parcours
IA pour la Santé
Composante porteuse
UFR Sciences Exactes et Naturelles
Intitulé de la matière
Bases de Mathématiques pour l'IA
Intitulé de la matière en anglais
Fondamentals of Mathematics for AI
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
16 |
10 |
4 |
0 |
0 |
0 |
35 |
Description de l'enseignement
Objectifs : Maîtrise des différentes étapes de la mise en œuvre d'une analyse statistique dans un objectif de modélisation - Maîtrise des tests paramétriques usuels
- Mise en application avec le logiciel R
Objectifs de l'enseignement
Compétences générales visées : - Analyse statistique des données
Compétences spécifiques visées : - Modélisation par des méthodes de régression linéaire
Connaissances requises : - Bases de probabilités et statistiques
Programme : - Estimation empirique
- Estimation par des méthodes élaborées :
- méthode des moments
- méthode du maximum de vraisemblance
- Intervalle de confiance
- Introduction au test ; tests paramétriques usuels
- Modélisation :
- modélisation linéaire
- ANOVA
Enseignant référent
- JAILLET Christophe
- christophe.jaillet@univ-reims.fr
|
16 |
10 |
4 |
- |
- |
- |
35 |
EC 3 - Introduction à l'IA
Mention / Spécialité
Calcul haute performance, simulation (CHPS)
Parcours
IA pour la Santé
Composante porteuse
UFR Sciences Exactes et Naturelles
Intitulé de la matière
Introduction à l'IA
Intitulé de la matière en anglais
Introduction to AI
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
20 |
0 |
10 |
0 |
0 |
0 |
35 |
Description de l'enseignement
Introduction aux techniques de résolution de problèmes de modélisation et de classification à l'aide des méthodes de l'intelligence artificielle et plus particulièrement de l'apprentissage profond.
Objectifs de l'enseignement
Objectifs : - Les différentes approches du machine learning
- Architecture des réseaux de neurones élémentaires
- Principaux algorithmes du machine learning
Compétences spécifiques visées : - Connaissance des principales méthodes pour la classification et la régression linéaire
- Connaître les principaux frameworks et bibliothèques pour le machine learning
- Réaliser un projet de bout-à-bout (organisation du dataset, choix des algorithmes, entraînement, validation, déploiement)
Connaissances requises : - Programmation en langage Python
Programme : - Introduction au machine learning
- Découverte des environnements d'exécution (Jupyter notebooks, scripts python)
- Gestion des structures de données (Dataframes, etc.)
- Modèles classiques pour la régression et la classification (apprentissage supervisée)
- Modèles classiques pour la clusterisation et la réduction de la dimensionalité (apprentissage non-supervisée)
- Introduction aux réseaux de neurones
- classification d'image
- prédiction de valeurs
- Le cas des séries temporelles
- modèles classiques et avec des réseaux de neurones
- Implémentation d'une étude de cas "bout-à-bout" : de l'obtention des données jusqu'au déploiement d'une application
Enseignant référent
- STEFFENEL Luiz Angelo
- luiz-angelo.steffenel@univ-reims.fr
|
20 |
- |
10 |
- |
- |
- |
35 |
EC 1 - Algorithmique et programmation parallèle
Mention / Spécialité
Calcul haute performance, simulation (CHPS)
Parcours
IA pour la Santé
Composante porteuse
UFR Sciences Exactes et Naturelles
Intitulé de la matière
Algorithmique et programmation parallèle
Intitulé de la matière en anglais
Algorithms and parallel programming
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
20 |
10 |
10 |
0 |
0 |
0 |
30 |
Description de l'enseignement
Objectifs spécifiques visés : - Résolution de problèmes par des méthodes parallèles efficaces
- Développement d'applications parallèles avec MPI et OpenMP
- Analyse de la performance d'un algorithme / d'un programme parallèles
Objectifs généraux visés : - Principaux paradigmes du parallélisme : architectures, algorithmes, programmation
- Problématiques conceptuelles et technologiques associées au calcul haute performance
- Algorithmique parallèle, conception, analyse de performance
- Modèles et environnements de programmation parallèle
Programme : - Architecture des ordinateurs parallèles :
- machines à mémoire distribuée / à mémoire partagée, architectures hybrides
- plateformes de calcul : clusters, processeurs multi-coeur, accélérateurs matériels
- réseaux d'interconnexion : arbre, étoile, anneau, grille, hypercube ; simulations d'une architecture sur une autre
- Algorithmique parallèle : modèles PRAM et DRAM
- Algorithmique sur l'hypercube
- Mesures de performance des algorithmes parallèles : accélération, efficacité, iso-efficacité
- Environnements de programmation parallèle : MPI, OpenMP
Connaissances requises : - Algorithmique et structures de données élémentaires
- Notions de base en programmation multi-threadée (verrous, synchronisations)
- Programmation C/C++.
