11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

ⵜⴰⴳⵍⴷⵉⵜ ⵏ ⵍⵎⵖⵔⵉⴱ ‫المملكة المغربية‬

ⵜⴰⵎⴰⵡⴰⵙⵜ ⵏ ⵓⵙⵙⵍⵎⴷ ⴰⵏⴰⴼⵍⵍⴰ ⴷ ⵓⵔⵣⵣⵓ ‫وزارة التعليم العالي‬
ⴰⵎⴰⵙⵙⴰⵏ ⴷ ⵓⵙⵏⴼⵍⵓⵍ ‫والبحث العلمي والابتكار‬

Royaume du Maroc
Ministère de l’Enseignement Supérieur,
de la Recherche Scientifique et de l’Innovation

DESCRIPTIF DE DEMANDE D'ACCREDITATION

Master en Sciences et Techniques

 Nouvelle demande  Demande de renouvellement de l'accréditation, selon le CNPN

Université dont relève la filière Université Sultan Moulay Slimane de Béni-mellal

Etablissement de domiciliation de la filière Faculté des sciences et technique à Beni Mellal

Intitulé de la filière (en arabe, en français et Intelligence Artificielle & Informatique Numérique
éventuellement en une autre langue ‫الذكاء االصطناعي والحوسبة الرقمية‬
d'enseignement)

Département d'attache de la filière Informatique

about:blank 1/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

AVIS ET VISAS

Le coordonnateur pédagogique de la filière *

* Le coordonnateur de la filière appartient au département d'attache de la filière
* Joindre un CV succinct du coordonateur de la filière

Etablissement : Faculté des sciences et technique à Beni Département : Informatique

Mellal
Prénom et Nom :- NACHAOUI Grade : Professeur habilité Spécialité :
MOURAD
Email : Fax : Téléphone : 0664093633

Date et signature :

about:blank 2/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

Le Chef de département d'attache de la filière

L'avis du département, exprimé par le chef de département, devrait se baser sur des critères précis de qualité, d'opportunité, de
faisabilité, et d'optimisation des ressources humaines et matérielles, à l'échelle du département.

 Avis Favorable
 Avis Défavorable
Motivations :

Date, cachet et signature :

Le Chef de l'établissement de domiciliation de la filière

L'avis du Conseil d'établissement, exprimé par son président, devrait se baser sur des critères précis de qualité, d'opportunité, de
faisabilité, et de disposition à accueillir la filière.

 Avis Favorable

 Avis Défavorable
Motivations :

Date, cachet et signature :

about:blank 3/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

Le Président de l'université

L'avis du Conseil d'université, exprimé par son président, devrait se baser sur des critères précis de qualité, d'opportunité, de
faisabilité, et d'optimisation des ressources humaines et matérielles, à l'échelle de l'université.

 Avis Favorable
 Avis Défavorable
Motivations :

Date, cachet et signature :

about:blank 4/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

SOMMAIRE DES MODULES

Descriptif du Module n° Intitulé du Module N° de la page

M113 Mathématiques pour L’IA
M111 STATISTIQUES ET ANALYSE DE DONNEES
M112 VISION PAR ORDINATEUR
M114 FONDEMENTS DE L’IA
M115 APPRENTISSAGE AUTOMATIQUE
M116 LC METHODOLOGIE DE RECHERCHE
M121 RECHERCHE OPERATIONNELLE
M122 BASE DE DONNEE NOSQL
M123 Internet des objets IOT
M124 ECOSYSTEME BIG DATA
M125 Apprentissage Profond
M126 PROJET IA
M233 ARCHITECTURES DISTRIBUEES ET MICROSERVICES
M235 Apprentissage par renforcement
M234 Cybersécurité & blockchain
M236 VIRTUALISATION ET CLOUD COMPUTING
M231 INFORMATIQUE DECISIONNELLE
M232 ETHIQUE ET DROIT INFORMATIQUE

about:blank 5/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

1. IDENTIFICATION DE LA FILIERE

Intitulé de la filière :Intelligence Artificielle & Informatique Numérique

Discipline (s) (Par ordre d'importance relative) :Big Data et Intelligence Artificielle

Spécialité(s) du diplôme :

Mots clés :
Recherche Opertionnelle
Internet des Objets (IoT)
Big-data
Machine Learning
Sciences Des Données
Deep Learning
Bases des données Nosql
Renforcement Learning
Cloude computing & virtualisation
Cyber-Sécurité & Blockchain

2. OBJECTIFS DE LA FORMATION

L'intelligence artificielle (IA) est l'un des domaines les plus passionnants de l'informatique et de l'ingénierie. L'IA et l'apprentissage
automatique (ML) relèvent le défi de créer des machines capables d'apprendre, de s'adapter et de faire preuve d'intelligence. Les
applications de l’IA de plus en plus s’incrustent dans notre vie moderne de telle sorte qu’elles deviennent primordiales. En effet, la
recherche sur l'IA nous a conduits vers un monde avec des voitures autonomes, des échanges automatisés sur les marchés boursiers,
la chirurgie assistée par l'IA, des réseaux électriques contrôlés par l'IA, des smartphones capables de reconnaître les
objets/visages/paroles, des moteurs de recherche capables de traduire les langages, des jeux vidéo qui présentent un comportement
réactif, adaptatif et intelligent.

Ce nouveau master embrasse les nouvelles tendances de l'IA en combinant des techniques d'IA établies telles que :

Apprentissage non supervisé / supervisé / par renforcement, apprentissage en profondeur, régression paramétrique / non
paramétrique et classification, réseaux bayésiens et algorithmes de recherche, avec des disciplines et des technologies émergentes
telles que :

Apprentissage par renforcement profond, modélisation de la causalité, modélisation du comportement inspirée des jeux, vérification
automatique de la conformité, synthèse automatique du flux de travail, exactitude assistée par machine, programmation probabiliste
et IA explicable, technologies et plateformes cloud ; gestion des données massives et mise en œuvre et utilisation d'algorithmes
distribués et parallèles dans un large éventail de domaines d'application.

L'accent est mis sur l'application de ces techniques à divers domaines d'application : analyse de texte et traitement du langage
naturel, traitement d’image, vision artificielle, jeux, fabrication intelligente, maintenance prédictive, mouvement et planification,
analyse commerciale, finance et bien d'autres.

Profil du diplômé

Ce Master prépare les étudiants à des carrières dans l'industrie de l'analyse de données, de la science des données, de
l'apprentissage automatique et de l'IA. Il vise également à donner aux étudiants les connaissances théoriques nécessaires pour
devenir potentiellement des doctorants de haut niveau et capables de mener des recherches de haut niveau en IA.

about:blank 6/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

3. COMPETENCES A ACQUERIR

Notre objectif est d'explorer l'IA de tous les points de vue possibles, ceux qui existent déjà et ceux qui sont encore le fruit de notre
imagination. En particulier, à l’issue de ce master, les étudiants peuvent atteindre les objectifs suivants :

· Apprendre les processus méthodologiques et techniques nécessaires pour concevoir et prototyper l'intelligence artificielle.
· Apprendre les dernières tendances et techniques en matière d'apprentissage automatique et de réseaux de neurones.
· Apprendre de nouveaux flux et processus de conception d'intelligence artificielle, en traduisant des modèles mentaux en
modèles mathématiques.
· Traduire des modèles mentaux en modèles mathématiques et en algorithmes d'intelligence artificielle.
· Construire une architecture logicielle en cartographiant les besoins des utilisateurs et du système.
· Développer un produit ou un service logiciel avec intelligence artificielle en utilisant divers paradigmes de réseaux de
neurones.
· Interpréter le contexte économique, technologique et social dans une perspective historique pour transformer les événements
en données.
· Appliquer l'apprentissage de l'exploration de données à l'aide de réseaux de neurones.
· Appliquer des conceptions de systèmes d'information intelligents à différents environnements professionnels, commerciaux et
sociaux.

4. DEBOUCHES DE LA FORMATION

Le Master proposé dotera nos diplômés des compétences et des connaissances nécessaires pour les aider dans leur évolution de
carrière. En effet, les connaissances et les compétences développées au cours du programme leur permettront de postuler à des
postes appropriés centrés sur leurs compétences et leurs intérêts. En particulier, le programme présenté permettra aux lauréats une
insertion plus simple sur le marché du travail local et national car il répond à la demande croissante de numérisation et d’innovation
de technologies jugées prioritaire par le pacte ESRI 2030. Sans présumer d’être exhaustive, les étudiants peuvent cibler l'un des rôles
suivants :

Ø Concepteur IA
ØDATA SCIENTEST
Ø Développeur Big Data
Ø Développeur IA
ØChatbot Master
ØEThicien

Avec son ouverture sur la recherche, ce Master permettra, entre autres, à certains lauréats, de pouvoir poursuivre des études
doctorales à des fins de carrière en Recherche scientifique et Développement.

5. MODE D'ENSEIGNEMENT

 Présentiel

 Hybride

 Alternance

 A distance

La formation prévoit-elle une mobilité des étudiants à l’international / national ? :

about:blank 7/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

 Oui

 Non

6.1. MODALITES D'ADMISSION(comme indiqué dans la note ministérielle)

Diplômes requis :
Licence en sciences et techniques (Spécialité: Informatique)
Licence en sciences et techniques (Spécialité: Mathématiques, Physique, Informatique)
Licence en sciences et techniques (Spécialité: Mathématiques et applications)
Licence en sciences et techniques (Spécialité: Ingénierie Mathématiques et informatique)
Licence des études fondamentales (Spécialité: Informatique)
Tout diplôme équivalent (Spécialité: Informatique)

Pré-requis pédagogiques spécifiques :

Les candidats pour ce master doivent posséder suffisamment de compétences de base en mathématiques et
programmation.

Procédures de sélection :

 Étude du dossier (Expliciter les critères de sélection : mentions, nombre d'années d'études, notes des matières principales, etc…)

Une étude de dossier, dont les critères de sélection sont : diplômes, mentions, nombre d'années d'étude,
notes des matières principales dans le domaine de l'informatique et des mathématiques appliquées, expérience
professionnelle, engagement et disponibilité pour suivre la formation et assister aux cours dispensés pendant toute
la durée de la formation, etc.

 Test écrit

 Entretien oral

 Autres (spécifier)

6.2. Accès par passerelles

6.3 EFFECTIFS PREVUS :

Promotion : Année universitaire 2023-2024 : effectifs prévus 30.

Promotion : Année universitaire 2024-2025 : effectifs prévus 30.
Promotion : Année universitaire 2025-2026 : effectifs prévus 30.

