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 SantéPrise en main d’architectures de calcul modernesCompétences générales visées :Algorithmique, programmationDéveloppement d'applicationsOutils et architectures associésCompétences spécifiques visées :Ecriture d'algorithmesProgrammation PythonBases de donnéesGestion de projet et outils associésArchitectures de calculProgramme :Bases de l'algorithmique ; programmation Pythonexemples classiquesalgèbre linéaireStructures de données Bases de donnéesGestion de projet : développement agile, outils associés (GIT, ...)Architecture des ordinateurs modernes ; prise en mainCPU, GPU, réseau interne ; localité des donnéesUnix (commandes de base) ; sshsoumission 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 modélisationMaîtrise des tests paramétriques usuelsMise en application avec le logiciel R
Objectifs de l'enseignement
Compétences générales visées :Analyse statistique des donnéesCompétences spécifiques visées :Modélisation par des méthodes de régression linéaireConnaissances requises :Bases de probabilités et statistiquesProgramme :Estimation empiriqueEstimation par des méthodes élaborées :méthode des momentsméthode du maximum de vraisemblanceIntervalle de confianceIntroduction au test ; tests paramétriques usuelsModélisation :modélisation linéaireANOVA
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 learningArchitecture des réseaux de neurones élémentairesPrincipaux algorithmes du machine learningCompétences spécifiques visées :Connaissance des principales méthodes pour la classification et la régression linéaireConnaître les principaux frameworks et bibliothèques pour le machine learningRéaliser un projet de bout-à-bout (organisation du dataset, choix des algorithmes, entraînement, validation, déploiement)Connaissances requises :Programmation en langage PythonProgramme :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 neuronesclassification d'imageprédiction de valeursLe cas des séries temporelles modèles classiques et avec des réseaux de neuronesImplémentation 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 efficacesDéveloppement d'applications parallèles avec MPI et OpenMPAnalyse de la performance d'un algorithme / d'un programme parallèlesObjectifs généraux visés :Principaux paradigmes du parallélisme : architectures, algorithmes, programmationProblématiques conceptuelles et technologiques associées au calcul haute performanceAlgorithmique parallèle, conception, analyse de performanceModèles et environnements de programmation parallèleProgramme :Architecture des ordinateurs parallèles :machines à mémoire distribuée / à mémoire partagée, architectures hybridesplateformes de calcul : clusters, processeurs multi-coeur, accélérateurs matérielsréseaux d'interconnexion : arbre, étoile, anneau, grille, hypercube ; simulations d'une architecture sur une autreAlgorithmique parallèle : modèles PRAM et DRAMAlgorithmique sur l'hypercubeMesures de performance des algorithmes parallèles : accélération, efficacité, iso-efficacitéEnvironnements de programmation parallèle : MPI, OpenMPConnaissances requises :Algorithmique et structures de données élémentairesNotions 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 informatiquesSe familiariser avec les différents paradigmes algorithmiques et modèles de programmation associés au calcul parallèleDévelopper 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 modélisationMaîtrise des tests paramétriques usuelsMise en application avec le logiciel R
Objectifs de l'enseignement
Compétences générales visées :Analyse statistique des donnéesCompétences spécifiques visées :Modélisation par des méthodes de régression linéaireConnaissances requises :Bases de probabilités et statistiquesProgramme :Estimation empiriqueEstimation par des méthodes élaborées :méthode des momentsméthode du maximum de vraisemblanceIntervalle de confianceIntroduction au test ; tests paramétriques usuelsModélisation :modélisation linéaireANOVA
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 learningArchitecture des réseaux de neurones élémentairesPrincipaux algorithmes du machine learningCompétences spécifiques visées :Connaissance des principales méthodes pour la classification et la régression linéaireConnaître les principaux frameworks et bibliothèques pour le machine learningRéaliser un projet de bout-à-bout (organisation du dataset, choix des algorithmes, entraînement, validation, déploiement)Connaissances requises :Programmation en langage PythonProgramme :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 neuronesclassification d'imageprédiction de valeursLe cas des séries temporelles modèles classiques et avec des réseaux de neuronesImplémentation 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 UnixProgrammation parallèle avancée : hybridation OpenMP / MPI ; programmation multi-GPU OpenMP/CUDA et MPI/OpenMP/CUDAÉvaluation et optimisation des performances de codes parallèlesPlacement des tâches et des donnéesObjectifs généraux visés :Conception d'applications parallèles sur architectures HPCConnaissance de l'environnement technologique HPC actuelUtilisation des moyens de calcul haute performance généralistes et spécialisésConnaissances requises :Programmation C/C++Programmation parallèle (mémoire partagée / mémoire distribuée) et accéléréeProgramme :Architectures HPC : clusters de calcul, SMP, processeurs graphiques, cloud-computingModèles de mémoires : mémoires distribuées, mémoire partagée, mémoire interne à l'accélérateur de calculPanorama du