[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-seo-194055-114":3,"detail-sidebar-cat-1-fr-114":80,"doc-detail-194055-fr":114},{"code":4,"msg":5,"data":6},0,"ok",{"site_id":7,"language":8,"slug":9,"title":10,"keywords":11,"description":12,"schema_data":13,"social_meta":73,"head_meta":75,"extra_data":77,"updated_unix":79},114,"fr","brique-course-schedule-and-ects-for-machine-learning-units-2021-2022-syllabus-plan","Brique - Volume horaire et ECTS des UE Machine Learning 2021-2022 - Plan de cours","","Tableau présentant la répartition du volume horaire et des crédits ECTS pour plusieurs unités d’enseignement liées aux domaines Machine Learning, Deep Learning, Développement d’application et DataOps, Big Data, systèmes et réseaux, ainsi que des projets. Le document détaille, pour chaque UE, le nombre d’heures de cours, d’ateliers, de projets et le total, puis précise les crédits. Des fiches complémentaires indiquent les enseignants, la charge de travail estimée des élèves, la langue d’enseignement et les prérequis (outils et notions) pour certaines UE.",{"@graph":14,"@context":72},[15,34,55],{"@type":16,"itemListElement":17},"BreadcrumbList",[18,23,27,31],{"item":19,"name":20,"@type":21,"position":22},"https://docshare.wps.com","Home","ListItem",1,{"item":24,"name":25,"@type":21,"position":26},"https://docshare.wps.com/fr/template/","Template",2,{"item":28,"name":29,"@type":21,"position":30},"https://docshare.wps.com/fr/template/présentations/","Présentations",3,{"item":32,"name":10,"@type":21,"position":33},"https://docshare.wps.com/fr/template/brique-course-schedule-and-ects-for-machine-learning-units-2021-2022-syllabus-plan/194055/",4,{"url":32,"name":10,"@type":35,"image":36,"author":41,"headline":10,"publisher":44,"fileFormat":47,"inLanguage":8,"description":12,"dateModified":48,"datePublished":49,"encodingFormat":47,"isAccessibleForFree":50,"interactionStatistic":51},"DigitalDocument",{"url":37,"@type":38,"width":39,"height":40},"https://docshare.wps.com/thumbnails/brique-course-schedule-and-ects-for-machine-learning-units-2021-2022-syllabus-plan/194055.png","ImageObject",442,249,{"name":42,"@type":43},"Ivy","Person",{"url":19,"name":45,"@type":46},"DocShare","Organization","application/pdf","2026-09-17","2026-09-03",true,{"@type":52,"interactionType":53,"userInteractionCount":22},"InteractionCounter",{"@type":54},"ViewAction",{"@type":56,"mainEntity":57},"FAQPage",[58,64,68],{"name":59,"@type":60,"acceptedAnswer":61},"Quel est l’objectif du document ?","Question",{"text":62,"@type":63},"Le document liste la répartition des enseignements (cours, ateliers, projets) et les totaux associés en heures et en crédits ECTS pour plusieurs UE liées au Machine Learning et à des domaines connexes.","Answer",{"name":65,"@type":60,"acceptedAnswer":66},"Quelles informations trouve-t-on pour chaque UE ?",{"text":67,"@type":63},"Pour chaque UE, le document indique le nombre d’heures par type d’activité (cours, ateliers, projets), le total, ainsi que les crédits (ECTS).",{"name":69,"@type":60,"acceptedAnswer":70},"Quelles précisions pédagogiques sont données dans les fiches UE ?",{"text":71,"@type":63},"Les fiches précisent les enseignants, la charge de travail étudiant estimée, la langue