Contactez-nous

Structures de données, algorithmique et apprentissage

Mis à jour le

Responsable(s) : Mme Agnes PLATEAU ALFANDARI, M. Stephane ROVEDAKIS

  • Cours + travaux pratiques
Code Cnam : USSI5N

Envie d'en savoir plus sur cette formation ?

Afin d’obtenir les tarifs, le calendrier de la formation, en distanciel, en présentiel, le lieu de la formation et un contact, remplissez les critères suivants :

Afficher le centre adapté à mes besoins

Afin d’obtenir les tarifs, le calendrier de la formation et le lieu de la formation, remplissez les critères suivants :

  • Durée : 70 heures
  • Package
  • 9 crédits

Présentation

Public, conditions d'accès et prérequis

Prérequis

Etre admis.e à la préparation à l'agrégation d'Informatique.

Objectifs

Préparer les agrégatifs à passer dans les conditions les plus favorables les épreuves écrites et orales du concours de l'agrégation d'informatique.

Compétences et débouchés

Compétences

Enseigner les structures de données, l'algorithmique et l'intelligence artificielle  dans les lycées, classes préparatoires et premières années de l’enseignement supérieur.

Parcours

Informations pratiques

Contact

Programme

Contenu

Structures de données : types et abstraction, structures de données séquentielles, structures de données hiérarchiques (arbres binaires, tas, union & find), structures de données relationnelles (graphes).

Algorithmique :

Algorithmes probabilistes (Las Vegas et Monte Carlo) et d’approximation (pour les problèmes de décision et d’optimisation)

Algorithmes de séparation et évaluation

Décomposition d’un problème en sous-problèmes : Algorithmes gloutons, diviser pour régner, dichotomie (algorithmes de tri), programmation dynamique.

Algorithmique des textes : algorithmes pour la recherche dans un texte et la compression de textes

Algorithmique de graphes : parcours de graphes, plus courts chemins (Algorithme de Dijkstra et de Floyd-Wharshall), recherche d’un arbre couvrant de poids min, notions de chemins augmentants avec introduction aux problèmes de flots.

Intelligence artificielle : Mesures de similarité pour l’apprentissage machine, données d’entraînement et données de test, choix des descripteurs, enjeux d’éthique (biais d’apprentissage, transparence), concepts d’apprentissage supervisé et non-supervisé, de stratégies et d’heuristiques.