calcul haute performance actuel (Top500, constructeurs, utilisateurs)Systèmes d'exploitation HPC : Linux, Red Hat ClusterEnvironnements de développement HPC : OpenMP, MPI, OpenACC, OpenStackAlgorithmique 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 virtualiséeGestion de conteneurs Docker / SingularityUtilisation des gestionnaires Docker Swarm / KubernetesObjectifs 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 conteneursMettre en oeuvre des environnements virtualisés sur des plateformes HPC et cloudConnaissances requises : connaissances en administration Linux/Unixmaîtrise de langages de scripting (bash, python)Programme :Les solutions de virtualisationisolation et conteneurshyperviseurs de types 1 & 2Gestion des architectures virtuellesinstallation des plates-formes d'exécutioncréation et configuration d'invitésexécution et gestion des invitésGestion des ressources et déploiement d'applicationssur une plateforme HPCsur 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 modélisationMaîtrise des tests paramétriques usuelsMise en application avec le logiciel R
Objectifs de l'enseignement
Compétences générales visées :Analyse statistique des donnéesCompétences spécifiques visées :Modélisation par des méthodes de régression linéaireConnaissances requises :Bases de probabilités et statistiquesProgramme :Estimation empiriqueEstimation par des méthodes élaborées :méthode des momentsméthode du maximum de vraisemblanceIntervalle de confianceIntroduction au test ; tests paramétriques usuelsModélisation :modélisation linéaireANOVA
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 learningArchitecture des réseaux de neurones élémentairesPrincipaux algorithmes du machine learningCompétences spécifiques visées :Connaissance des principales méthodes pour la classification et la régression linéaireConnaître les principaux frameworks et bibliothèques pour le machine learningRéaliser un projet de bout-à-bout (organisation du dataset, choix des algorithmes, entraînement, validation, déploiement)Connaissances requises :Programmation en langage PythonProgramme :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 neuronesclassification d'imageprédiction de valeursLe cas des séries temporelles modèles classiques et avec des réseaux de neuronesImplémentation 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 efficacesDéveloppement d'applications parallèles avec MPI et OpenMPAnalyse de la performance d'un algorithme / d'un programme parallèlesObjectifs généraux visés :Principaux paradigmes du parallélisme : architectures, algorithmes, programmationProblématiques conceptuelles et technologiques associées au calcul haute performanceAlgorithmique parallèle, conception, analyse de performanceModèles et environnements de programmation parallèleProgramme :Architecture des ordinateurs parallèles :machines à mémoire distribuée / à mémoire partagée, architectures hybridesplateformes de calcul : clusters, processeurs multi-coeur, accélérateurs matérielsréseaux d'interconnexion : arbre, étoile, anneau, grille, hypercube ; simulations d'une architecture sur une autreAlgorithmique parallèle : modèles PRAM et DRAMAlgorithmique sur l'hypercubeMesures de performance des algorithmes parallèles : accélération, efficacité, iso-efficacitéEnvironnements de programmation parallèle : MPI, OpenMPConnaissances requises :Algorithmique et structures de données élémentairesNotions 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 informatiquesSe familiariser avec les différents paradigmes algorithmiques et modèles de programmation associés au calcul parallèleDévelopper 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 parallèleChoisir le mieux adapté vis-à-vis de l'application et de la machine cibleComprendre les challenges liés aux modèles de programmation sur les machines actuelles et futuresMaitriser des technologies avancées (potentiellement encore au stade recherche)Objectifs généraux visés :Programmation parallèle avancéeConnaissances 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 tâcheMise en pratique sur des cas concrets rencontrés en situation réelleC++ pour le HPCProfiling d'applicationMise 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 parallélisationChoix du modèle de programmation le mieux adapté au besoin de performanceMise 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 réelProgrammation parallèle sur GPUProgrammation en CUDA et OPENCLObjectifs généraux visés :Programmation hétérogène sur architecture GPU et manycoreConnaissances 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 UnixProgrammation parallèle avancée : hybridation OpenMP / MPI ; programmation multi-GPU OpenMP/CUDA et MPI/OpenMP/CUDAÉvaluation et optimisation des performances de codes parallèlesPlacement des tâches et des donnéesObjectifs généraux visés :Conception d'applications parallèles sur architectures HPCConnaissance de l'environnement technologique HPC actuelUtilisation des moyens de calcul haute performance généralistes et spécialisésConnaissances requises :Programmation C/C++Programmation parallèle (mémoire partagée / mémoire distribuée) et accéléréeProgramme :Architectures HPC : clusters de calcul, SMP, processeurs graphiques, cloud-computingModèles de mémoires : mémoires distribuées, mémoire partagée, mémoire interne à l'accélérateur de calculPanorama du calcul haute performance actuel (Top500, constructeurs, utilisateurs)Systèmes d'exploitation HPC : Linux, Red Hat ClusterEnvironnements de développement HPC : OpenMP, MPI, OpenACC, OpenStackAlgorithmique 