Le contenu du cours couvre les notions fondamentales relatives au traitement spatial d’images numériques. Il porte particulièrement sur les opérations ponctuelles, les filtres numériques, les opérations morphologiques, la segmentation de l’image et les différentes transformées fréquentielles de l’image.
Il permet aux étudiants de comprendre les notions théoriques présentées en cours, et de mettre en pratique ces concepts à travers des travaux pratiques basés sur les différents algorithmes de traitement d'images.
- Enseignant: BELATTAR Khadidja
- Enseignant: RAHMANI AMINE
Ce cours couvre l'algorithmique avancée, la complexité de calcul temporelle et spatiale, les problèmes NP-complets et NP-difficiles, l'approximation et les algorithmes incomplets. Il permet aux étudiants de comprendre la différence entre les problèmes polynomiaux simples et les problèmes NP-difficiles complexes à la fois en théorie et en pratique. Ils apprendront également à utiliser des algorithmes efficaces pour résoudre une variété de problèmes combinatoires, notamment le problème de satisfiabilité, le problème du sac à dos et le problème du voyageur de commerce, entre autres.
- Enseignant: DRIAS Yassine
- Enseignant: HAMOUCHENE Izem
Cet enseignement a pour objectif de :
(1) Sur le plan théorique, présenter les bases du domaine de l’analyse de données,
(2) Sur le plan pratique, mettre en œuvre les méthodes de l’analyse de données par le développement des scripts Python pour analyser des données.
A l’issue de ce cours, les étudiants seront en mesure de :
- Prétraiter des jeux de données multidimensionnelles,
- Analyser des jeux de données préparées via l’utilisation des techniques de l’analyse en composantes principales et les modèles de la régression multiple,
- Présenter les jeux de données,
- Interpréter les résultats de l’analyse des jeux de données.
- Enseignant: BELATTAR Khadidja
The “Artificial Intelligence: Machine Learning” course (Lecture and Lab) for Master's students in Intelligent Computer Systems Engineering (M1 ISII) focuses on Supervised Learning and typically aims to:
- Provide a comprehensive understanding of the fundamental principles and algorithms used in supervised machine learning and artificial intelligence (AI).
- Equip students with practical skills to design, build, and apply ML models in various domains.
- Enable students to analyze large datasets with machine learning techniques and develop solutions that integrate human and algorithmic decision-making.
- Foster the ability to critically evaluate current ML models, understand their capabilities and limitations, and anticipate future developments in the field.
- Prepare graduates to contribute to the advancement of AI applications and address real-world challenges using intelligent systems.
The course also includes hands-on projects and an introduction to research, allowing students to apply their learning to practical problems and explore innovative applications of AI and machine learning.
By the end of the course, Master's students will be equipped with the knowledge to select appropriate machine learning techniques for different types of data and problems, and will be prepared to advance to more specialized topics in machine learning and artificial intelligence.
- Enseignant: BOUTORH Aicha
- Enseignant: BAADACHE Abderahmene
- Enseignant: GUENDOUZI Wassila