Objectifs de l'enseignement
- Acquérir les connaissances de base permettant d'appréhender l'utilisation du calcul haute performance pour la résolution de problèmes informatiques
- Se familiariser avec les différents paradigmes algorithmiques et modèles de programmation associés au calcul parallèle
- Développer une application permettant de résoudre un problème donné en utilisant une architecture de calcul haute performance
Enseignant référent
- JAILLET Christophe
- christophe.jaillet@univ-reims.fr
|
20 |
10 |
10 |
- |
- |
- |
30 |
EC 2 - Bases de Mathématiques pour l'IA
Mention / Spécialité
Calcul haute performance, simulation (CHPS)
Parcours
IA pour la Santé
Composante porteuse
UFR Sciences Exactes et Naturelles
Intitulé de la matière
Bases de Mathématiques pour l'IA
Intitulé de la matière en anglais
Fondamentals of Mathematics for AI
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
16 |
10 |
4 |
0 |
0 |
0 |
35 |
Description de l'enseignement
Objectifs : Maîtrise des différentes étapes de la mise en œuvre d'une analyse statistique dans un objectif de modélisation - Maîtrise des tests paramétriques usuels
- Mise en application avec le logiciel R
Objectifs de l'enseignement
Compétences générales visées : - Analyse statistique des données
Compétences spécifiques visées : - Modélisation par des méthodes de régression linéaire
Connaissances requises : - Bases de probabilités et statistiques
Programme : - Estimation empirique
- Estimation par des méthodes élaborées :
- méthode des moments
- méthode du maximum de vraisemblance
- Intervalle de confiance
- Introduction au test ; tests paramétriques usuels
- Modélisation :
- modélisation linéaire
- ANOVA
Enseignant référent
- JAILLET Christophe
- christophe.jaillet@univ-reims.fr
|
16 |
10 |
4 |
- |
- |
- |
35 |
EC 3 - Introduction à l'IA
Mention / Spécialité
Calcul haute performance, simulation (CHPS)
Parcours
IA pour la Santé
Composante porteuse
UFR Sciences Exactes et Naturelles
Intitulé de la matière
Introduction à l'IA
Intitulé de la matière en anglais
Introduction to AI
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
30 |
0 |
10 |
0 |
0 |
0 |
35 |
Description de l'enseignement
Introduction aux techniques de résolution de problèmes de modélisation et de classification à l'aide des méthodes de l'intelligence artificielle et plus particulièrement de l'apprentissage profond.
Objectifs de l'enseignement
Objectifs : - Les différentes approches du machine learning
- Architecture des réseaux de neurones élémentaires
- Principaux algorithmes du machine learning
Compétences spécifiques visées : - Connaissance des principales méthodes pour la classification et la régression linéaire
- Connaître les principaux frameworks et bibliothèques pour le machine learning
- Réaliser un projet de bout-à-bout (organisation du dataset, choix des algorithmes, entraînement, validation, déploiement)
Connaissances requises : - Programmation en langage Python
Programme : - Introduction au machine learning
- Découverte des environnements d'exécution (Jupyter notebooks, scripts python)
- Gestion des structures de données (Dataframes, etc.)
- Modèles classiques pour la régression et la classification (apprentissage supervisée)
- Modèles classiques pour la clusterisation et la réduction de la dimensionalité (apprentissage non-supervisée)
- Introduction aux réseaux de neurones
- classification d'image
- prédiction de valeurs
- Le cas des séries temporelles
- modèles classiques et avec des réseaux de neurones
- Implémentation d'une étude de cas "bout-à-bout" : de l'obtention des données jusqu'au déploiement d'une application
Enseignant référent
- STEFFENEL Luiz Angelo
- luiz-angelo.steffenel@univ-reims.fr
|
30 |
- |
10 |
- |
- |
- |
35 |
EC 1 - Programmation cluster
Mention / Spécialité
Calcul haute performance, simulation (CHPS)
Parcours
IA pour la Santé
Composante porteuse
UFR Sciences Exactes et Naturelles
Intitulé de la matière
Programmation cluster
Intitulé de la matière en anglais
Cluster programming
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
14 |
0 |
16 |
0 |
0 |
0 |
25 |
Description de l'enseignement
Objectifs spécifiques visés : - Développement d'applications sur architectures HPC dans un environnement Unix
- Programmation parallèle avancée : hybridation OpenMP / MPI ; programmation multi-GPU OpenMP/CUDA et MPI/OpenMP/CUDA
- Évaluation et optimisation des performances de codes parallèles
- Placement des tâches et des données