d’enseignement, les logiciels/outils utilisés et les prérequis (notions et compétences).","https://schema.org",{"og:url":32,"og:type":74,"og:title":10,"og:site_name":45,"og:description":12},"article",{"robots":76,"canonical":32},"index,follow",{"doc_id":78,"site_id":7},194055,1788435985,{"code":4,"msg":81,"data":82},"success",[83,87,91,95,99,103,107,110],{"id":84,"doc_module":22,"doc_module_name":25,"category_name":85,"show_sort_weight":4,"slug":86},187,"Affiches","affiches",{"id":88,"doc_module":22,"doc_module_name":25,"category_name":89,"show_sort_weight":4,"slug":90},185,"CV","cv-de4d58cbecd644d0a7e318765621a3e1",{"id":92,"doc_module":22,"doc_module_name":25,"category_name":93,"show_sort_weight":4,"slug":94},186,"Factures","factures",{"id":96,"doc_module":22,"doc_module_name":25,"category_name":97,"show_sort_weight":4,"slug":98},189,"Formulaires","formulaires",{"id":100,"doc_module":22,"doc_module_name":25,"category_name":101,"show_sort_weight":4,"slug":102},191,"Général","general-191",{"id":104,"doc_module":22,"doc_module_name":25,"category_name":105,"show_sort_weight":4,"slug":106},190,"Lettres","lettres",{"id":108,"doc_module":22,"doc_module_name":25,"category_name":29,"show_sort_weight":4,"slug":109},184,"cv-767d690125b54e1a9d6afd8b391bba13",{"id":111,"doc_module":22,"doc_module_name":25,"category_name":112,"show_sort_weight":4,"slug":113},188,"Réseaux sociaux","reseaux-sociaux",{"code":4,"msg":81,"data":115},{"doc_id":78,"user_id":116,"nickname":42,"user_avatar":117,"doc_module":22,"category_id":108,"category_name":29,"doc_title":10,"doc_description":12,"doc_content":118,"file_id":119,"file_url":120,"file_type":121,"file_size":122,"view_count":22,"is_deleted":4,"is_public":22,"is_downloadable":22,"audit_status":22,"page_count":123,"language":124,"language_code":8,"site_id":7,"html_lang":8,"table_of_contents":125,"faqs":126,"seo_title":127,"seo_description":12,"update_tm":79,"read_time":128},549758252649,"https://ap-avatar.wpscdn.com/avatar/8000253669c5317157?_k=1778319167496531819","| Volume horaire |  |  |  |  |  |\n| --- | --- | --- | --- | --- | --- |\n|  | Cours | Ateliers | Projets | Total | Crédits |\n| UE1 Machine learning |  |  |  |  |  |\n| Machine learning | 18 | 12 |  | 30 | 2,5 |\n| Apprentiss age profond Webmining et | 6 | 6 |  | 12 | 1 |\n| traite ment du langage | 9 | 12 |  | 21 | 1,5 |\n| Total | 33 | 30 |  | 63 | 5 |\n| UE1 Bis Compléments de |  |  |  |  |  |\n| Machine learning |  |  |  |  |  |\n| Apprentiss age par |  |  |  |  |  |\n| renforcement | 15 |  |  | 15 | 1 |\n| Apprentiss age profond |  |  |  |  |  |\n| avancé | 12 |  |  | 12 | 1 |\n| Apprentiss age à grande |  |  |  |  |  |\n| échell e | 6 | 6 |  | 12 | 1 |\n| Systèmes de |  |  |  |  |  |\n| recommandation | 6 | 6 |  | 12 | 1 |\n| Régul aris ation | 9 | 6 |  | 15 | 1 |\n| Traite ment du langage |  |  |  |  |  |\n| avancé |  | 12 |  | 12 | 1 |\n| Total | 48 | 30 |  | 78 | 6 |\n| UE2 Développement |  |  |  |  |  |\n| d'application et DataOps |  |  |  |  |  |\n| Génie logi ciel | 24 | 24 |  | 48 | 3 |\n| Développement web | 12 | 15 |  | 27 | 2 |\n| Ou Dataops | 12 | 15 |  | 27 | 2 |\n| Total | 12 | 15 |  | 75 | 5 |\n| UE3 Big data |  |  |  |  |  |\n| Technologies NoSQL et |  |  |  |  |  |\n| Cloud | 18 | 12 |  | 30 | 2 |\n| Indexation web | 9 | 6 |  | 15 | 1 |\n| Publication de données res pectue use de la vie |  |  |  |  |  |\n| privée | 9 |  |  | 9 | 1 |\n| Total | 36 | 18 |  | 54 | 4 |\n| UE4 Système et réseaux |  |  |  |  |  |\n| Initiation à Unix | 9 | 6 |  | 15 | 0 |\n| Réseaux et systèmes |  |  |  |  |  |\n| d'exploitation | 15 | 6 |  | 21 | 1,5 |\n| Systèmes Répartis | 15 | 6 |  | 21 | 1,5 |\n| Sécurité des données | 9 | 6 |  | 15 | 1 |\n| Total | 48 | 24 |  | 72 | 4 |\n| UE Projets |  |  |  |  |  |\n| Projet méthodologi que |  | 9 | 18 | 27 | 1,5 |\n| Projet de fin d'étude |  | 9 | 36 | 45 | 3,5 |\n| Data Challenge |  | 12 |  | 12 | 0 |\n| Anglais |  | 30 |  | 30 | 1 |\n| Total |  | 60 | 54 | 114 | 6 |\n\n| UE Machine Learning\u003Cbr>APPRENTISSAGE AUTOMATIQUE\u003Cbr>Machine Learning |  |\n| --- | --- |\n| Enseignant\u003Cbr>Nombre d’ECTS\u003Cbr>Volume horaire de travail élève (enseignements + travail personnel) | : François PORTIER (Ensai) et Brigitte GELEIN (Ensai): 2,5\u003Cbr>: Env. 60h |\n| Répartition des enseignements Langue d’enseignement Logiciels\u003Cbr>Documents pédagogiques Pré-requis | : 18h de cours et 12h d’ateliers: Anglais (cours) et Français (ateliers): R\u003Cbr>: supports de cours, bibliographie et fiches de TP\u003Cbr>: régression, régression logistique, convergence de lois de probabilité, théorème central-limite, algèbre linéaire ; classification par arbre ; programmation avec R ; programmation orientée objet ; optimisation: maximisation d’une fonction, algorithme de Newton |\n\n| UE Machine Learning\u003Cbr>APPRENTISSAGE PROFOND\u003Cbr>Deep Learning |  |\n| --- | --- |\n| Enseignant\u003Cbr>Nombre d’ECTS\u003Cbr>Volume horaire de travail élève (enseignements + travail personnel) | : Romaric GAUDEL (Ensai)\u003Cbr>: 1\u003Cbr>: 24h |\n| Répartition des enseignements Langue d’enseignement Logiciels\u003Cbr>Documents pédagogiques Pré-requis | : 6h de cours et 6h d’ateliers.\u003Cbr>: Anglais\u003Cbr>: Python (tensorflow)\u003Cbr>: supports de cours, bibliographie et fiches de TP\u003Cbr>: R, Python, modélisation statistique, apprentissage statistique, optimisation de fonctions |","cbCaihTLOmpC6wvK","https://ap.wps.com/l/cbCaihTLOmpC6wvK","pdf",1566892,42,"French","# UE et répartition horaire\n## Unités d’enseignement (UE1 à UE Projets)\n## Fiches pédagogiques et prérequis (enseignants, langage, outils)","[{\"question\":\"Quel est l’objectif du document ?\",\"answer\":\"Le document liste la répartition des enseignements (cours, ateliers, projets) et les totaux associés en heures et en crédits ECTS pour plusieurs UE liées au Machine Learning et à des domaines connexes.\"},{\"question\":\"Quelles informations trouve-t-on pour chaque UE ?\",\"answer\":\"Pour chaque UE, le document indique le nombre d’heures par type d’activité (cours, ateliers, projets), le total, ainsi que les crédits (ECTS).\"},{\"question\":\"Quelles précisions pédagogiques sont données dans les fiches UE ?\",\"answer\":\"Les fiches précisent les enseignants, la charge de travail étudiant estimée, la langue d’enseignement, les logiciels/outils utilisés et les prérequis (notions et compétences).\"}]","Brique - Volume horaire et ECTS des UE Machine Learning 2021-2022 - Plan de cours | PDF",15]