MSE Master of Science in Engineering

The Swiss engineering master's degree


Chaque module vaut 3 ECTS. Vous sélectionnez 10 modules/30 ECTS parmi les catégories suivantes:

  • 12-15 crédits ECTS en Modules technico-scientifiques (TSM)
    Les modules TSM vous transmettent une compétence technique spécifique à votre orientation et complètent les modules de spécialisation décentralisés.
  • 9-12 crédits ECTS en Bases théoriques élargies (FTP)
    Les modules FTP traitent de bases théoriques telles que les mathématiques élevées, la physique, la théorie de l’information, la chimie, etc., vous permettant d’étendre votre profondeur scientifique abstraite et de contribuer à créer le lien important entre l’abstraction et l’application dans le domaine de l’innovation.
  • 6-9 crédits ECTS en Modules contextuels (CM)
    Les modules CM vous transmettent des compétences supplémentaires dans des domaines tels que la gestion des technologies, la gestion d’entreprise, la communication, la gestion de projets, le droit des brevets et des contrats, etc.

Le descriptif de module (download pdf) contient le détail des langues pour chaque module selon les catégories suivantes:

  • leçons
  • documentation
  • examen 
Algorithmique (FTP_Alg)

Ce module présente différentes catégories d’algorithmes avancés ainsi que leurs domaines d’application typiques.
La première partie du module approfondira les connaissances sur les structures de données qui permettent de gérer efficacement des ensembles de données très grands, complexes ou dynamiques, voire combinant ces trois caractéristiques. À l’issue du module, les étudiants seront capables de sélectionner le meilleur algorithme et de l’appliquer à des tâches telles que l’indexation, la recherche, l’extraction, l’insertion ou la mise à jour de données volumineuses, comme celles que l’on rencontre dans les systèmes d’informations géographiques, les hypertextes ou en intelligence artificielle.
La seconde partie du module présentera des techniques de base pour la conception d'algorithmes appliqués à des problèmes d'optimisation difficiles. La combinaison de ces techniques de base ―modélisation, construction de solution, amélioration de solution, décomposition de problème, apprentissage― conduit à des métaheuristiques classiques comme les algorithmes génétiques, les colonies de fourmi artificielles ou la recherche avec tabous. À l'issue du module, les étudiants seront capables de concevoir et d'appliquer ces techniques à des problèmes d'optimisation difficiles.

Compétences préalables

L’étudiant dispose de connaissances pratiques en :

  • géométrie, algèbre linéaire, algorithmes (classification, recherche, hachage) et structures de données (structures linéaires, structures arborescence)
  • connaissances de base de la théorie des graphes (structures de données et algorithmes)
  • complexité algorithmique, logique, théorie des probabilités

Ces connaissances font partie de tout bon livre d'introduction sur les algorithmes. Par exemple, les chapitres 1-12, 15-17, 22-26, 28-29, 34-35 de Cormen (2009) couvrent parfaitement les pré-requis de ce cours.

Objectifs d'apprentissage

Ce module donne une vue d’ensemble diverses classes d’algorithmes fréquemment utilisés en pratique. Sur la base de connaissances solides, l’étudiant est capable de concevoir et d’implanter les algorithmes les plus efficaces et les plus appropriés pour ses propres applications. À l’issue du module, l’étudiant :

  • connaît différentes catégories d’algorithmes avancés et leurs domaines d’application ;
  • a une bonne connaissance en structures de données avancées et leur utilisation pour gérer efficacement des données volumineuses, complexes et/ou dynamiques ;
  • est en mesure d’évaluer quels algorithmes sont appropriés pour réaliser efficacement certaines tâches telles que l’indexation, la recherche, l’extraction, l’insertion ou la mise à jour de données volumineuses ;
  • connaît les algorithmes dynamiques utilisés en robotique ou en intelligence artificielle

Catégorie de module

Algorithmes et structures de données pour quelques problèmes spécifiques. Poids 50%

  • Rappels sur les structures linéaires, les arbres de recherche binaires, les tas et la complexité algorithmique
  • Algorithmes randomisés (tri rapide, sélection en temps linéaire, arbre kD, arbre de requête d'énumération, triangulation de Delaunay)
  • Algorithmes déterministes (sélection en temps linéaire, arbre kD)
  • Algorithmes de balayage (plus proche paire de points, intersection de segments)
  • Algorithmes gloutons (codage de Huffman, Dijkstra, tas de Fibonacci)

Conception d'algorithmes heuristiques. Poids 50%

  • Rappels de théorie de la complexité, de modélisation de problèmes, d'optimisation combinatoire
  • Algorithmes gloutons
  • Heuristiques de recherche locale
  • Méthodes de décomposition
  • Heuristiques randomisées
  • Heuristiques d'apprentissage
  • Métaheuristiques classiques: GRASP, colonies de fourmis artificielles, recherche tabou, recuit simulé, méthodes de bruitage, algorithmes génétiques

Méthodes d'enseignement et d'apprentissage

  • Enseignement ex-cathedra
  • Présentation et discussion d’études de cas
  • Apprentissage par résolution de problème
  • Exercices théoriques et de programmation

Bibliographie

M. de Berg, G. Cheong, M. van Kreveld, M. Overmars. Computational Geometry : Algorithms and Applications, Springer, Third Edition 2008.

T. H. Cormen, C. E. Leiserson, R. L. Rivest, C. Stein. Introduction to Algorithms, third edition, MIT Press, 2009.

Traduction française : Introduction à l'algorithmique, 3e édition, Dunod, 2010.

P. Siarry (ed.), Métaheuristiques, EAN13 : 9782212139297, Eyrolles 2014.

H. H. Hoos, Th. Stützle Stochastic Local Search: Foundations and Applications, Morgan Kaufmann / Elsevier, 2004.

É. Taillard Introductions aux méta-heuristiques, WWW, 2015-2020

Télécharger le descriptif complet

Retour