Objectifs généraux visés : - Conception d'applications parallèles sur architectures HPC
- Connaissance de l'environnement technologique HPC actuel
- Utilisation des moyens de calcul haute performance généralistes et spécialisés
Connaissances requises : - Programmation C/C++
- Programmation parallèle (mémoire partagée / mémoire distribuée) et accélérée
Programme : - Architectures HPC : clusters de calcul, SMP, processeurs graphiques, cloud-computing
- Modèles de mémoires : mémoires distribuées, mémoire partagée, mémoire interne à l'accélérateur de calcul
- Panorama du calcul haute performance actuel (Top500, constructeurs, utilisateurs)
- Systèmes d'exploitation HPC : Linux, Red Hat Cluster
- Environnements de développement HPC : OpenMP, MPI, OpenACC, OpenStack
- Algorithmique parallèle avancée
Objectifs de l'enseignement
Tirer parti d'un environnement HPC complet : cluster et environnement logiciel
Enseignant référent
- FOYER Clement
- clement.foyer@univ-reims.fr
|
14 |
- |
16 |
- |
- |
- |
25 |
EC 2 - Virtualisation et cloud pour le HPC
Mention / Spécialité
Calcul haute performance, simulation (CHPS)
Parcours
IA pour la Santé
Composante porteuse
UFR Sciences Exactes et Naturelles
Intitulé de la matière
Virtualisation et cloud pour le HPC
Intitulé de la matière en anglais
Virtualization and cloud for HPC
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
14 |
0 |
16 |
0 |
0 |
0 |
25 |
Description de l'enseignement
Objectifs spécifiques : - Création d'une architecture virtualisée
- Gestion de conteneurs Docker / Singularity
- Utilisation des gestionnaires Docker Swarm / Kubernetes
Objectifs généraux : - Comprendre les problématiques liées à la virtualisation (accès aux éléments virtualisés, configuration du réseau, partage de ressources, ...)
- Maîtriser la configuration et le déploiement de machines virtuelles et de conteneurs
- Mettre en oeuvre des environnements virtualisés sur des plateformes HPC et cloud
Connaissances requises : - connaissances en administration Linux/Unix
- maîtrise de langages de scripting (bash, python)
Programme : - Les solutions de virtualisation
- isolation et conteneurs
- hyperviseurs de types 1 & 2
- Gestion des architectures virtuelles
- installation des plates-formes d'exécution
- création et configuration d'invités
- exécution et gestion des invités
- Gestion des ressources et déploiement d'applications
- sur une plateforme HPC
- sur un environnement cloud
Objectifs de l'enseignement
Connaître, appréhender et mettre en oeuvre les différents types de virtualisation
Enseignant référent
- STEFFENEL Luiz Angelo
- luiz-angelo.steffenel@univ-reims.fr
|
14 |
- |
16 |
- |
- |
- |
25 |
EC 3 - Bases de Mathématiques pour l'IA
Mention / Spécialité
Calcul haute performance, simulation (CHPS)
Parcours
IA pour la Santé
Composante porteuse
UFR Sciences Exactes et Naturelles
Intitulé de la matière
Bases de Mathématiques pour l'IA
Intitulé de la matière en anglais
Fondamentals of Mathematics for AI
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
16 |
10 |
4 |
0 |
0 |
0 |
35 |
Description de l'enseignement
Objectifs : Maîtrise des différentes étapes de la mise en œuvre d'une analyse statistique dans un objectif de modélisation - Maîtrise des tests paramétriques usuels
- Mise en application avec le logiciel R
Objectifs de l'enseignement
Compétences générales visées : - Analyse statistique des données
Compétences spécifiques visées : - Modélisation par des méthodes de régression linéaire
Connaissances requises : - Bases de probabilités et statistiques
Programme : - Estimation empirique
- Estimation par des méthodes élaborées :
- méthode des moments
- méthode du maximum de vraisemblance
- Intervalle de confiance
- Introduction au test ; tests paramétriques usuels
- Modélisation :
- modélisation linéaire
- ANOVA
Enseignant référent
- JAILLET Christophe
- christophe.jaillet@univ-reims.fr
|
16 |
10 |
4 |
- |
- |
- |
35 |
EC 4 - Introduction à l'IA
Mention / Spécialité
Calcul haute performance, simulation (CHPS)
Parcours
IA pour la Santé
Composante porteuse
UFR Sciences Exactes et Naturelles
Intitulé de la matière
Introduction à l'IA
Intitulé de la matière en anglais
Introduction to AI
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
20 |
0 |
10 |
0 |
0 |
0 |
35 |
Description de l'enseignement
Introduction aux techniques de résolution de problèmes de modélisation et de classification à l'aide des méthodes de l'intelligence artificielle et plus particulièrement de l'apprentissage profond.