7. ORGANISATION MODULAIRE DE LA FILIERE

about:blank 8/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

Module Coordonnateur du module

Nature du
module (Majeur Département
Volume / d'attache du Nom et Etablissement
N° Intitulé Horaire Complémentaire) module prénom / Université Département Spécialité Grade
Semestre 1

M113 Mathématiques 56 Majeur Informatique AFRAITES Faculté des Professeur

pour L’IA LEKBIR - sciences et habilité
technique à
Beni Mellal /
Université
Sultan Moulay
Slimane de
Béni-mellal

M111 STATISTIQUES ET 56 Majeur Informatique IDRISSI Faculté des Professeur

ANALYSE DE NAJLAE - sciences et habilité
DONNEES technique à
Beni Mellal /
Université
Sultan Moulay
Slimane de
Béni-mellal

M112 VISION PAR 56 Majeur Informatique EL AYACHI Faculté des Professeur

ORDINATEUR RACHID - sciences et habilité
technique à
Beni Mellal /
Université
Sultan Moulay
Slimane de
Béni-mellal

M114 FONDEMENTS DE 56 Majeur Informatique IDRISSI Faculté des Professeur

L’IA NAJLAE - sciences et habilité
technique à
Beni Mellal /
Université
Sultan Moulay
Slimane de
Béni-mellal

M115 APPRENTISSAGE 56 Majeur Informatique NACHAOUI Faculté des Informatique Professeur

AUTOMATIQUE MOURAD - sciences et habilité
technique à
Beni Mellal /
Université
Sultan Moulay
Slimane de
Béni-mellal

M116 LC 56 Outils et Informatique FAKIR Faculté des Professeur de

METHODOLOGIE ouverture MOHAMED - sciences et l'enseignement
DE RECHERCHE technique à supérieur
Beni Mellal /
Université
Sultan Moulay
Slimane de
Béni-mellal

TOTAL VH SEMESTRE 1 336

about:blank 9/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

Module Coordonnateur du module

Nature du
module (Majeur Département
Volume / d'attache du Nom et Etablissement
N° Intitulé Horaire Complémentaire) module prénom / Université Département Spécialité Grade
Semestre 2

M121 RECHERCHE 56 Majeur Informatique AFRAITES Faculté des Professeur

OPERATIONNELLE LEKBIR - sciences et habilité
technique à
Beni Mellal /
Université
Sultan Moulay
Slimane de
Béni-mellal

M122 BASE DE DONNEE 56 Majeur Informatique ERRITALI Faculté des Professeur

NOSQL MOHAMMED sciences et habilité
- technique à
Beni Mellal /
Université
Sultan Moulay
Slimane de
Béni-mellal

M123 Internet des 56 Majeur Informatique BASLAM Faculté des Professeur

objets IOT MOHAMED - sciences et habilité
technique à
Beni Mellal /
Université
Sultan Moulay
Slimane de
Béni-mellal

M124 ECOSYSTEME BIG 56 Majeur Informatique ELMOUFIDI Faculté des PROFESSEUR DE

DATA ABDELALI - sciences et L'ENSEIGNEMENT
technique à SUP ASSISTANT
Beni Mellal /
Université
Sultan Moulay
Slimane de
Béni-mellal

M125 Apprentissage 56 Majeur Informatique EL AYACHI Faculté des Professeur

Profond RACHID - sciences et habilité
technique à
Beni Mellal /
Université
Sultan Moulay
Slimane de
Béni-mellal

M126 PROJET IA 56 Outils et Informatique NACHAOUI Faculté des Informatique Professeur

ouverture MOURAD - sciences et habilité
technique à
Beni Mellal /
Université
Sultan Moulay
Slimane de
Béni-mellal

TOTAL VH SEMESTRE 2 336

about:blank 10/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

Module Coordonnateur du module

Nature du
module (Majeur Département
Volume / d'attache du Nom et Etablissement
N° Intitulé Horaire Complémentaire) module prénom / Université Département Spécialité Grade
Semestre 3

M233 ARCHITECTURES 56 Majeur Informatique SAADI Faculté des PROFESSEUR DE

DISTRIBUEES ET YOUSSEF - sciences et L'ENSEIGNEMENT
MICROSERVICES technique à SUP ASSISTANT
Beni Mellal /
Université
Sultan Moulay
Slimane de
Béni-mellal

M235 Apprentissage 56 Majeur Informatique AIT OMAR Faculté des Informatique Informatique Professeur
par renforcement Driss sciences et assistant
technique à
Beni Mellal /
Université
Sultan Moulay
Slimane de
Béni-mellal

M234 Cybersécurité & 56 Majeur Informatique GARMANI Faculté des Informatique Informatique Professeur
blockchain HAMID sciences et assistant
technique à
Beni Mellal /
Université
Sultan Moulay
Slimane de
Béni-mellal

M236 VIRTUALISATION 56 Majeur Informatique ZOUGAGH Faculté des PROFESSEUR DE

ET CLOUD HICHAM - sciences et L'ENSEIGNEMENT
COMPUTING technique à SUP ASSISTANT
Beni Mellal /
Université
Sultan Moulay
Slimane de
Béni-mellal

M231 INFORMATIQUE 56 Outils et Informatique HAIR Faculté des Professeur de

DECISIONNELLE ouverture ABDELLATIF - sciences et l'enseignement
technique à supérieur
Beni Mellal /
Université
Sultan Moulay
Slimane de
Béni-mellal

M232 ETHIQUE ET 56 Outils et Informatique EL Faculté des PROFESSEUR DE

DROIT ouverture MOURABIT sciences et L'ENSEIGNEMENT
INFORMATIQUE YOUSEF - technique à SUP ASSISTANT
Beni Mellal /
Université
Sultan Moulay
Slimane de
Béni-mellal

TOTAL VH SEMESTRE 3 336

TOTAL VH SEMESTRE 4 0

8. EQUIPE PEDAGOGIQUE DE LA FILIERE

INTERVENTION

Nature
(Cours, TD,
TP,
encadrement VH assuré
Module(s) de projets, par
Nom et prénom Département Spécialité Grade d'intervention etc.) l'intervenant

1. Intervenants de
l'établissement
d'attache : Faculté des
sciences et technique
à Beni Mellal

about:blank 11/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

INTERVENTION

Nature
(Cours, TD,
TP,
encadrement VH assuré
Module(s) de projets, par
Nom et prénom Département Spécialité Grade d'intervention etc.) l'intervenant

AFRAITES LEKBIR - Professeur habilité Mathématiques Cours, TD, TP, 56.0 H

pour L’IA Encadrement 56.0 H
RECHERCHE Stage,
OPERATIONNELLE Encadrement
Projet,
Cours, TD, TP,
Encadrement
Stage,
Encadrement
Projet,

IDRISSI NAJLAE - Professeur habilité STATISTIQUES ET Cours, TD, TP, 56.0 H

ANALYSE DE Encadrement 56.0 H
DONNEES Stage,
FONDEMENTS DE Encadrement
L’IA Projet,
Cours, TD, TP,
Encadrement
Stage,
Encadrement
Projet,

EL AYACHI RACHID - Professeur habilité VISION PAR Cours, TD, TP, 56.0 H
ORDINATEUR Encadrement 56.0 H
Apprentissage Stage,
Profond Encadrement
Projet,
Cours, TD, TP,
Encadrement
Stage,
Encadrement
Projet,

NACHAOUI MOURAD Informatique Professeur habilité APPRENTISSAGE Cours, TD, TP, 56.0 H
- AUTOMATIQUE Encadrement 56.0 H
PROJET IA Stage,
Encadrement
Projet,
Cours, TD, TP,
Encadrement
Stage,
Encadrement
Projet,

FAKIR MOHAMED - Professeur de LC Cours, TD, 56.0 H

l'enseignement supérieur METHODOLOGIE Encadrement
DE RECHERCHE Stage,
Encadrement
Projet,

ERRITALI MOHAMMED Professeur habilité BASE DE DONNEE Cours, TP, 56.0 H

- NOSQL Encadrement
Stage,
Encadrement
Projet,

BASLAM MOHAMED - Professeur habilité Internet des Cours, TD, TP, 56.0 H
objets IOT Encadrement
Stage,
Encadrement
Projet,

ELMOUFIDI ABDELALI PROFESSEUR DE ECOSYSTEME BIG Cours, TD, TP, 56.0 H

- L'ENSEIGNEMENT SUP DATA Encadrement
ASSISTANT Stage,
Encadrement
Projet,

SAADI YOUSSEF - PROFESSEUR DE ARCHITECTURES Cours, TD, TP, 56.0 H

L'ENSEIGNEMENT SUP DISTRIBUEES ET Encadrement
ASSISTANT MICROSERVICES Stage,
Encadrement
Projet,

about:blank 12/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

INTERVENTION

Nature
(Cours, TD,
TP,
encadrement VH assuré
Module(s) de projets, par
Nom et prénom Département Spécialité Grade d'intervention etc.) l'intervenant

AIT OMAR Driss Informatique Informatique Professeur assistant Apprentissage Cours, TD, TP, 56.0 H
par renforcement Encadrement
Stage,
Encadrement
Projet,

GARMANI HAMID Informatique Informatique Professeur assistant Cybersécurité & Cours, TD, TP, 56.0 H
blockchain Encadrement
Stage,
Encadrement
Projet,

ZOUGAGH HICHAM - PROFESSEUR DE VIRTUALISATION Cours, TD, TP, 56.0 H

L'ENSEIGNEMENT SUP ET CLOUD Encadrement
ASSISTANT COMPUTING Stage,
Encadrement
Projet,

HAIR ABDELLATIF - Professeur de INFORMATIQUE Cours, TD, TP, 56.0 H

l'enseignement supérieur DECISIONNELLE Encadrement
Stage,
Encadrement
Projet,

EL MOURABIT YOUSEF PROFESSEUR DE ETHIQUE ET Cours, TP, 56.0 H

- L'ENSEIGNEMENT SUP DROIT Encadrement
ASSISTANT INFORMATIQUE Stage,
Encadrement
Projet,

2. Intervenants
d'autres
établissements de
l'université (Préciser)
: Université Sultan
Moulay Slimane de
Béni-mellal

3. Intervenants
externes à
l'université* d'autres
établissements de
formation (Préciser
l'établissement de
formation / Joindre
les documents
d'engagement des
intéressés)

4. Intervenants*
socioéconomiques
(Préciser l'organisme
/ Joindre les
documents
d'engagement des
intéressés)

9. MOYENS MATERIELS ET LOGISTIQUE SPECIFIQUES, NECESSAIRES A LA MISE EN ŒUVRE DE LA LICENCE

PROFESSIONNELE

Disponibles Prévus

Routeurs Cisco, Ordinateurs Bureau, Vidéo Projecteur, Ordinateur Bureau et portable, Routeurs

about:blank 13/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

10. PARTENARIATS ET COOPERATION (PRECISER LA NATURE ET LES MODALITES)

10.1 Partenariat universitaire (Joindre les documents d'engagement, pour les partenaires autre que l'université
d'appartenance de l'établissement dont relève la filière)

Institution Nature et modalités du partenariat

Université del Carmen Accord de coopération

École Marocaine des Sciences de l’Ingénieur Convention de partenariat

Université des sciences appliquées de Shmalkalden, Convention de coopération

République fédérale d'Allemagne

INRA Convention cadre de partenariat dans le domaine de la recherche

scientifique et technique

Université Dunărea de Jos de Galati Accord Cadre de coopération

Présidence de l'Université Chouaïb Eddoukali El Jadida Convention de mobilité et de co-direction

Université de Vienne Accord Cadre de coopération

Université internationale de Casablanca Convention de Coopération

Université de la Rochelle (France) Convention de coopération

Université Anger Accord de coopération

Présidence de l'Université Mohammed VI Polytechnique Convention d’application

Université de Bretagne occidental convention de cadre

Présidence de l'Université Ibn Tofaïl Kenitra Convention de partenariat

10.2 Partenariat socio-professionnel (Joindre documents d'engagement)

Institution Domaine d'activité Nature et modalités

- Association Défi, Coopérative Khairat Beni Mellal et Association Convention de

Nationale des Commerçants “Indépendants” partenariat

COSUMAR SUTA Société Anonyme de Convention de

droit marocain partenariat

- Commission National de Contrôle de la protection des Données à protection des données Convention de
caractère Personnel personnelles partenariat

CGEM, AMICA et GIMAS Industrie Convention cadre de

partenariat

10.3 Autres partenariats (préciser / Joindre documents d'engagement)

Institution Domaine d'activité Nature et modalités

10.4 AUTRES RENSEIGNEMENTS PERTINENTS

about:blank 14/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

12. ARTICULATION DE LA FILIERE AVEC LES FORMATIONS DISPENSEES AU NIVEAU DE L'UNIVERSITE

Passerelles avec les formations dispensées au niveau de l’Etablissement

Sont admis à rejoindre le Master le Master Intelligence Artificial Intelligence & Digital Computing les étudiants des autres
LST de l’établissement en se basant sur les parcours MIP ou équivalents.

Passerelles avec les formations dispensées au niveau d’autres établissements

Sont admis à rejoindre le Master le Master Artificial Intelligence & Digital Computing les étudiants des LST des autres
établissements en se basant sur les parcours MIP ou équivalents.

about:blank 15/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

DESCRIPTIF DU MODULE M113

N° d'ordre du module M113

Intitulé du module Mathématiques pour L’IA

Nature du module Majeur

Semestre d'appartenance du module 1

Département d'attache Informatique

about:blank 16/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

1. SYLLABUS DU MODULE
1.1. OBJECTIFS DU MODULE

L’objectif de ce module est de remettre à niveau les étudiants en termes de compétences en mathématiques comme outils pour l’intelligence
artificielle. Les aspects abordés sont les l’algorithmique de base, la maitrise du langage Python et des bibliothèques de traitement de données, ainsi
que l’algèbre linéaire (produit et inversion de matrices, valeurs propres et valeurs singulières, diagonalisation et résolution des systèmes linéaires)
et les techniques d’optimisation avec contrainte et sans contrainte (méthode de descente de gradient, méthode de ADAM, Quasi Neutron et
Newton).