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 virtualiséeGestion de conteneurs Docker / SingularityUtilisation des gestionnaires Docker Swarm / KubernetesObjectifs 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 conteneursMettre en oeuvre des environnements virtualisés sur des plateformes HPC et cloudConnaissances requises : connaissances en administration Linux/Unixmaîtrise de langages de scripting (bash, python)Programme :Les solutions de virtualisationisolation et conteneurshyperviseurs de types 1 & 2Gestion des architectures virtuellesinstallation des plates-formes d'exécutioncréation et configuration d'invitésexécution et gestion des invitésGestion des ressources et déploiement d'applicationssur une plateforme HPCsur 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 processeursConnaissance des mémoires caches et de leur fonctionnementConnaissance 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 performanceConnaissance 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 spécifiquesMise en pratique des méthodes d'optimisationrésolution des partages de donnéesutilisation de la vectorisationdéroulage de bouclesdouble bufferingutilisation de halosalgorithmes bloqués
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 programmationUtilisation des architectures CPU x86 et ARMProgrammation multi-GPUProgrammation MPI mono-noeud et multi-noeudObjectifs généraux :Architectures des processeurs et accélérateursProgrammation hétérogèneConnaissances requises :Programmation C/C++Programmation parallèle, programmation GPUProgramme :Les différents types d'accélérateursarchitectures, analyse des hiérarchies mémoireperformances théoriquesmodèles d'exécution, modèles de programmationLes différentes API de programmationBenchmarks, performances réellesRésolution 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 3DMaîtriser les méthodes classiques de traitement et à l'analyse des images médicales
Objectifs de l'enseignement
Compétences générales visées :Acquisition, traitement et analyse d'imagesCompétences spécifiques visées :Comprendre les spécificités des images médicalesMaîtriser l'algorithmique pour l'imagerie médicaleMaîtriser programmation pour l'imagerie médicale 2D et 3DComprendre les enjeux technologiques et industriels afférents à l'imagerie médicaleConnaissances requises :Notions de base de physique ; éléments de MathématiquesAlgorithmique et complexité ; programmationNotions de traitement et d'analyse d'imagesProgramme :Modalités d'acquisition des images médicales (IRM, TDM, TEP, ...)Physique de l'acquisition et physiologiePropriétés des images médicales (structure, valeurs, ...)Prétraitement (filtrage, débruitage, contours, ...)Segmentation et classificationReconnaissance de formesRecalage (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 NumPyProgramme :Réseaux convolutifsRéseaux temporelsAutoencodeursTransformeursGANApprentissage 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 HPCSavoir 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 Santédonnées open-source, données d'organisations et entités publiques, bases de données d'accès restreintSavoir explorer les donnéesformats 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 Santéprincipes de l'anonymisation et respect de la déontologiecontraintes légalesCompétences générales visées :Comprendre les avantages et limites d’un standard de donnéesSavoir explorer des données via APICompétences spécifiques visées :Connaissance de l’écosystème des entrepôts de données de SantéSavoir comment accéder et traiter des données de SantéConnaissances requises :Bases de programmation Python, bases en base de donnéesProgramme :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 SantéLes différents types de données de SantéConnaitre 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 IACompétences générales visées :Connaissance des principaux modèles de machine learning et de réseaux de neuronesMaîtrise de la constitution d'un jeu d'apprentissageCaractérisation de la performance et réseau de neurones et optimisationUtilisation de l'intelligence artificielle dans le développement d'applications métierSavoir reconnaître les limitations et les enjeux des modèles IA dans le cadre de la réglementation des usages en SantéCompétences 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 SantéReconnaitre et répondre aux biais récurrents de l’IA en SantéConnaissances requises :Base de programmation en python avec Pandas et NumpyProgramme :Segmentation et classification d’imagerie médicaleModèles de surviesClassification de données temporellesSélection et amélioration de featuresModèles de machine learning mixtesTraitement du langage naturelChoisir 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 professionnelPour 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 SantéSavoir parler de son parcours universitaire et/ou professionnel, décrire ses missions et responsabilitésElaborer des documents et courriers en AnglaisConduire et participer à une réunion professionnelle/scientifique ou techniqueConnaissances requises :Avoir étudié et pratiqué la langue anglaise dans l'enseignement secondaire et universitaireProgramme :Présentation à l'oral et à l'écrit d'un stage / d'un projet de rechercheElaboration 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 décisionConduite de réunion : donner et prendre la parole, synthétiser, régulerPrésentation du TOEIC et des ressources possibles pour le travaillerRemarque : 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 |