Teaching

Bachelor Courses

• Introduction à la science des données (ISD, 2021)
  • 1. Outils pour la modélisation data-driven
  • 2. Introduction à la science des données
  • 3. Apprentissage automatique (Machine Learning)
  • 4. Bibliothèques pour le calcul scientifique
  • 5. Analyse exploratoire des données
  • 6. Apprentissage supervisé
  • 7. Evaluation des modèles
  • 8. Apprentissage supervisé 2: algorithme LVQ
  • 9. Régression linéaire
  • 10. Données et caractéristiques
  • 11. Apprentissage non-supervisé
  • 12. Conclusions et perspectives

• Apprentissage par réseaux de neurones (ARN, 2022)
  • 1. Machine Learning basics (reminder)
  • 2. Perceptrons
  • 3. Multi-Layer Perceptrons (MLP)
  • 4. Neural Networks’ training
  • 5. Neural Networks’ monitoring
  • 6. Convolutional Neural Networks (CNN)
  • 7. From Shallow to Deep Neural Networks
  • 8. Convolutional Neural Network Architectures
  • 9. Transfer Learning, Embeddings and Meta-Learning
  • 10. Deep troubles
  • 11. Deep Learning Applications
  • 12. Beyond Convolutional Neural Networks

• Machine Intelligence (MIN 2023-)
  • 01. Introduction: from GOFAI to modern AI
  • 02. Self-supervised learning
  • 03. Generative Adversarial Networks
  • 04. Machine Learning and creativity
  • 05. Reinforcement Learning
  • 06. Deep Reinforcement Learning
  • 07. Reinforcement Learning applications
  • 08. Artificial Evolution
  • 09. Embodied Cognition
  • 10. From Collective Intelligence to Machivellian Intelligence
  • 11. Agent-based models, Artificial Life and Complexity
  • 12. Agent-based model applications

• Machine Learning (MLG 2016-2020)
  • 01. Introduction
  • 02. Artificial Neural Networks
  • 03. Artificial Neural Networks II
  • 04. Feature engineering
  • 05. Deep Learning
  • 06. Unsupervised learning
  • 07. Reinforcement Learning
  • 08. Genetic Algorithms
  • 09. Swarm Intelligence
  • 10. Artificial Intelligence

• Interfaces Homme-Machine (IHM, 2018-2022)
  • 0. Introduction
  • 1. Design of interfaces: basic concepts
  • 2. The human in the loop
  • 3. Context-aware interfaces
  • 4. Emerging HCI
  • 5. Data visualization
  • 6. Gamification

• Architecture des ordinateurs (ARO1, 2003-2018)
• Développement de dispositifs médicaux (DDM, 2019 & 2020)
  • Sports, santé et bien-être à l’ère du numérique
  • Sports, santé et bien-être à l’ère du numérique 2

Master Courses

• Machine Learning (TSM_MachLe, 2017-)
  • 9. Artificial Neural Networks
  • 10. Deep Learning & Convolutional Neural Networks
  • 12. Autoencoders
  • 13. Recurrent Neural Networks
  • 14. Dimensionality reduction
• Machine Learning on Big Data (MLBD 2016-)
  • 1. Introduction
  • 2. Image processing using Convolutional Neural Networks
  • 3. Remote Sensing: a Big Data case study
  • 4. Change and Anomaly detection in Big Spatiotemporal Data.
• Quantified Self (QSelf, 2018-2021)
  • 1. Introduction to Quantified Self
  • 2. Sensors for Quantified Self
  • 3. Sensor data for Quantified Self
  • 4. Quantified Self: physical state monitoring
  • 5. Quantified Self: cognitive state monitoring
• AI for Games and Simulation (AIGS, 2012 & 2013)
• Smart Devices and Applications (SDA, 2010 & 2011)