1.2. PRE-REQUIS PEDAGOGIQUES (Indiquer le ou les module(s) requis pour suivre ce module et le semestre correspondant)

Module d’analyse 1 et analyse 2.

Algèbre linéaire
Algorithmique et programmation dans n'importe quel langage

1.3. VOLUME HORAIRE (Les travaux dirigés sont obligatoires dans les modules majeurs. Les travaux pratiques, hors projet tutoré ou
stage, constituent 20% au minimum du volume horaire global dumodule nécessitant des travaux pratiques).

Volume horaire (VH)

Activités Pratiques (Travaux de

Elément(s) de terrain, Projets, Stages, …), Travail Evaluation des VH
module Cours TD TP Autres /préciser) personnel connaissances global

Mathématiques 26 14 12 0 0 4 56
pour L’IA

VH global du 26 14 12 0 4 56
module

% VH 46% 25% 21% 0% 7% 100%

1.4. DESCRIPTION DU CONTENU DU MODULE

Fournir une description détaillée des enseignements et/ou activités pour le module (Cours, TD, TP, Activités Pratiques, ….).
Pour le cas des Licences d'Etudes Fondamentales, se conformer au contenu du tronc commun national.

Enseignements théoriques :

Partie I -Rappel sur algèbre matricielle, produit scalaire, diagonalisation, résolution des systèmes linéaires, norme, distance et calcul
différentiel dans R^n.

Partie II - Optimisation numérique (Optimisation sans contrainte et avec contrainte, Méthode de gradient descente, SGD, ADAM,
Quasi Newton, Newton).

Enseignements pratiques :

TP1 : Maîtrise du langage Python et des bibliothèques de traitement de données.

TP 2 : Calcul matriciel et application à la diagonalisation et la résolution des systèmes linéaires

about:blank 17/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

TP3 : Méthode de gradient de descente et ses variations

TP4 : Méthode Quasi Newton et Newton.

TP5 : Les différentes techniques de la recherche de pas de descente pour accélérer la convergence des algorithmes d’optimisation

1.5. MODALITES D'ORGANISATION DES ACTIVITES PRATIQUES

1.6. DESCRIPTION DU TRAVAIL PERSONNEL, LE CAS ECHEANT

2. EVALUATION
2.1. Modes d'évaluation
ELEMENT DE MODULE : Mathématiques pour L’IA

 Examen de fin de semestre : coefficients de pondération ( 1 / 2 )

 Contrôles continus : coefficients de pondération ( 3 / 10 )
Préciser (tests, épreuves orales, devoirs, exposés, rapports de stage ou autre moyen de contrôle) :
 Tests
 Epreuves
 Devoir
 Exposé

 Travaux pratiques : coefficients de pondération ( 2 / 10 )

2.2. Modalités de Validation du module

La note minimale pour valider le module doit être supérieure ou égale à 10

La note minimale pour valider l’élément de module doit être supérieure ou égale à 0

Note du module = [Link]+0.3*CC+0.2*CTP.

Si la note du module est supérieure ou égale à 10 sur 20 le module est validé, si la note est compris entre 7 et 10 sur 20 le module est rattrapé, si
elle est inférieure à 7 sur 20 le module est non validé.
Le contrôle de rattrapage s’effectue selon les mêmes modalités que l’examen final.
La note finale du module après rattrapage est le sup des notes avant et après rattrapage. Elle ne peut en aucun cas excéder 10 sur 20.

3. COORDONNATEUR ET EQUIPE PEDAGOGIQUE DU MODULE (Le coordonnateur du module appartient au

département d'attache du module)

about:blank 18/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

Nature d'intervention
(Enseignements ou activités :
Cours, TD, TP, encadrement de
Grade Spécialité Département Etablissement stage, de projets, ...)

Coordonnateur : Professeur Faculté des sciences Cours

AFRAITES LEKBIR - habilité et technique à Beni TD
Mellal TP
Encadrement Stage
Encadrement Projet

4. AUTRES ELEMENTS PERTINENTS

about:blank 19/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

DESCRIPTIF DU MODULE M111

N° d'ordre du module M111

Intitulé du module STATISTIQUES ET ANALYSE DE DONNEES

Nature du module Majeur

Semestre d'appartenance du module 1

Département d'attache Informatique

about:blank 20/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

1. SYLLABUS DU MODULE
1.1. OBJECTIFS DU MODULE

Ce module vise à doter les apprenants des compétences nécessaires pour comprendre, analyser et interpréter les données de
manière efficace et fiable par :

· Savoir comment collecter des données et comprendre les différentes méthodes d'échantillonnage pour s'assurer que les
résultats obtenus sont fiables et représentatifs.

· Comprendre les concepts fondamentaux des statistiques, tels que la probabilité, la distribution de probabilité, l’estimation, les
intervalles de confiance et les tests d'hypothèses.

· Comprendre les différentes approches d'analyse de données, telles que l'analyse descriptive, l'analyse inférentielle, l'analyse
prédictive et l'analyse exploratoire

· Savoir comment interpréter les résultats de l'analyse de données, notamment en ce qui concerne la significativité statistique,
l'effet de taille et la validité des résultats.

· Comprendre les différentes sources de biais qui peuvent influencer les résultats d'une analyse de données et savoir comment
les éviter ou les corriger.

1.2. PRE-REQUIS PEDAGOGIQUES (Indiquer le ou les module(s) requis pour suivre ce module et le semestre correspondant)

Notions de base de la probabilité

Notions de base des méthodes d’échantillonnage
Notions de statistiques descriptives

1.3. VOLUME HORAIRE (Les travaux dirigés sont obligatoires dans les modules majeurs. Les travaux pratiques, hors projet tutoré ou
stage, constituent 20% au minimum du volume horaire global dumodule nécessitant des travaux pratiques).

Volume horaire (VH)

Activités Pratiques (Travaux

Elément(s) de de terrain, Projets, Stages, Travail Evaluation des VH
module Cours TD TP …), Autres /préciser) personnel connaissances global

STATISTIQUES ET 18 10 24 0 0 4 56
ANALYSE DE
DONNEES

VH global du module 18 10 24 0 4 56

% VH 32% 18% 43% 0% 7% 100%

1.4. DESCRIPTION DU CONTENU DU MODULE

Fournir une description détaillée des enseignements et/ou activités pour le module (Cours, TD, TP, Activités Pratiques, ….).
Pour le cas des Licences d'Etudes Fondamentales, se conformer au contenu du tronc commun national.

Enseignements théoriques :

- Rappel sur des notions de probabilités : concepts de base, lois de probabilités, variables aléatoires, distributions discrètes et
continues.

- Introduction à la statistique : concepts de base, types de données, variables, mesures de tendance centrale et de dispersion.

- Échantillonnage et estimation : méthodes d'échantillonnage, estimation ponctuelle et intervalle de confiance.

about:blank 21/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

- Tests d'hypothèses

- Régression linéaire

- Analyse de variance (ANOVA)

- Analyse en composantes principales

- Analyse factorielle des correspondances

Enseignements pratiques :

- Introduction à R

- Statistiques et logiciel R

- TP d’analyse descriptive sur R

- TP sur les tests d’hypothèses

- TP sur la régression linéaire

- TP sur l’analyse factorielle

- TP sur l’ANOVA

1.5. MODALITES D'ORGANISATION DES ACTIVITES PRATIQUES

1.6. DESCRIPTION DU TRAVAIL PERSONNEL, LE CAS ECHEANT

2. EVALUATION
2.1. Modes d'évaluation
ELEMENT DE MODULE : STATISTIQUES ET ANALYSE DE DONNEES

 Examen de fin de semestre : coefficients de pondération ( 1 / 2 )

 Contrôles continus : coefficients de pondération ( 2 / 10 )
Préciser (tests, épreuves orales, devoirs, exposés, rapports de stage ou autre moyen de contrôle) :
 Tests
 Epreuves
 Devoir
 Exposé

 Travaux pratiques : coefficients de pondération ( 3 / 10 )

2.2. Modalités de Validation du module

La note minimale pour valider le module doit être supérieure ou égale à 10

La note minimale pour valider l’élément de module doit être supérieure ou égale à 0

Note du module= 0.5*Examen écrit + 0.5*(Exposés, mini-projet, TP).

Si la note du module est supérieure ou égale à 10 sur 20 le module est validé, si la note est compris entre 7 et 10 sur 20 le module
est rattrapé, si elle est inférieure à 7 sur 20 le module est non validé.
about:blank 22/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

Le contrôle de rattrapage s’effectue selon les mêmes modalités que l’examen final.
La note finale du module après rattrapage est le sup des notes avant et après rattrapage. Elle ne peut en aucun cas excéder 10 sur 20.

3. COORDONNATEUR ET EQUIPE PEDAGOGIQUE DU MODULE (Le coordonnateur du module appartient au

département d'attache du module)

Nature d'intervention
(Enseignements ou activités :
Cours, TD, TP, encadrement de
Grade Spécialité Département Etablissement stage, de projets, ...)

Coordonnateur : Professeur Faculté des sciences Cours

IDRISSI NAJLAE - habilité et technique à Beni TD
Mellal TP
Encadrement Stage
Encadrement Projet

4. AUTRES ELEMENTS PERTINENTS

about:blank 23/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

DESCRIPTIF DU MODULE M112

N° d'ordre du module M112

Intitulé du module VISION PAR ORDINATEUR

Nature du module Majeur

Semestre d'appartenance du module 1

Département d'attache Informatique

about:blank 24/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

1. SYLLABUS DU MODULE
1.1. OBJECTIFS DU MODULE

La vision par ordinateur est un domaine de l'intelligence artificielle (IA) qui permet aux ordinateurs et aux systèmes de dériver des informations significatives à partir des
images, des documents, etc. et de prendre des mesures ou de faire des recommandations sur la base de ces informations. Ce module se focalise principalement sur la phase
de prétraitement des systèmes intelligents (Système de reconnaissance d’images, Système de NLP, …). Il admet plusieurs objectifs, à savoir :

· Connaître les domaines d’applications de la vision par ordinateur

· Implémenter les opérations de la phase de prétraitement concernant les systèmes de reconnaissance des images

· Mettre en place les processus de la phase de prétraitement concernant les systèmes de NLP

· Préparer les bases de données pour les systèmes de reconnaissance des images et les systèmes de NLP

1.2. PRE-REQUIS PEDAGOGIQUES (Indiquer le ou les module(s) requis pour suivre ce module et le semestre correspondant)

Maîtriser la programmation orientée objet (Python, Java, …)

1.3. VOLUME HORAIRE (Les travaux dirigés sont obligatoires dans les modules majeurs. Les travaux pratiques, hors projet tutoré ou
stage, constituent 20% au minimum du volume horaire global dumodule nécessitant des travaux pratiques).

Volume horaire (VH)

Activités Pratiques (Travaux de

Elément(s) de terrain, Projets, Stages, …), Travail Evaluation des VH
module Cours TD TP Autres /préciser) personnel connaissances global

VISION PAR 22 10 20 0 0 4 56
ORDINATEUR

VH global du 22 10 20 0 4 56
module

% VH 39% 18% 36% 0% 7% 100%

1.4. DESCRIPTION DU CONTENU DU MODULE

Fournir une description détaillée des enseignements et/ou activités pour le module (Cours, TD, TP, Activités Pratiques, ….).
Pour le cas des Licences d'Etudes Fondamentales, se conformer au contenu du tronc commun national.

about:blank 25/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

Chapitre 1 : Introduction à la vision par ordinateur

· Qu'est-ce que la vision par ordinateur ?