Objectifs de l'enseignement
Objectifs : - Les différentes approches du machine learning
- Architecture des réseaux de neurones élémentaires
- Principaux algorithmes du machine learning
Compétences spécifiques visées : - Connaissance des principales méthodes pour la classification et la régression linéaire
- Connaître les principaux frameworks et bibliothèques pour le machine learning
- Réaliser un projet de bout-à-bout (organisation du dataset, choix des algorithmes, entraînement, validation, déploiement)
Connaissances requises : - Programmation en langage Python
Programme : - Introduction au machine learning
- Découverte des environnements d'exécution (Jupyter notebooks, scripts python)
- Gestion des structures de données (Dataframes, etc.)
- Modèles classiques pour la régression et la classification (apprentissage supervisée)
- Modèles classiques pour la clusterisation et la réduction de la dimensionalité (apprentissage non-supervisée)
- Introduction aux réseaux de neurones
- classification d'image
- prédiction de valeurs
- Le cas des séries temporelles
- modèles classiques et avec des réseaux de neurones
- Implémentation d'une étude de cas "bout-à-bout" : de l'obtention des données jusqu'au déploiement d'une application
Enseignant référent
- STEFFENEL Luiz Angelo
- luiz-angelo.steffenel@univ-reims.fr
|
20 |
- |
10 |
- |
- |
- |
35 |
EC 1 - Algorithmique et programmation parallèle
Mention / Spécialité
Calcul haute performance, simulation (CHPS)
Parcours
IA pour la Santé
Composante porteuse
UFR Sciences Exactes et Naturelles
Intitulé de la matière
Algorithmique et programmation parallèle
Intitulé de la matière en anglais
Algorithms and parallel programming
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
20 |
10 |
10 |
0 |
0 |
0 |
30 |
Description de l'enseignement
Objectifs spécifiques visés : - Résolution de problèmes par des méthodes parallèles efficaces
- Développement d'applications parallèles avec MPI et OpenMP
- Analyse de la performance d'un algorithme / d'un programme parallèles
Objectifs généraux visés : - Principaux paradigmes du parallélisme : architectures, algorithmes, programmation
- Problématiques conceptuelles et technologiques associées au calcul haute performance
- Algorithmique parallèle, conception, analyse de performance
- Modèles et environnements de programmation parallèle
Programme : - Architecture des ordinateurs parallèles :
- machines à mémoire distribuée / à mémoire partagée, architectures hybrides
- plateformes de calcul : clusters, processeurs multi-coeur, accélérateurs matériels
- réseaux d'interconnexion : arbre, étoile, anneau, grille, hypercube ; simulations d'une architecture sur une autre
- Algorithmique parallèle : modèles PRAM et DRAM
- Algorithmique sur l'hypercube
- Mesures de performance des algorithmes parallèles : accélération, efficacité, iso-efficacité
- Environnements de programmation parallèle : MPI, OpenMP
Connaissances requises : - Algorithmique et structures de données élémentaires
- Notions de base en programmation multi-threadée (verrous, synchronisations)
- Programmation C/C++.
Objectifs de l'enseignement
- Acquérir les connaissances de base permettant d'appréhender l'utilisation du calcul haute performance pour la résolution de problèmes informatiques
- Se familiariser avec les différents paradigmes algorithmiques et modèles de programmation associés au calcul parallèle
- Développer une application permettant de résoudre un problème donné en utilisant une architecture de calcul haute performance
Enseignant référent
- JAILLET Christophe
- christophe.jaillet@univ-reims.fr
|
20 |
10 |
10 |
- |
- |
- |
30 |
EC 2 - Modèles de programmation parallèle
Mention / Spécialité
Calcul haute performance, simulation (CHPS)
Parcours
IA pour la Santé
Composante porteuse
UFR Sciences Exactes et Naturelles
Intitulé de la matière
Modèles de programmation parallèle
Intitulé de la matière en anglais
Parallel programming models
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
12 |
6 |
12 |
0 |
0 |
0 |
25 |
Description de l'enseignement
Objectifs spécifiques visés : - Maitriser différents modèles de programmation parallèle
- Choisir le mieux adapté vis-à-vis de l'application et de la machine cible
- Comprendre les challenges liés aux modèles de programmation sur les machines actuelles et futures
- Maitriser des technologies avancées (potentiellement encore au stade recherche)
Objectifs généraux visés : Programmation parallèle avancée
Connaissances requises : - Programmation C/C++
- Programmation parallèle (mémoire partagée / mémoire distribuée).