· Domaines d’application de la vision par ordinateur

· Architecture d’un système de reconnaissances des images

· Architecture d’un système de Natural Language Processing (NLP)

Chapitre 2 : Prétraitement des images

· Notion et caractéristiques des images

· Types des images

· Normalisation des images

· Filtrage des images

· Compression des images

· Segmentation des images

· Extractions des caractéristiques des images telles que : des contours, des textures, des couleurs et des formes

Chapitre 3 : Prétraitement des documents textes

· Architecture des réseaux de neurones profonds

· Méthodes de Prétraitement (Tokénisation, Stop words, Stemming, lemmatisation, … )

· Vectorisation (Sac de mots, TFIDF, Word2Vec, …)

· Mesures de similarité (Syntaxique et Sémantique, …)

Chapitre 4 : Préparation des données

· Préparation des BD pour les systèmes de reconnaissance des images

· Préparation des BD pour les systèmes NLP

Définir les problèmes à résoudre sous formes de :

· Ateliers

· Mini-projets

1.5. MODALITES D'ORGANISATION DES ACTIVITES PRATIQUES

1.6. DESCRIPTION DU TRAVAIL PERSONNEL, LE CAS ECHEANT

2. EVALUATION
2.1. Modes d'évaluation
ELEMENT DE MODULE : VISION PAR ORDINATEUR

 Examen de fin de semestre : coefficients de pondération ( 4 / 10 )

 Contrôles continus : coefficients de pondération ( 3 / 10 )
Préciser (tests, épreuves orales, devoirs, exposés, rapports de stage ou autre moyen de contrôle) :
 Tests
 Epreuves
 Devoir
 Exposé

about:blank 26/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

 Travaux pratiques : coefficients de pondération ( 3 / 10 )

2.2. Modalités de Validation du module

La note minimale pour valider le module doit être supérieure ou égale à 10

La note minimale pour valider l’élément de module doit être supérieure ou égale à 0

Note du Module = 0.4*Examen écrit+ 0.3* Mini-Projet + 0.3* Examen TP.

Si la note du module est supérieure ou égale à 10 sur 20 le module est validé, si la note est compris entre 7 et 10 sur 20 le module est rattrapé, si
elle est inférieure à 7 sur 20 le module est non validé.
Le contrôle de rattrapage s’effectue selon les mêmes modalités que l’examen final.
La note finale du module après rattrapage est le sup des notes avant et après rattrapage. Elle ne peut en aucun cas excéder 10 sur 20.

3. COORDONNATEUR ET EQUIPE PEDAGOGIQUE DU MODULE (Le coordonnateur du module appartient au

département d'attache du module)

Nature d'intervention
(Enseignements ou activités :
Cours, TD, TP, encadrement de
Grade Spécialité Département Etablissement stage, de projets, ...)

Coordonnateur : EL Professeur Faculté des sciences Cours

AYACHI RACHID - habilité et technique à Beni TD
Mellal TP
Encadrement Stage
Encadrement Projet

4. AUTRES ELEMENTS PERTINENTS

about:blank 27/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

DESCRIPTIF DU MODULE M114

N° d'ordre du module M114

Intitulé du module FONDEMENTS DE L’IA

Nature du module Majeur

Semestre d'appartenance du module 1

Département d'attache Informatique

about:blank 28/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

1. SYLLABUS DU MODULE
1.1. OBJECTIFS DU MODULE

Ce module vise à introduire la notion d’intelligence artificielle (IA) par la compréhension des :

· premiers travaux et la naissance de l’IA.

· approches symboliques et connexionnistes en IA

· principes de base des agents intelligents

· techniques de formalisme et de modélisation de problème

· techniques de recherche de solution pour un problème donné

1.2. PRE-REQUIS PEDAGOGIQUES (Indiquer le ou les module(s) requis pour suivre ce module et le semestre correspondant)

Notions de lois et de probabilités

Notions en statistiques

1.3. VOLUME HORAIRE (Les travaux dirigés sont obligatoires dans les modules majeurs. Les travaux pratiques, hors projet tutoré ou
stage, constituent 20% au minimum du volume horaire global dumodule nécessitant des travaux pratiques).

Volume horaire (VH)

Activités Pratiques (Travaux de

Elément(s) de terrain, Projets, Stages, …), Travail Evaluation des VH
module Cours TD TP Autres /préciser) personnel connaissances global

FONDEMENTS 24 18 10 0 0 4 56
DE L’IA

VH global du 24 18 10 0 4 56
module

% VH 43% 32% 18% 0% 7% 100%

1.4. DESCRIPTION DU CONTENU DU MODULE

Fournir une description détaillée des enseignements et/ou activités pour le module (Cours, TD, TP, Activités Pratiques, ….).
Pour le cas des Licences d'Etudes Fondamentales, se conformer au contenu du tronc commun national.

Enseignements théoriques :

- Introduction et généralités sur l’intelligence artificielle

- Présentation des approches symboliques et connexionnistes en IA

- Notions d’agents intelligents et environnements

- Formalisation de problème

- Approches de résolution d’un problème : algorithmes de recherche aveugle et informée

Enseignements pratiques :

- Création d’un agent

about:blank 29/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

- Résolution d’un problème par algorithme de recherche aveugle

- Résolution d’un problème par algorithme de recherche informée

1.5. MODALITES D'ORGANISATION DES ACTIVITES PRATIQUES

1.6. DESCRIPTION DU TRAVAIL PERSONNEL, LE CAS ECHEANT

2. EVALUATION
2.1. Modes d'évaluation
ELEMENT DE MODULE : FONDEMENTS DE L’IA

 Examen de fin de semestre : coefficients de pondération ( 1 / 2 )

 Contrôles continus : coefficients de pondération ( 2 / 10 )
Préciser (tests, épreuves orales, devoirs, exposés, rapports de stage ou autre moyen de contrôle) :
 Tests
 Epreuves
 Devoir
 Exposé

 Travaux pratiques : coefficients de pondération ( 3 / 10 )

2.2. Modalités de Validation du module

La note minimale pour valider le module doit être supérieure ou égale à 10

La note minimale pour valider l’élément de module doit être supérieure ou égale à 0

Note du module= 0.5*Examen écrit + 0.5*(Exposés, mini-projet, TP).

Si la note du module est supérieure ou égale à 10 sur 20 le module est validé, si la note est compris entre 7 et 10 sur 20 le module est rattrapé, si
elle est inférieure à 7 sur 20 le module est non validé.
Le contrôle de rattrapage s’effectue selon les mêmes modalités que l’examen final.
La note finale du module après rattrapage est le sup des notes avant et après rattrapage. Elle ne peut en aucun cas excéder 10 sur 20.

3. COORDONNATEUR ET EQUIPE PEDAGOGIQUE DU MODULE (Le coordonnateur du module appartient au

département d'attache du module)

about:blank 30/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

Nature d'intervention
(Enseignements ou activités :
Cours, TD, TP, encadrement de
Grade Spécialité Département Etablissement stage, de projets, ...)

Coordonnateur : Professeur Faculté des sciences Cours

IDRISSI NAJLAE - habilité et technique à Beni TD
Mellal TP
Encadrement Stage
Encadrement Projet

4. AUTRES ELEMENTS PERTINENTS

about:blank 31/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

DESCRIPTIF DU MODULE M115

N° d'ordre du module M115

Intitulé du module APPRENTISSAGE AUTOMATIQUE

Nature du module Majeur

Semestre d'appartenance du module 1

Département d'attache Informatique

about:blank 32/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

1. SYLLABUS DU MODULE
1.1. OBJECTIFS DU MODULE

Le Machine Learning ou l'apprentissage automatique est un des domaines de l'intelligence artificielle visant à permettre à un ordinateur
d'apprendre des connaissances puis de les appliquer pour réaliser des tâches que nous sous-traitions jusque-là à notre raisonnement.

Les principaux objectifs de ce module sont :

ü Comprendre les problématiques scientifiques de l'IA

(Fondements, limites théoriques et pratiques)

ü Comprendre ce que signifie « apprentissage »

(principaux modèles, validation des approches proposées)

ü Expérimenter dans un environnement standard utilisé en milieu professionnel /

scientifique

ü Choisir un algorithme de machine Learning adapté au problème défini

ü Optimiser les performances d’un algorithme de machine Learning

1.2. PRE-REQUIS PEDAGOGIQUES (Indiquer le ou les module(s) requis pour suivre ce module et le semestre correspondant)

ü Avoir suivi la majeure Mathématiques pour l’IA

ü Maîtriser la programmation orientée objet (Java, C#, Python…)

ü Connaissance en Mathématiques : analyse réelle, algèbre, probabilités et statistiques...

1.3. VOLUME HORAIRE (Les travaux dirigés sont obligatoires dans les modules majeurs. Les travaux pratiques, hors projet tutoré ou
stage, constituent 20% au minimum du volume horaire global dumodule nécessitant des travaux pratiques).

Volume horaire (VH)

Activités Pratiques (Travaux

Elément(s) de de terrain, Projets, Stages, Travail Evaluation des VH
module Cours TD TP …), Autres /préciser) personnel connaissances global

APPRENTISSAGE 24 12 16 0 0 4 56
AUTOMATIQUE

VH global du 24 12 16 0 4 56
module

% VH 43% 21% 29% 0% 7% 100%

1.4. DESCRIPTION DU CONTENU DU MODULE

Fournir une description détaillée des enseignements et/ou activités pour le module (Cours, TD, TP, Activités Pratiques, ….).
Pour le cas des Licences d'Etudes Fondamentales, se conformer au contenu du tronc commun national.

about:blank 33/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

I- LES CONCEPTS DE BASE DU MACHINE LEARNING

§ Définition

§ Architecture

II- LES TYPES D’APPRENTISSAGE

§ Apprentissage supervisé

· Régression

· Classification

§ Apprentissage non supervisé

§ Apprentissage par renforcement

III- LES ALGORITHMES DU MACHINE LEARNING

Chaque type d'apprentissage peut s'appuyer sur différents algorithmes

§ Algorithmes d’apprentissage supervisé

o Régression

· La méthode de descente de gradient

· Régression linéaire

· Arbres de décision

· KNN (Plus proches voisins)

· Forêts d'arbres décisionnels

o Classification

• Régression logistique

• Machines à vecteur de support (SVM)

• Classification naïve bayésienne (Naive Bayes)

§ Algorithmes d’apprentissage non supervisé

o Regroupement ou clustering

• K-Moyenne

• Classification hiérarchique

o Réduction de dimensions

· Analyse des composants principaux

about:blank 34/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

Travaux pratiques

§ TP 1 : Algorithmes d’apprentissage supervisé (Régression)

§ TP 2 : Algorithmes d’apprentissage supervisé (Classification)

§ TP 3 : Algorithmes d’apprentissage non supervisé (Regroupement ou clustering)

§ TP 4 : Algorithmes d’apprentissage non supervisé (Réduction de dimensions)

1.5. MODALITES D'ORGANISATION DES ACTIVITES PRATIQUES

1.6. DESCRIPTION DU TRAVAIL PERSONNEL, LE CAS ECHEANT

2. EVALUATION
2.1. Modes d'évaluation
ELEMENT DE MODULE : APPRENTISSAGE AUTOMATIQUE

 Examen de fin de semestre : coefficients de pondération ( 1 / 2 )

 Contrôles continus : coefficients de pondération ( 3 / 10 )
Préciser (tests, épreuves orales, devoirs, exposés, rapports de stage ou autre moyen de contrôle) :
 Tests
 Epreuves
 Devoir
 Exposé

 Travaux pratiques : coefficients de pondération ( 2 / 10 )

2.2. Modalités de Validation du module

La note minimale pour valider le module doit être supérieure ou égale à 10

La note minimale pour valider l’élément de module doit être supérieure ou égale à 0

Note du Module = 0.5*Examen écrit+ 0.3* Mini-Projet + 0.2* Examen TP.

Si la note du module est supérieure ou égale à 10 sur 20 le module est validé, si la note est compris entre 7 et 10 sur 20 le module est rattrapé, si
elle est inférieure à 7 sur 20 le module est non validé.
Le contrôle de rattrapage s’effectue selon les mêmes modalités que l’examen final.
La note finale du module après rattrapage est le sup des notes avant et après rattrapage. Elle ne peut en aucun cas excéder 10 sur 20.

3. COORDONNATEUR ET EQUIPE PEDAGOGIQUE DU MODULE (Le coordonnateur du module appartient au

département d'attache du module)

about:blank 35/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

Nature d'intervention
(Enseignements ou activités :
Cours, TD, TP, encadrement de
Grade Spécialité Département Etablissement stage, de projets, ...)

Coordonnateur : Professeur Informatique Faculté des sciences Cours

NACHAOUI habilité et technique à Beni TD
MOURAD - Mellal TP
Encadrement Stage
Encadrement Projet

4. AUTRES ELEMENTS PERTINENTS

about:blank 36/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

DESCRIPTIF DU MODULE M116

N° d'ordre du module M116

Intitulé du module LC METHODOLOGIE DE RECHERCHE

Nature du module Outils et ouverture

Semestre d'appartenance du module 1

Département d'attache Informatique

about:blank 37/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

1. SYLLABUS DU MODULE
1.1. OBJECTIFS DU MODULE

Objectif principal : Elaborer un projet de recherche en vue d’écrire un rapport ou un mémoire d’une manière bien structurée,
cohérente.

Objectifs spécifiques :
(1) identifier un problème de recherche à partir d’une situation problématique ;
(2) formuler des hypothèses de recherche qui sont des propositions devant être retenues ou rejetées ;
(3) présenter l’existant à travers une revue de la littérature ;
(4) exposer des techniques, méthodes et procédures d’analyse ; et enfin
(5) exposer la présentation des conclusions et recommandations

1.2. PRE-REQUIS PEDAGOGIQUES (Indiquer le ou les module(s) requis pour suivre ce module et le semestre correspondant)

Bases en langues : Français et Anglais

1.3. VOLUME HORAIRE (Les travaux dirigés sont obligatoires dans les modules majeurs. Les travaux pratiques, hors projet tutoré ou
stage, constituent 20% au minimum du volume horaire global dumodule nécessitant des travaux pratiques).

Volume horaire (VH)

Activités Pratiques (Travaux

Elément(s) de de terrain, Projets, Stages, Travail Evaluation des VH
module Cours TD TP …), Autres /préciser) personnel connaissances global

LC METHODOLOGIE 20 28 0 0 0 8 56
DE RECHERCHE

VH global du module 20 28 0 0 8 56

% VH 36% 50% 0% 0% 14% 100%

1.4. DESCRIPTION DU CONTENU DU MODULE

Fournir une description détaillée des enseignements et/ou activités pour le module (Cours, TD, TP, Activités Pratiques, ….).
Pour le cas des Licences d'Etudes Fondamentales, se conformer au contenu du tronc commun national.

Thème 1 : Classification de la recherche et difficultés de la méthodologie

1.1 Recherche descriptive

1.2 Recherche quantitative

1.3 Problème d’identification

1.4 Rôle de la théorie

1.5 Place de l’expérience pratique

1.6 Résumé

Thème 2 : Effets et importance de la disponibilité des ressources pour la recherche

2.1 Information en tant que ressources

2.2 Données primaires et secondaires

2.3 Données chronologiques et en coupe transversale

about:blank 38/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

2.4 Données expérimentales et non expérimentales

2.5 Ressources humaines, matérielles, financières

2.6 Contrainte de temps

2.7 Résumé

Thème 3 : Orientation et principaux éléments des projets de recherche

3.1 Modèle conceptuel

3.2 Spécification d’un problème de recherche

(i) Problèmes exprimant des besoins réels de recherche

(ii) Problèmes non hypothétiques

(iii)Problèmes soulevant des hypothèses sensées et testables

(iv) Problèmes pertinents et gérables

(v) Problèmes de recherche et situations problématiques

(vi) Exemples de formulation de problèmes

3.3 Formulation des hypothèses

(i) Traits caractéristiques des hypothèses

(ii) Quelques exemples d’hypothèses

3.4 Cadrage des objectifs

3.5 Résumé

Thème 4 : Utilisation des données

4.1 Données expérimentales

4.2 Données non expérimentales

4.3 Sens de l’utilisation des données

4.4 Souplesse dans l’interprétation (sens et fiabilité des résultats)

4.5 Présentation des résultats

4.6 Référence bibliographie

4.7 Résumé

1.5. MODALITES D'ORGANISATION DES ACTIVITES PRATIQUES

1.6. DESCRIPTION DU TRAVAIL PERSONNEL, LE CAS ECHEANT

2. EVALUATION
2.1. Modes d'évaluation
ELEMENT DE MODULE : LC METHODOLOGIE DE RECHERCHE

 Examen de fin de semestre : coefficients de pondération ( 1 / 2 )

 Contrôles continus : coefficients de pondération ( 2 / 10 )
about:blank 39/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

Préciser (tests, épreuves orales, devoirs, exposés, rapports de stage ou autre moyen de contrôle) :
 Tests
 Epreuves
 Devoir
 Exposé

 Travaux pratiques : coefficients de pondération ( 3 / 10 )

2.2. Modalités de Validation du module

La note minimale pour valider le module doit être supérieure ou égale à 10

La note minimale pour valider l’élément de module doit être supérieure ou égale à 0

Note du Module = 0.5*Examen écrit+ 0.5* Mini-Projet.

Si la note du module est supérieure ou égale à 10 sur 20 le module est validé, si la note est compris entre 7 et 10 sur 20 le module est rattrapé, si
elle est inférieure à 7 sur 20 le module est non validé.
Le contrôle de rattrapage s’effectue selon les mêmes modalités que l’examen final.
La note finale du module après rattrapage est le sup des notes avant et après rattrapage. Elle ne peut en aucun cas excéder 10 sur 20.

3. COORDONNATEUR ET EQUIPE PEDAGOGIQUE DU MODULE (Le coordonnateur du module appartient au

département d'attache du module)

Nature d'intervention
(Enseignements ou activités :
Cours, TD, TP, encadrement
Grade Spécialité Département Etablissement de stage, de projets, ...)

Coordonnateur : Professeur de Faculté des Cours

FAKIR MOHAMED - l'enseignement sciences et TD
supérieur technique à Beni
Mellal Encadrement Stage
Encadrement Projet

4. AUTRES ELEMENTS PERTINENTS

about:blank 40/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

DESCRIPTIF DU MODULE M121

N° d'ordre du module M121

Intitulé du module RECHERCHE OPERATIONNELLE

Nature du module Majeur

Semestre d'appartenance du module 2

Département d'attache Informatique

about:blank 41/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

1. SYLLABUS DU MODULE
1.1. OBJECTIFS DU MODULE

Le module est composé de deux parties :

1. Dans la première partie, l'étudiant(e) sera capable de modéliser un problème réel par un programme linéaire, notamment en
traduisant les contraintes du problème par un système d'équations et d'inéquations linéaires. Il (elle) sera aussi capable de résoudre
ce programme à l'aide de l'algorithme du simplexe et de ses variantes, et de donner des interprétations économiques des différentes
sorties de ces algorithmes en s'appuyant notamment sur la dualité.

2. Dans la 2ème partie, l'objectif est de donner aux étudiants un ensemble de méthodes, modèles des théories de graphes
permettant, de façon générale, de modéliser et de résoudre des problèmes complexes et de développer des recherches
fondamentales et appliquées dans le domaine de prise de décisions.

Il fournit également aux étudiants une première approche des domaines d'applications et un apprentissage aux logiciels les plus
performants de la théorie des graphes.

1.2. PRE-REQUIS PEDAGOGIQUES (Indiquer le ou les module(s) requis pour suivre ce module et le semestre correspondant)

- Maîtriser les notions fondamentales d’analyse de DEUG ;

- Maîtriser un langage de programmation quel qu'il soit ;

- Savoir implanter un algorithme, débugger le programme,

- Avoir des notions d’algèbre : matrices, diagonalisation

1.3. VOLUME HORAIRE (Les travaux dirigés sont obligatoires dans les modules majeurs. Les travaux pratiques, hors projet tutoré ou
stage, constituent 20% au minimum du volume horaire global dumodule nécessitant des travaux pratiques).

Volume horaire (VH)

Activités Pratiques (Travaux

Elément(s) de de terrain, Projets, Stages, Travail Evaluation des VH
module Cours TD TP …), Autres /préciser) personnel connaissances global

RECHERCHE 26 14 12 0 0 4 56
OPERATIONNELLE

VH global du module 26 14 12 0 4 56

% VH 46% 25% 21% 0% 7% 100%

1.4. DESCRIPTION DU CONTENU DU MODULE

Fournir une description détaillée des enseignements et/ou activités pour le module (Cours, TD, TP, Activités Pratiques, ….).
Pour le cas des Licences d'Etudes Fondamentales, se conformer au contenu du tronc commun national.

:Enseignements théoriques

Partie I :

- Introduction à la Recherche Opérationnelle.

- La Recherche opérationnelle comme outil d'aide à la décision.

- Méthodologies employées : techniques de modélisation.

- Notions de Programmation linéaire.

about:blank 42/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

- Méthodes de résolution d’un programme linéaire :

- Résolution graphique

- Algorithme Simplexe

- Algorithme Grand M

- Algorithme Deux phases

- Dualité et sensibilité

- Programmation linéaire Mixte : Algorithme Branch and Bound

Partie II :

- Notions fondamentales de la théorie des graphes

- Graphes orientés et Graphes non orientés, Graphes hamiltoniens

- Connexité des graphes : Algorithme de recherche des composantes fortement connexes.

- Recherche du plus court chemin : Algorithme Dijkstra, Algorithme de Ford, Algorithme de Bellman.

- Problème du flot maximal : Algorithme de FORD-FULKERSON.

:Enseignement pratique

- TP1 : Résolution graphique des problèmes linéaires

- TP2 : Utilisation d’algorithme de résolution : Algorithme Simplexe

- TP3 : Utilisation d’algorithme de résolution : Algorithme Branch and Bound

- TP4 : Algorithme de recherche des composantes fortement connexes.

- TP5 : Algorithme Dijkstra et BELLMAN

- TP6 : Algorithme de FORD-FULKERSON

1.5. MODALITES D'ORGANISATION DES ACTIVITES PRATIQUES

1.6. DESCRIPTION DU TRAVAIL PERSONNEL, LE CAS ECHEANT

2. EVALUATION
2.1. Modes d'évaluation
ELEMENT DE MODULE : RECHERCHE OPERATIONNELLE

 Examen de fin de semestre : coefficients de pondération ( 1 / 2 )

 Contrôles continus : coefficients de pondération ( 3 / 10 )
Préciser (tests, épreuves orales, devoirs, exposés, rapports de stage ou autre moyen de contrôle) :

about:blank 43/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

 Tests
 Epreuves
 Devoir
 Exposé

 Travaux pratiques : coefficients de pondération ( 2 / 10 )

2.2. Modalités de Validation du module

La note minimale pour valider le module doit être supérieure ou égale à 10

La note minimale pour valider l’élément de module doit être supérieure ou égale à 0

Note du module= [Link]+0.3*DS+0.2*TP.

Si la note du module est supérieure ou égale à 10 sur 20 le module est validé, si la note est compris entre 7 et 10 sur 20 le module est rattrapé, si
elle est inférieure à 7 sur 20 le module est non validé.
Le contrôle de rattrapage s’effectue selon les mêmes modalités que l’examen final.
La note finale du module après rattrapage est le sup des notes avant et après rattrapage. Elle ne peut en aucun cas excéder 10 sur 20.

3. COORDONNATEUR ET EQUIPE PEDAGOGIQUE DU MODULE (Le coordonnateur du module appartient au

département d'attache du module)

Nature d'intervention
(Enseignements ou activités :
Cours, TD, TP, encadrement de
Grade Spécialité Département Etablissement stage, de projets, ...)