Programme : - Présentation de modèles de programmation avancés : Bulk synchronous, multi-threading, modèle de programmation par tâche
- Mise en pratique sur des cas concrets rencontrés en situation réelle
- C++ pour le HPC
- Profiling d'application
- Mise en évidence des problèmes de portabilité de performances (mise en pratique avec Kokkos)
Objectifs de l'enseignement
Analyse fine d'un programme en vue de sa parallélisation Choix du modèle de programmation le mieux adapté au besoin de performance Mise en pratique sur des applications réalistes (charge équilibrée ou non) Analyse et compréhension de troubles de performances selon le modèle de programmation
Enseignant référent
- JAILLET Christophe
- christophe.jaillet@univ-reims.fr
|
12 |
6 |
12 |
- |
- |
- |
25 |
EC 3 - Programmation GPU
Mention / Spécialité
Calcul haute performance, simulation (CHPS)
Parcours
IA pour la Santé
Composante porteuse
UFR Sciences Exactes et Naturelles
Intitulé de la matière
Programmation GPU
Intitulé de la matière en anglais
GPU programming
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
16 |
0 |
14 |
0 |
0 |
0 |
25 |
Description de l'enseignement
Objectifs spécifiques visés : - Programmation graphique 3D en temps réel
- Programmation parallèle sur GPU
- Programmation en CUDA et OPENCL
Objectifs généraux visés : Programmation hétérogène sur architecture GPU et manycore
Connaissances requises : - Programmation C/C++.
- Programmation parallèle (mémoire partagée / mémoire distribuée)
Programme : - Modèles de programmation (architecture, modèle mémoire, programmation parallèle)
- Programmation graphique avancée (tracé de rayons temps réel, ...)
- Méthode et outils de débogage et d'optimisation (NSIGHT, ...)
- Programmation GPGPU / manycore (portage d'algorithmes sur architectures massivement parallèles, localité mémoire, stratégie de cache, vectorisation ...)
- Algorithmique manycore (tri parallèle, résolution de systèmes linéaires, générateurs de nombres aléatoires, ...)
- Rendu avec OptiX
Objectifs de l'enseignement
Fournir aux étudiants une introduction à la programmation massivement parallèle sur GPU, au travers de l'étude approfondie de cas d'applications concrets
Enseignant référent
- JAILLET Christophe
- christophe.jaillet@univ-reims.fr
|
16 |
- |
14 |
- |
- |
- |
25 |
EC 1 - Programmation cluster
Mention / Spécialité
Calcul haute performance, simulation (CHPS)
Parcours
IA pour la Santé
Composante porteuse
UFR Sciences Exactes et Naturelles
Intitulé de la matière
Programmation cluster
Intitulé de la matière en anglais
Cluster programming
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
14 |
0 |
16 |
0 |
0 |
0 |
25 |
Description de l'enseignement
Objectifs spécifiques visés : - Développement d'applications sur architectures HPC dans un environnement Unix
- Programmation parallèle avancée : hybridation OpenMP / MPI ; programmation multi-GPU OpenMP/CUDA et MPI/OpenMP/CUDA
- Évaluation et optimisation des performances de codes parallèles
- Placement des tâches et des données
Objectifs généraux visés : - Conception d'applications parallèles sur architectures HPC
- Connaissance de l'environnement technologique HPC actuel
- Utilisation des moyens de calcul haute performance généralistes et spécialisés
Connaissances requises : - Programmation C/C++
- Programmation parallèle (mémoire partagée / mémoire distribuée) et accélérée
Programme : - Architectures HPC : clusters de calcul, SMP, processeurs graphiques, cloud-computing
- Modèles de mémoires : mémoires distribuées, mémoire partagée, mémoire interne à l'accélérateur de calcul
- Panorama du calcul haute performance actuel (Top500, constructeurs, utilisateurs)
- Systèmes d'exploitation HPC : Linux, Red Hat Cluster
- Environnements de développement HPC : OpenMP, MPI, OpenACC, OpenStack
- Algorithmique parallèle avancée
Objectifs de l'enseignement
Tirer parti d'un environnement HPC complet : cluster et environnement logiciel
Enseignant référent
- FOYER Clement
- clement.foyer@univ-reims.fr
|
14 |
- |
16 |
- |
- |
- |
25 |
EC 2 - Virtualisation et cloud pour le HPC
Mention / Spécialité
Calcul haute performance, simulation (CHPS)
Parcours
IA pour la Santé
Composante porteuse
UFR Sciences Exactes et Naturelles
Intitulé de la matière
Virtualisation et cloud pour le HPC
Intitulé de la matière en anglais
Virtualization and cloud for HPC
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
14 |
0 |
16 |
0 |
0 |
0 |
25 |
Description de l'enseignement
Objectifs spécifiques : - Création d'une architecture virtualisée
- Gestion de conteneurs Docker / Singularity
- Utilisation des gestionnaires Docker Swarm / Kubernetes
Objectifs généraux : - Comprendre les problématiques liées à la virtualisation (accès aux éléments virtualisés, configuration du réseau, partage de ressources, ...)
- Maîtriser la configuration et le déploiement de machines virtuelles et de conteneurs
- Mettre en oeuvre des environnements virtualisés sur des plateformes HPC et cloud
Connaissances requises : - connaissances en administration Linux/Unix
- maîtrise de langages de scripting (bash, python)
Programme : - Les solutions de virtualisation
- isolation et conteneurs
- hyperviseurs de types 1 & 2
- Gestion des architectures virtuelles
- installation des plates-formes d'exécution
- création et configuration d'invités
- exécution et gestion des invités
- Gestion des ressources et déploiement d'applications
- sur une plateforme HPC
- sur un environnement cloud
Objectifs de l'enseignement
Connaître, appréhender et mettre en oeuvre les différents types de virtualisation
Enseignant référent
- STEFFENEL Luiz Angelo
- luiz-angelo.steffenel@univ-reims.fr
|
14 |
- |
16 |
- |
- |
- |
25 |
EC 3 - Architecture des processeurs et optimisation
Mention / Spécialité
Calcul haute performance, simulation (CHPS)
Parcours
IA pour la Santé
Composante porteuse
UFR Sciences Exactes et Naturelles
Intitulé de la matière
Architecture des processeurs et optimisation
Intitulé de la matière en anglais
CPU architectures and optimization
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
12 |
0 |
18 |
0 |
0 |
0 |
25 |
Description de l'enseignement
Objectifs spécifiques : - Connaissance des architectures scalaires et superscalaires des processeurs
- Connaissance des mémoires caches et de leur fonctionnement
- Connaissance des spécificités des architectures x86 (SMT, AVX, ...)
- Connaissance des métriques d'optimisation (roofline model, taux de vectorisation)
Objectifs généraux : - Connaissance avancée des processeurs et de leur fonctionnement interne, permettant leur meilleure exploitation dans un objectif de calcul haute performance
- Connaissance et pratique des techniques d'optimisation classiques (blocking, double buffering, vectorisation)
Connaissances requises : - Programmation C/C++
- Programmation parallèle (mémoire partagée / mémoire distribuée).
Programme : - Découverte des architectures des processeurs (ARM, x86) et des jeux d'instructions spécifiques
- Mise en pratique des méthodes d'optimisation
- résolution des partages de données
- utilisation de la vectorisation
- déroulage de boucles
- double buffering
- utilisation de halos
Objectifs de l'enseignement
Connaissances sur le fonctionnement interne des processeurs, et prise en compte pour le développement de programmes efficaces
Enseignant référent
- FOYER Clement
- clement.foyer@univ-reims.fr
|
12 |
- |
18 |
- |
- |
- |
25 |
EC 4 - Accélérateurs & HPC
Mention / Spécialité
Calcul haute performance, simulation (CHPS)
Parcours
IA pour la Santé
Composante porteuse
UFR Sciences Exactes et Naturelles
Intitulé de la matière
Accélérateurs & HPC
Intitulé de la matière en anglais
Accelerators & HPC
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
10 |
6 |
14 |
0 |
0 |
0 |
25 |
Description de l'enseignement
Objectifs spécifiques : - Programmation CUDA, OpenACC, OpenMP pour accélérateurs, OpenCL,
- Architectures des accélérateurs GPU et FPGA, modèle de programmation
- Utilisation des architectures CPU x86 et ARM
- Programmation multi-GPU
- Programmation MPI mono-noeud et multi-noeud
Objectifs généraux : - Architectures des processeurs et accélérateurs
- Programmation hétérogène
Connaissances requises : - Programmation C/C++
- Programmation parallèle, programmation GPU
Programme : - Les différents types d'accélérateurs
- architectures, analyse des hiérarchies mémoire
- performances théoriques
- modèles d'exécution, modèles de programmation
- Les différentes API de programmation
- Benchmarks, performances réelles
- Résolution accélérée de problèmes concrets
Objectifs de l'enseignement
Comprendre et mettre en oeuvre à la bonne échelle la programmation hétérogène à l'aide des accélérateurs de calcul (GPU, FPGA) au sein de supercalculateurs
Enseignant référent
- RENARD Arnaud
- arnaud.renard@univ-reims.fr
|
10 |
6 |
14 |
- |
- |
- |
25 |
EC 1 - Imagerie médicale
Mention / Spécialité
Calcul haute performance, simulation (CHPS)
Parcours
IA pour la Santé
Composante porteuse
UFR Sciences Exactes et Naturelles
Intitulé de la matière
Imagerie médicale
Intitulé de la matière en anglais
Medical imaging
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
7 |
7 |
6 |
0 |
0 |
0 |
30 |
Description de l'enseignement
- Objectifs :
- Comprendre les problématiques liées à l'imagerie médicale 2D et 3D
- Maîtriser les méthodes classiques de traitement et à l'analyse des images médicales
Objectifs de l'enseignement
- Compétences générales visées :
- Acquisition, traitement et analyse d'images
- Compétences spécifiques visées :
- Comprendre les spécificités des images médicales
- Maîtriser l'algorithmique pour l'imagerie médicale
- Maîtriser programmation pour l'imagerie médicale 2D et 3D
- Comprendre les enjeux technologiques et industriels afférents à l'imagerie médicale
- Connaissances requises :
- Notions de base de physique ; éléments de Mathématiques
- Algorithmique et complexité ; programmation
- Notions de traitement et d'analyse d'images
- Programme :
- Modalités d'acquisition des images médicales (IRM, TDM, TEP, ...)