Coordonnateur : Professeur Faculté des sciences Cours

AFRAITES LEKBIR - habilité et technique à Beni TD
Mellal TP
Encadrement Stage
Encadrement Projet

4. AUTRES ELEMENTS PERTINENTS

about:blank 44/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

DESCRIPTIF DU MODULE M122

N° d'ordre du module M122

Intitulé du module BASE DE DONNEE NOSQL

Nature du module Majeur

Semestre d'appartenance du module 2

Département d'attache Informatique

about:blank 45/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

1. SYLLABUS DU MODULE
1.1. OBJECTIFS DU MODULE

· Modéliser, traiter et organiser des données complexes

· Concevoir une solution de stockage de données hétérogènes avec NoSQL
· Choisir une solution NoSQL adaptée aux besoins
· Faire passer à l'échelle des bases de données NoSQL
· Déployer, administrer et utiliser un cluster MongoDB
· Déployer, administrer et utiliser un cluster Hbase

1.2. PRE-REQUIS PEDAGOGIQUES (Indiquer le ou les module(s) requis pour suivre ce module et le semestre correspondant)

Notions de base de données SQL + API JAVA

1.3. VOLUME HORAIRE (Les travaux dirigés sont obligatoires dans les modules majeurs. Les travaux pratiques, hors projet tutoré ou
stage, constituent 20% au minimum du volume horaire global dumodule nécessitant des travaux pratiques).

Volume horaire (VH)

Activités Pratiques (Travaux de

Elément(s) de terrain, Projets, Stages, …), Travail Evaluation des VH
module Cours TD TP Autres /préciser) personnel connaissances global

BASE DE 20 0 28 0 0 8 56
DONNEE
NOSQL

VH global du 20 0 28 0 8 56
module

% VH 36% 0% 50% 0% 14% 100%

1.4. DESCRIPTION DU CONTENU DU MODULE

Fournir une description détaillée des enseignements et/ou activités pour le module (Cours, TD, TP, Activités Pratiques, ….).
Pour le cas des Licences d'Etudes Fondamentales, se conformer au contenu du tronc commun national.

I. Introduction au Big Data (Définition, et Règles du Big Data)

II. Limites des Systèmes de Stockage Classiques (Fichiers, BDR et les DW classique)

III. Bases de données NoSQL

1. Définition

2. Théorème CAP,

3. Caractéristiques,

4. Fondements des Systèmes NoSQL

5. Typologie de BD NoSQL

6. Cas d’utilisations

VI. Généralité sur la BD MongoDB

about:blank 46/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

1. Mise en Place Installation

2. Interrogation de la BD

3. Opérations de base sur le shell

4. Opérations avancées sur le shell

V. Hbase

Travaux pratiques

TP N°1:

Interrogation de MongoDB via MQL

TP N°2 :

MongoDB -Map/Reduce
TP N°3 :

MongoDB -Principe de ReplicaSet

TP N°4 :

MongoDB -Création et Configuration d’un Cluster MongoDB

TP N°5 : Hbase Shell

TP N°6 : HBase – API Java

1.5. MODALITES D'ORGANISATION DES ACTIVITES PRATIQUES

1.6. DESCRIPTION DU TRAVAIL PERSONNEL, LE CAS ECHEANT

2. EVALUATION
2.1. Modes d'évaluation
ELEMENT DE MODULE : BASE DE DONNEE NOSQL

 Examen de fin de semestre : coefficients de pondération ( 4 / 10 )

 Contrôles continus : coefficients de pondération ( 3 / 10 )
Préciser (tests, épreuves orales, devoirs, exposés, rapports de stage ou autre moyen de contrôle) :
 Tests
 Epreuves
 Devoir
 Exposé

 Travaux pratiques : coefficients de pondération ( 3 / 10 )

2.2. Modalités de Validation du module

about:blank 47/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

La note minimale pour valider le module doit être supérieure ou égale à 10

La note minimale pour valider l’élément de module doit être supérieure ou égale à 0

Note du Module = 0.4*examen+ 0.3*Mini-Projet +0.3 TP.

Si la note du module est supérieure ou égale à 10 sur 20 le module est validé, si la note est compris entre 7 et 10 sur 20 le module est rattrapé, si
elle est inférieure à 7 sur 20 le module est non validé.
Le contrôle de rattrapage s’effectue selon les mêmes modalités que l’examen final.
La note finale du module après rattrapage est le sup des notes avant et après rattrapage. Elle ne peut en aucun cas excéder 10 sur 20.

3. COORDONNATEUR ET EQUIPE PEDAGOGIQUE DU MODULE (Le coordonnateur du module appartient au

département d'attache du module)

Nature d'intervention
(Enseignements ou activités :
Cours, TD, TP, encadrement de
Grade Spécialité Département Etablissement stage, de projets, ...)

Coordonnateur : Professeur Faculté des sciences Cours

ERRITALI habilité et technique à Beni
MOHAMMED - Mellal TP
Encadrement Stage
Encadrement Projet

4. AUTRES ELEMENTS PERTINENTS

about:blank 48/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

DESCRIPTIF DU MODULE M123

N° d'ordre du module M123

Intitulé du module Internet des objets IOT

Nature du module Majeur

Semestre d'appartenance du module 2

Département d'attache Informatique

about:blank 49/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

1. SYLLABUS DU MODULE
1.1. OBJECTIFS DU MODULE

L'Internet des objets (IoT) est un concept informatique qui décrit la connectivité croissante des objets physiques à Internet. Les objets connectés
peuvent être des appareils électroménagers, des véhicules, des équipements industriels, des capteurs, des caméras, des vêtements, des montres
et bien d'autres choses encore.

Ce module vise à fournir aux étudiants les connaissances et les compétences nécessaires pour comprendre, concevoir, développer et déployer
des systèmes IoT. Ce cours couvre les concepts fondamentaux de l'IoT, notamment les architectures, les protocoles de communication, les
technologies de capteurs et d'actuateurs, les plateformes IoT et les outils de développement. Les étudiants peuvent également apprendre à
concevoir et à développer des projets IoT en utilisant des capteurs, des actionneurs et des technologies de communication sans fil.

1.2. PRE-REQUIS PEDAGOGIQUES (Indiquer le ou les module(s) requis pour suivre ce module et le semestre correspondant)

- Bonnes bases en Réseaux,

- Connaissances en Système Linux,

- Connaissances en Administration réseaux.

- Connaissances en systèmes microcontrôleurs

1.3. VOLUME HORAIRE (Les travaux dirigés sont obligatoires dans les modules majeurs. Les travaux pratiques, hors projet tutoré ou
stage, constituent 20% au minimum du volume horaire global dumodule nécessitant des travaux pratiques).

Volume horaire (VH)

Activités Pratiques (Travaux de

Elément(s) de terrain, Projets, Stages, …), Travail Evaluation des VH
module Cours TD TP Autres /préciser) personnel connaissances global

Internet des 20 4 24 0 0 8 56
objets IOT

VH global du 20 4 24 0 8 56
module

% VH 36% 7% 43% 0% 14% 100%

1.4. DESCRIPTION DU CONTENU DU MODULE

Fournir une description détaillée des enseignements et/ou activités pour le module (Cours, TD, TP, Activités Pratiques, ….).
Pour le cas des Licences d'Etudes Fondamentales, se conformer au contenu du tronc commun national.

Les sujets couverts dans le cours de l'IoT sont :

1. Définition de l'Internet des objets (IoT) : Importance et impacts de l'IoT dans notre vie quotidienne et dans les entreprises

2. Les architectures et les protocoles de communication de l'IoT

3. Les technologies de capteurs et d'actuateurs

4. Les plateformes IoT et les outils de développement

5. La gestion des données IoT et l'analyse en temps réel

6. Applications de l'Internet des objets

about:blank 50/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

7. La sécurité et la confidentialité des systèmes IoT

8. Les applications industrielles et commerciales de l'IoT

9. Les défis liés à la conception, au développement et au déploiement de systèmes IoT

10. Perspectives de l'Internet des objets

Les étudiants peuvent également être amenés à travailler sur des projets pratiques pour appliquer les concepts appris en classe et développer
des compétences en résolution de problèmes et en collaboration.

1.5. MODALITES D'ORGANISATION DES ACTIVITES PRATIQUES

1.6. DESCRIPTION DU TRAVAIL PERSONNEL, LE CAS ECHEANT

2. EVALUATION
2.1. Modes d'évaluation
ELEMENT DE MODULE : Internet des objets IOT

 Examen de fin de semestre : coefficients de pondération ( 1 / 2 )

 Contrôles continus : coefficients de pondération ( 1 / 4 )
Préciser (tests, épreuves orales, devoirs, exposés, rapports de stage ou autre moyen de contrôle) :
 Tests
 Epreuves
 Devoir
 Exposé

 Travaux pratiques : coefficients de pondération ( 1 / 4 )

2.2. Modalités de Validation du module

La note minimale pour valider le module doit être supérieure ou égale à 10

La note minimale pour valider l’élément de module doit être supérieure ou égale à 0

Note du module = 0.25*Examen TP + 0.25*Mini Projet + 0.5*Examen écrit.

Si la note du module est supérieure ou égale à 10 sur 20 le module est validé, si la note est compris entre 7 et 10 sur 20 le module est rattrapé, si
elle est inférieure à 7 sur 20 le module est non validé.
Le contrôle de rattrapage s’effectue selon les mêmes modalités que l’examen final.
La note finale du module après rattrapage est le sup des notes avant et après rattrapage. Elle ne peut en aucun cas excéder 10 sur 20.

3. COORDONNATEUR ET EQUIPE PEDAGOGIQUE DU MODULE (Le coordonnateur du module appartient au

département d'attache du module)

about:blank 51/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

Nature d'intervention
(Enseignements ou activités :
Cours, TD, TP, encadrement de
Grade Spécialité Département Etablissement stage, de projets, ...)

Coordonnateur : Professeur Faculté des sciences Cours

BASLAM MOHAMED habilité et technique à Beni TD
- Mellal TP
Encadrement Stage
Encadrement Projet

4. AUTRES ELEMENTS PERTINENTS

about:blank 52/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

DESCRIPTIF DU MODULE M124

N° d'ordre du module M124

Intitulé du module ECOSYSTEME BIG DATA

Nature du module Majeur

Semestre d'appartenance du module 2

Département d'attache Informatique

about:blank 53/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

1. SYLLABUS DU MODULE
1.1. OBJECTIFS DU MODULE

Comprendre comment les clusters hadoop sont gérés par YARN, Tez, Mesos, Zookeeper, Zeppelin, Hue et Oozie.

Choisir une technologie de stockage des données adaptée à l’application.

Stocker et analyser des données volumineuses avec Sqoop, Hive, MySQl, HBase, Cassandra, MongoDB, Drill, Phoenix et Presto.

Gérer et analyser des données en streaming en temps réel avec Kafka, Flume, Spark Streaming, Flink et Storm.

Intégrer ElasticSearch, LogStash et Kibana sur l’écosystème Hadoop et créer des pipelines de données réelles pour des
applications Big Data.

1.2. PRE-REQUIS PEDAGOGIQUES (Indiquer le ou les module(s) requis pour suivre ce module et le semestre correspondant)

Bases des données sql et nosql, API JAVA

1.3. VOLUME HORAIRE (Les travaux dirigés sont obligatoires dans les modules majeurs. Les travaux pratiques, hors projet tutoré ou
stage, constituent 20% au minimum du volume horaire global dumodule nécessitant des travaux pratiques).