- Physique de l'acquisition et physiologie
- Propriétés des images médicales (structure, valeurs, ...)
- Prétraitement (filtrage, débruitage, contours, ...)
- Segmentation et classification
- Reconnaissance de formes
- Recalage (temporel, multimodal, intrapatient, ...)
- Applications cliniques
Enseignant référent
- VUIBLET Vincent
- vincent.vuiblet@univ-reims.fr
|
7 |
7 |
6 |
- |
- |
- |
30 |
EC 2 -
Mention / Spécialité
Calcul haute performance, simulation (CHPS)
Parcours
IA pour la Santé
Composante porteuse
UFR Sciences Exactes et Naturelles
Intitulé de la matière en anglais
-
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
8 |
8 |
6 |
0 |
0 |
0 |
30 |
Description de l'enseignement
-
Objectifs de l'enseignement
-
|
8 |
8 |
6 |
- |
- |
- |
30 |
EC 3 - Image et IA
Mention / Spécialité
Calcul haute performance, simulation (CHPS)
Parcours
IA pour la Santé
Composante porteuse
UFR Sciences Exactes et Naturelles
Intitulé de la matière
Image et IA
Intitulé de la matière en anglais
Image processing and AI
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
6 |
6 |
8 |
0 |
0 |
0 |
15 |
Description de l'enseignement
Objectifs généraux : Conception et utilisation de stratégies d'IA pour l'imagerie numérique.
Objectifs spécifiques : Connaître et savoir évaluer les architectures de réseaux de neurones profonds pour l'analyse et la transformation d'images.
Connaissances requises : Python NumPy
Programme : - Réseaux convolutifs
- Réseaux temporels
- Autoencodeurs
- Transformeurs
- GAN
- Apprentissage supervisé et auto-supervisé
Objectifs de l'enseignement
- Etre capable d'identifier et mettre en oeuvre les algorithmes principaux de génération et de transformation d'images sous une forme qui relève du HPC
- Savoir mettre en place des architectures de réseaux neuronaux profonds adéquates et optimisées pour les problèmes liés à la captation de flux denses d'images, la génération d'images et leur transformation et analyse
Enseignant référent
- LAMIROY Bart
- Bart.Lamiroy@univ-reims.fr
|
6 |
6 |
8 |
- |
- |
- |
15 |
EC 1 - Données de Santé pour l’IA
Mention / Spécialité
Calcul haute performance, simulation (CHPS)
Parcours
IA pour la Santé
Composante porteuse
UFR Sciences Exactes et Naturelles
Intitulé de la matière
Données de Santé pour l’IA
Intitulé de la matière en anglais
Données de Santé pour l’IA
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
20 |
10 |
0 |
0 |
0 |
0 |
30 |
Description de l'enseignement
Comprendre les aspects de la création, gestion et exploration de bases de données contenant des données de Santé : typologie, règlementation ; entrepôts ; conception d'étude d'analyse de données
Objectifs de l'enseignement
Objectifs : - Savoir obtenir et accéder à des bases de données et datasets contenant des données médicales ou de Santé
- données open-source, données d'organisations et entités publiques, bases de données d'accès restreint
- Savoir explorer les données
- formats de stockage, accès via des API, autres aspects techniques (gestion big data)
- Organiser et définir les paramètres pour l'acquisition et la gestion de données de Santé
- principes de l'anonymisation et respect de la déontologie
- contraintes légales
Compétences générales visées :
- Comprendre les avantages et limites d’un standard de données
- Savoir explorer des données via API
Compétences spécifiques visées :
- Connaissance de l’écosystème des entrepôts de données de Santé
- Savoir comment accéder et traiter des données de Santé
Connaissances requises :
- Bases de programmation Python, bases en base de données
Programme :
- Principaux standards pour le stockage et l’interopérabilité des données de Santé (ex : FHIR, OMOP)
- Principales nomenclatures et typologies de données de Santé (ex : SNOMED, CIM10, CCAM)
- Fonctionnement, avantages et limites d’un entrepôt de données de Santé
- Les différents types de données de Santé
- Connaitre la règlementation autour du stockage et de l’usage des données de Santé pour la recherche (HDS, RGPD, Référentiel EDS)
Enseignant référent
- VUIBLET Vincent
- vincent.vuiblet@univ-reims.fr
|
20 |
10 |
- |
- |
- |
- |
30 |
EC 1 - IA pour la Santé
Mention / Spécialité
Calcul haute performance, simulation (CHPS)
Parcours
IA pour la Santé
Composante porteuse
UFR Sciences Exactes et Naturelles
Intitulé de la matière