Volume horaire (VH)

Activités Pratiques (Travaux de

Elément(s) de terrain, Projets, Stages, …), Travail Evaluation des VH
module Cours TD TP Autres /préciser) personnel connaissances global

ECOSYSTEME 20 4 24 0 0 8 56
BIG DATA

VH global du 20 4 24 0 8 56
module

% VH 36% 7% 43% 0% 14% 100%

1.4. DESCRIPTION DU CONTENU DU MODULE

Fournir une description détaillée des enseignements et/ou activités pour le module (Cours, TD, TP, Activités Pratiques, ….).
Pour le cas des Licences d'Etudes Fondamentales, se conformer au contenu du tronc commun national.

about:blank 54/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

Détails du module :

- Introduction aux big data et à l’écosystème Hadoop

- HDFS et YARN

- MapReduce et Sqoop

- Les bases de Hive et Impala

- Travailler avec Hive et Impala

- Types de formats de données

- Concepts Hive avancés et séparation des fichiers de données

- Apache Flume et HBase

- Pig

- Les bases d’Apache Spark

- RDDs dans Spark

- Exécution des applications Spark

- Traitement parallèle de Spark

- Techniques d’optimisation Spark RDD

- Algorithme Spark

- Spark SQL

- Apache Kafka

Travaux Pratiques

TP 0 - Installation Partie

TP1 - Le traitement Batch avec Hadoop HDFS

TP2- Map Reduce

TP2 - Traitement par Lot et Streaming avec Spark

TP3 - La Collecte de Données avec le Bus Kafka

TP4 - Stockage de Données dans une Base NOSQL avec HBase

1.5. MODALITES D'ORGANISATION DES ACTIVITES PRATIQUES

1.6. DESCRIPTION DU TRAVAIL PERSONNEL, LE CAS ECHEANT

2. EVALUATION
2.1. Modes d'évaluation
ELEMENT DE MODULE : ECOSYSTEME BIG DATA

about:blank 55/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

 Examen de fin de semestre : coefficients de pondération ( 1 / 2 )

 Contrôles continus : coefficients de pondération ( 2 / 10 )
Préciser (tests, épreuves orales, devoirs, exposés, rapports de stage ou autre moyen de contrôle) :
 Tests
 Epreuves
 Devoir
 Exposé

 Travaux pratiques : coefficients de pondération ( 3 / 10 )

2.2. Modalités de Validation du module

La note minimale pour valider le module doit être supérieure ou égale à 10

La note minimale pour valider l’élément de module doit être supérieure ou égale à 0

Note du Module = 0.5*Examen écrit+ 0.3* Mini-Projet +0.2*TP.

Si la note du module est supérieure ou égale à 10 sur 20 le module est validé, si la note est compris entre
7 et 10 sur 20 le module est rattrapé, si elle est inférieure à 7 sur 20 le module est non validé.
Le contrôle de rattrapage s’effectue selon les mêmes modalités que l’examen final.
La note finale du module après rattrapage est le sup des notes avant et après rattrapage. Elle ne peut en aucun cas excéder 10 sur 20.

3. COORDONNATEUR ET EQUIPE PEDAGOGIQUE DU MODULE (Le coordonnateur du module appartient au

département d'attache du module)

Nature d'intervention
(Enseignements ou
activités : Cours, TD, TP,
encadrement de stage, de
Grade Spécialité Département Etablissement projets, ...)

Coordonnateur : PROFESSEUR DE Faculté des Cours

ELMOUFIDI L'ENSEIGNEMENT sciences et TD
ABDELALI - SUP ASSISTANT technique à Beni TP
Mellal Encadrement Stage
Encadrement Projet

4. AUTRES ELEMENTS PERTINENTS

about:blank 56/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

DESCRIPTIF DU MODULE M125

N° d'ordre du module M125

Intitulé du module Apprentissage Profond

Nature du module Majeur

Semestre d'appartenance du module 2

Département d'attache Informatique

about:blank 57/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

1. SYLLABUS DU MODULE
1.1. OBJECTIFS DU MODULE

Le module Deep Learning est un module d'apprentissage automatique qui permet aux étudiants de se familiariser avec les concepts et les outils de base du deep learning. Il
admet plusieurs objectifs, à savoir :

· Comprendre l’architecture et le fonctionnement des réseaux de neurones profonds

· Mettre en place des différentes architectures des réseaux des neurones profonds (CNN, RNN, GAN, …)

· Appliquer les approches d’optimisation et les techniques de régularisation sur l’architecture implémentée

1.2. PRE-REQUIS PEDAGOGIQUES (Indiquer le ou les module(s) requis pour suivre ce module et le semestre correspondant)

- Avoir suivi le module Machine Learning

- Maitriser la programmation orientée objet (Python, Java, …)

1.3. VOLUME HORAIRE (Les travaux dirigés sont obligatoires dans les modules majeurs. Les travaux pratiques, hors projet tutoré ou
stage, constituent 20% au minimum du volume horaire global dumodule nécessitant des travaux pratiques).

Volume horaire (VH)

Activités Pratiques (Travaux de

Elément(s) de terrain, Projets, Stages, …), Travail Evaluation des VH
module Cours TD TP Autres /préciser) personnel connaissances global

Apprentissage 20 8 24 0 0 4 56
Profond

VH global du 20 8 24 0 4 56
module

% VH 36% 14% 43% 0% 7% 100%

1.4. DESCRIPTION DU CONTENU DU MODULE

Fournir une description détaillée des enseignements et/ou activités pour le module (Cours, TD, TP, Activités Pratiques, ….).
Pour le cas des Licences d'Etudes Fondamentales, se conformer au contenu du tronc commun national.

about:blank 58/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

Chapitre 1 : Bases de deep learning

· Qu'est-ce que le Deep Learning ?

· Histoire et évolution du Deep Learning

· Les avantages et les limites du Deep Learning

· Préparation des données pour le Deep Learning

· Les différents types de réseaux de neurones

Chapitre 2 : Réseaux de neurones artificiels

· Les bases des réseaux de neurones artificiels

· Les réseaux de neurones multicouches

· Fonctions d'activation

· Les techniques d'apprentissage supervisé (Régression, Classification, etc.)

Chapitre 3 : Réseaux de neurones profonds

· Architecture des réseaux de neurones profonds

· Réseaux de neurones convolutifs (CNN)

· Réseaux de neurones récurrents (RNN)

· Réseaux génératifs adverses (GAN)

Chapitre 4 : Optimisation du modèle et techniques de régularisation

· Techniques de régularisation

· Optimisation du modèle

Chapitre 6 : Applications du deep learning

· Vision par ordinateur

· Traitement du langage naturel

Définir les problèmes à résoudre sous formes de :

· Ateliers

· Mini-projets

1.5. MODALITES D'ORGANISATION DES ACTIVITES PRATIQUES

1.6. DESCRIPTION DU TRAVAIL PERSONNEL, LE CAS ECHEANT

2. EVALUATION
2.1. Modes d'évaluation
ELEMENT DE MODULE : Apprentissage Profond

 Examen de fin de semestre : coefficients de pondération ( 4 / 10 )

 Contrôles continus : coefficients de pondération ( 3 / 10 )
Préciser (tests, épreuves orales, devoirs, exposés, rapports de stage ou autre moyen de contrôle) :
 Tests
 Epreuves

about:blank 59/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

 Devoir
 Exposé

 Travaux pratiques : coefficients de pondération ( 3 / 10 )

2.2. Modalités de Validation du module

La note minimale pour valider le module doit être supérieure ou égale à 10

La note minimale pour valider l’élément de module doit être supérieure ou égale à 0

Note du Module = 0.4*Examen écrit+ 0.3* Mini-Projet + 0.3* Examen TP.

Si la note du module est supérieure ou égale à 10 sur 20 le module est validé, si la note est compris entre 7 et 10 sur 20 le module est rattrapé, si elle est inférieure à 7 sur 20
le module est non validé.
Le contrôle de rattrapage s’effectue selon les mêmes modalités que l’examen final.
La note finale du module après rattrapage est le sup des notes avant et après rattrapage. Elle ne peut en aucun cas excéder 10 sur 20.

3. COORDONNATEUR ET EQUIPE PEDAGOGIQUE DU MODULE (Le coordonnateur du module appartient au

département d'attache du module)

Nature d'intervention
(Enseignements ou activités :
Cours, TD, TP, encadrement de
Grade Spécialité Département Etablissement stage, de projets, ...)

Coordonnateur : EL Professeur Faculté des sciences Cours

AYACHI RACHID - habilité et technique à Beni TD
Mellal TP
Encadrement Stage
Encadrement Projet

4. AUTRES ELEMENTS PERTINENTS

about:blank 60/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

DESCRIPTIF DU MODULE M126

N° d'ordre du module M126

Intitulé du module PROJET IA

Nature du module Outils et ouverture

Semestre d'appartenance du module 2

Département d'attache Informatique

about:blank 61/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

1. SYLLABUS DU MODULE
1.1. OBJECTIFS DU MODULE

Objectif principal : Aborder les étapes d'un projet d'intelligence artificielle

1.2. PRE-REQUIS PEDAGOGIQUES (Indiquer le ou les module(s) requis pour suivre ce module et le semestre correspondant)

Avoir suivi les majeurs de fondement IA, machine Learning, et Deep Learning, programmation python

1.3. VOLUME HORAIRE (Les travaux dirigés sont obligatoires dans les modules majeurs. Les travaux pratiques, hors projet tutoré ou
stage, constituent 20% au minimum du volume horaire global dumodule nécessitant des travaux pratiques).

Volume horaire (VH)

Activités Pratiques (Travaux de

Elément(s) de terrain, Projets, Stages, …), Travail Evaluation des VH
module Cours TD TP Autres /préciser) personnel connaissances global

PROJET IA 12 4 28 0 0 12 56

VH global du 12 4 28 0 12 56
module

% VH 21% 7% 50% 0% 21% 100%

1.4. DESCRIPTION DU CONTENU DU MODULE

Fournir une description détaillée des enseignements et/ou activités pour le module (Cours, TD, TP, Activités Pratiques, ….).
Pour le cas des Licences d'Etudes Fondamentales, se conformer au contenu du tronc commun national.

Etapes d'un projet d'intelligence artificielle

1. Détermination du problème d’intelligence artificielle

2. Constriction de l’équipe d’un projet d’intelligence artificielle

3. Cadrage d'un projet d’intelligence artificielle

4. Éléments sur les prétraitements, la réduction de dimension et le changement de représentation

5. Plateformes logicielles pour l'apprentissage artificiel

6. Éléments sur le changement de représentation par apprentissage de dictionnaire sur-complet

7. Compte-rendu des projets

1.5. MODALITES D'ORGANISATION DES ACTIVITES PRATIQUES

about:blank 62/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

Définir les problèmes à résoudre sous formes de : 1.6. DESCRIPTION DU TRAVAIL PERSONNEL, LE CAS ECHEANT

· Ateliers

· Mini-projets

2. EVALUATION
2.1. Modes d'évaluation
ELEMENT DE MODULE : PROJET IA

 Examen de fin de semestre : coefficients de pondération ( 1 / 2 )

 Contrôles continus : coefficients de pondération ( 1 / 4 )
Préciser (tests, épreuves orales, devoirs, exposés, rapports de stage ou autre moyen de contrôle) :
 Tests
 Epreuves
 Devoir
 Exposé

 Travaux pratiques : coefficients de pondération ( 1 / 4 )

2.2. Modalités de Validation du module

La note minimale pour valider le module doit être supérieure ou égale à 10

La note minimale pour valider l’élément de module doit être supérieure ou égale à 0

Note du Module = 0.5*Projet mise en oeuvre+ 0.5*(Mini-Projet +exposé).

Si la note du module est supérieure ou égale à 10 sur 20 le module est validé, si la note est compris entre 7 et 10 sur 20 le module est rattrapé, si
elle est inférieure à 7 sur 20 le module est non validé.
Le contrôle de rattrapage s’effectue selon les mêmes modalités que l’examen final.
La note finale du module après rattrapage est le sup des notes avant et après rattrapage. Elle ne peut en aucun cas excéder 10 sur 20.

3. COORDONNATEUR ET EQUIPE PEDAGOGIQUE DU MODULE (Le coordonnateur du module appartient au

département d'attache du module)

Nature d'intervention
(Enseignements ou activités :
Cours, TD, TP, encadrement de
Grade Spécialité Département Etablissement stage, de projets, ...)

Coordonnateur : Professeur Informatique Faculté des sciences Cours

NACHAOUI habilité et technique à Beni TD
MOURAD - Mellal TP
Encadrement Stage
Encadrement Projet

4. AUTRES ELEMENTS PERTINENTS

about:blank 63/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

DESCRIPTIF DU MODULE M233

N° d'ordre du module M233

Intitulé du module ARCHITECTURES DISTRIBUEES ET MICROSERVICES

Nature du module Majeur

Semestre d'appartenance du module 3

Département d'attache Informatique

about:blank 64/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

1. SYLLABUS DU MODULE
1.1. OBJECTIFS DU MODULE

Les architectures distribuées et de microservices sont des éléments clés de la transformation digitale, car elles permettent aux organisations de développer et de déployer
rapidement des applications résilientes, évolutives et adaptables aux besoins changeants de l'entreprise et des clients.