IA pour la Santé
Intitulé de la matière en anglais
AI for Health
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
10 |
10 |
0 |
0 |
0 |
0 |
20 |
Description de l'enseignement
Maîtrise d'éléments avancés du machine learning et son usage dans le cadre des applications médicales et pour la Santé : enjeux éthiques ; stratégies d'IA pour les études en Santé ; conception
Objectifs de l'enseignement
Objectifs : - Donner une vision d’ensemble sur les différents types de données rencontrées dans le domaine de la Santé et comprendre la manière dont elles sont traitées par IA
Compétences générales visées : - Connaissance des principaux modèles de machine learning et de réseaux de neurones
- Maîtrise de la constitution d'un jeu d'apprentissage
- Caractérisation de la performance et réseau de neurones et optimisation
- Utilisation de l'intelligence artificielle dans le développement d'applications métier
- Savoir reconnaître les limitations et les enjeux des modèles IA dans le cadre de la réglementation des usages en Santé
Compétences spécifiques visées : - Les applications du machine learning (traitement du signal, traitement d’image, traitement du langage, reconnaissance de la parole, traitement de données temporelles)
- Application du deep learning au service de la Santé
- Reconnaitre et répondre aux biais récurrents de l’IA en Santé
Connaissances requises : - Base de programmation en python avec Pandas et Numpy
Programme :
- Segmentation et classification d’imagerie médicale
- Modèles de survies
- Classification de données temporelles
- Sélection et amélioration de features
- Modèles de machine learning mixtes
- Traitement du langage naturel
- Choisir les bonnes métriques d’évaluation en fonction du contexte
Enseignant référent
- VUIBLET Vincent
- vincent.vuiblet@univ-reims.fr
|
10 |
10 |
- |
- |
- |
- |
20 |
EC 2 - Anglais pour les données de Santé et l'IA
Mention / Spécialité
Calcul haute performance, simulation (CHPS)
Parcours
IA pour la Santé
Composante porteuse
UFR Sciences Exactes et Naturelles
Intitulé de la matière
Anglais pour les données de Santé et l'IA
Intitulé de la matière en anglais
English for Health Data and AI
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
0 |
20 |
0 |
0 |
0 |
0 |
20 |
Description de l'enseignement
Objectifs : - Consolider ses connaissances de l'Anglais technique et professionnel
- Pour obtenir 10/20, les étudiants devront avoir le niveau B2 dans les compétences évaluées par l'enseignant.
Compétences spécifiques visées : - Appréhender le vocabulaire technique spécifique aux données et professions de la Santé
- Savoir parler de son parcours universitaire et/ou professionnel, décrire ses missions et responsabilités
- Elaborer des documents et courriers en Anglais
- Conduire et participer à une réunion professionnelle/scientifique ou technique
Connaissances requises : - Avoir étudié et pratiqué la langue anglaise dans l'enseignement secondaire et universitaire
Programme : - Présentation à l'oral et à l'écrit d'un stage / d'un projet de recherche
- Elaboration d'un dossier de candidature (recherche d'une offre d'emploi, étude et élaboration du CV vidéo et papier et d'une lettre de motivation en fonction de l'offre)
- Participation à une réunion : bref exposé, argumentation, analyse critique, prise de décision
- Conduite de réunion : donner et prendre la parole, synthétiser, réguler
- Présentation du TOEIC et des ressources possibles pour le travailler
Remarque : étant donné le niveau attendu en fin de diplôme de Master (B2/C1), il est vivement recommandé de compléter les enseignements et apprentissages en TD d'Anglais par un travail personnel au CRL (Centre de Ressources en Langues) du campus. Ce travail complémentaire se fera en autonomie mais l'étudiant pourra bénéficier du guidage et de l'accompagnement de son enseignant d'Anglais.
Objectifs de l'enseignement
Compétences relatives à l'apprentissage d'une langue étrangère au niveau B2/C1 du Cadre Européen Commun de Référence pour les Langues (CECRL) : compréhension de l(oral, compréhension de l'écrit, expression orale en continu et en interaction, expression écrite
Enseignant référent
- LELARGE Aline
- aline.lelarge@univ-reims.fr
|
- |
20 |
- |
- |
- |
- |
20 |
Total semestre |
115 |
71 |
66 |
- |
- |
- |
265 |