Ce cours vise à fournir aux étudiants les compétences et les connaissances nécessaires pour concevoir, développer, déployer et gérer des architectures distribuées et de
microservices robustes, performantes et sécurisées.

Les objectifs typiques de ce cours sont :

- Comprendre les principes de conception et les défis liés à la création de systèmes distribués et de microservices.

- Acquérir une compréhension approfondie des technologies, des architectures et des modèles de communication courants utilisés dans les systèmes distribués et
de microservices.

- Savoir concevoir, développer, tester et déployer des systèmes distribués et de microservices évolutifs et performants.

- Comprendre les défis associés à la gestion et au déploiement d'architectures de microservices dans des environnements de production.

- Apprendre les meilleures pratiques de sécurité pour les systèmes distribués et de microservices.

1.2. PRE-REQUIS PEDAGOGIQUES (Indiquer le ou les module(s) requis pour suivre ce module et le semestre correspondant)

- Java

- Initiation aux réseaux informatiques

- Technologie des JSP/Servlets

- Les technologies web

1.3. VOLUME HORAIRE (Les travaux dirigés sont obligatoires dans les modules majeurs. Les travaux pratiques, hors projet tutoré ou
stage, constituent 20% au minimum du volume horaire global dumodule nécessitant des travaux pratiques).

Volume horaire (VH)

Activités Pratiques
(Travaux de terrain,
Projets, Stages, …), Autres Travail Evaluation des VH
Elément(s) de module Cours TD TP /préciser) personnel connaissances global

ARCHITECTURES 20 10 22 0 0 4 56
DISTRIBUEES ET
MICROSERVICES

VH global du module 20 10 22 0 4 56

% VH 36% 18% 39% 0% 7% 100%

1.4. DESCRIPTION DU CONTENU DU MODULE

Fournir une description détaillée des enseignements et/ou activités pour le module (Cours, TD, TP, Activités Pratiques, ….).
Pour le cas des Licences d'Etudes Fondamentales, se conformer au contenu du tronc commun national.

about:blank 65/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

- Enseignements Théoriques

- Introduction aux architectures distribuées et aux microservices

- Communication inter-processus (IPC)

- Conteneurs (Docker, Kubernetes)

- Découpage en microservices

- Stratégies de déploiement

- Les menaces de sécurité dans les systèmes distribués

- Travaux Pratiques

- Mise en place d’un microservice respectant les bonnes pratiques

- Mise en place d’une application distribuée sécurisée basée sur les microservices

- Gestion et orchestration des microservices en utilisant Kubernetes

1.5. MODALITES D'ORGANISATION DES ACTIVITES PRATIQUES

Lieu : Salle d’Informatique du Master

Les étudiants vont mener les ateliers pratiques selon les modalités suivantes :

- Travail collaboratif en petites équipes pour la conduite des mini projets.

- Travail en monôme ou binôme pour la réalisation des TPs
- Intégration continue et conduite de projets en Cloud.
-

1.6. DESCRIPTION DU TRAVAIL PERSONNEL, LE CAS ECHEANT

2. EVALUATION
2.1. Modes d'évaluation
ELEMENT DE MODULE : ARCHITECTURES DISTRIBUEES ET MICROSERVICES

 Examen de fin de semestre : coefficients de pondération ( 4 / 10 )

 Contrôles continus : coefficients de pondération ( 3 / 10 )
Préciser (tests, épreuves orales, devoirs, exposés, rapports de stage ou autre moyen de contrôle) :
 Tests
 Epreuves
 Devoir
 Exposé

 Travaux pratiques : coefficients de pondération ( 3 / 10 )

about:blank 66/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

2.2. Modalités de Validation du module

La note minimale pour valider le module doit être supérieure ou égale à 10

La note minimale pour valider l’élément de module doit être supérieure ou égale à 0

Note finale = 0.4Examen Final + 0.3Note des TPs + 0.3Note du mini Projet.
Si la note du module est supérieure ou égale à 10 sur 20 le module est validé, si la note est compris entre 7 et 10 sur 20 le module est rattrapé, si
elle est inférieure à 7 sur 20 le module est non validé.
Le contrôle de rattrapage s’effectue selon les mêmes modalités que l’examen final.
La note finale du module après rattrapage est le sup des notes avant et après rattrapage. Elle ne peut en aucun cas excéder 10 sur 20.

3. COORDONNATEUR ET EQUIPE PEDAGOGIQUE DU MODULE (Le coordonnateur du module appartient au

département d'attache du module)

Nature d'intervention
(Enseignements ou activités
: Cours, TD, TP,
encadrement de stage, de
Grade Spécialité Département Etablissement projets, ...)

Coordonnateur : PROFESSEUR DE Faculté des Cours

SAADI YOUSSEF - L'ENSEIGNEMENT SUP sciences et TD
ASSISTANT technique à Beni TP
Mellal Encadrement Stage
Encadrement Projet

4. AUTRES ELEMENTS PERTINENTS

about:blank 67/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

DESCRIPTIF DU MODULE M235

N° d'ordre du module M235

Intitulé du module Apprentissage par renforcement

Nature du module Majeur

Semestre d'appartenance du module 3

Département d'attache Informatique

about:blank 68/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

1. SYLLABUS DU MODULE
1.1. OBJECTIFS DU MODULE

Le Reinforcement Learning est un domaine très intéressant en informatique, en particulier l’intelligence artificielle. Ce module vise à :

· Offrir aux étudiants de nombreuses opportunités de recherche et de développement de technologies innovantes.

· Permettre aux étudiants d’apprendre des techniques et algorithmes pour créer des systèmes intelligents capables de prendre
des décisions optimales dans des environnements complexes et dynamiques.

· Appliquer les différentes techniques d’apprentissage par renforcement dans les domaines tels que la robotique, l’exploitation
autonome des drones dans l’agriculture, la santé, …

· Explorer et développer des algorithmes de Reinforcement Learning avancés pour résoudre des problèmes complexes dans
différents champs d’application.

1.2. PRE-REQUIS PEDAGOGIQUES (Indiquer le ou les module(s) requis pour suivre ce module et le semestre correspondant)

- Maîtriser un langage de programmation surtout Python ;

- Machine Learning et Deep Learning.

- Avoir des notions de probabilités: variable aléatoire, loi de probabilité (uniforme, normale), loi de Bayes, programmation linéaire,
théorie des graphes

1.3. VOLUME HORAIRE (Les travaux dirigés sont obligatoires dans les modules majeurs. Les travaux pratiques, hors projet tutoré ou
stage, constituent 20% au minimum du volume horaire global dumodule nécessitant des travaux pratiques).

Volume horaire (VH)

Activités Pratiques (Travaux

Elément(s) de de terrain, Projets, Stages, …), Travail Evaluation des VH
module Cours TD TP Autres /préciser) personnel connaissances global

Apprentissage par 20 16 16 0 0 4 56
renforcement

VH global du 20 16 16 0 4 56
module

% VH 36% 29% 29% 0% 7% 100%

1.4. DESCRIPTION DU CONTENU DU MODULE

Fournir une description détaillée des enseignements et/ou activités pour le module (Cours, TD, TP, Activités Pratiques, ….).
Pour le cas des Licences d'Etudes Fondamentales, se conformer au contenu du tronc commun national.

Enseignements théoriques :

- Modélisation

- Notions fondamentales des problèmes de décision Markoviens (PDMs): critères d’optimalité.

- Algorithmes de résolution des processus décisionnels de Markov :

about:blank 69/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

· Algorithme de la stratégie améliorée,

· Algorithme de Programmation linéaire,

· Algorithme itération de la valeur.

- Décomposition des problèmes de décision Markovien.

- Les problèmes de décision Markovien partiellement observables.

- Apprentissage par renforcement : exemples d’applications,

- Les algorithmes de RL : apprentissage par différence temporelle (TD), Q-Learning, SARSA, actor-critic, politiques de gradient,
Monte Carlo.

- Apprentissage par renforcement profond : architectures de réseaux de neurones pour RL, DQN, double DQN, dueling DQN,
prioritized replay, Rainbow, A3C.

- Apprentissage par renforcement inverse : imitation learning, apprentissage à partir de démonstrations, inverse RL.

- Apprentissage par renforcement en continu et en temps réel.

Enseignements Pratiques :

- TP1 : Les algorithmes PDM et un cas réel d’application.

- TP2 : Application des algorithmes : Q-learning, TD (Lambda), ...

- TP3 : Systèmes multi-agents réactifs : Le but est de mieux comprendre par l’expérience ce qu’est un système multi-agents réactif
et ce que cela apporte en utilisant l’apprentissage par renforcement profond.

- TP4 : Cas d’un système de recommandation intelligent à base d’apprentissage par renforcement.

1.5. MODALITES D'ORGANISATION DES ACTIVITES PRATIQUES

Un mini projet est affecté à un groupe d’étudiants (binôme ou trinôme). Le but est de mettre en pratique les savoirs et savoir-
faire acquis durant ce module à travers une approche par problèmes qui rend le groupe d’étudiant actif et responsable en résolvant
un éventuel problème par les algorithmes d’apprentissage par renforcement. La thématique du mini projet présente un sujet
d’actualité qui permet de démontrer la puissance des approches théoriques et techniques traités et liées aux domaines
d’applications de RL (robotique, utilisation autonome des drones, santé, …).

1.6. DESCRIPTION DU TRAVAIL PERSONNEL, LE CAS ECHEANT

2. EVALUATION
2.1. Modes d'évaluation
ELEMENT DE MODULE : Apprentissage par renforcement

 Examen de fin de semestre : coefficients de pondération ( 4 / 10 )

 Contrôles continus : coefficients de pondération ( 2 / 10 )
Préciser (tests, épreuves orales, devoirs, exposés, rapports de stage ou autre moyen de contrôle) :
 Tests
 Epreuves
 Devoir
 Exposé

about:blank 70/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

 Travaux pratiques : coefficients de pondération ( 4 / 10 )

2.2. Modalités de Validation du module

La note minimale pour valider le module doit être supérieure ou égale à 10

La note minimale pour valider l’élément de module doit être supérieure ou égale à 0

Note du module = 0.4*Examen écrit + 0.2*Examen TP + 0.2* Contrôles continus+0.2* Note Mini-Projet.
Si la note du module est supérieure ou égale à 10 sur 20 le module est validé, si la note est compris entre 7 et 10 sur 20 le module est rattrapé, si elle est inférieure à 7
sur 20 le module est non validé.
Le contrôle de rattrapage s’effectue selon les mêmes modalités que l’examen final.
La note finale du module après rattrapage est le sup des notes avant et après rattrapage. Elle ne peut en aucun cas excéder 10 sur 20.

3. COORDONNATEUR ET EQUIPE PEDAGOGIQUE DU MODULE (Le coordonnateur du module appartient au

département d'attache du module)

Nature d'intervention
(Enseignements ou activités :
Cours, TD, TP, encadrement de
Grade Spécialité Département Etablissement stage, de projets, ...)

Coordonnateur : Professeur Informatique Informatique Faculté des sciences Cours

AIT OMAR Driss assistant et technique à Beni TD
Mellal TP
Encadrement Stage
Encadrement Projet

4. AUTRES ELEMENTS PERTINENTS

about:blank 71/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

DESCRIPTIF DU MODULE M234

N° d'ordre du module M234

Intitulé du module Cybersécurité & blockchain

Nature du module Majeur

Semestre d'appartenance du module 3

Département d'attache Informatique

about:blank 72/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

1. SYLLABUS DU MODULE
1.1. OBJECTIFS DU MODULE

Les objectifs principaux de ce module sont les suivants :

· Proposer une étude de la sécurité des réseaux, des applications et les standards associés.

· Protéger un SI d’entreprise contre les principales menaces.

· Identifier les actifs à protéger dans le système d’information d’une entreprise.

· Appliquer correctement le processus de management de la sécurité de l’information dans une entreprise.

· Décomposer les composants fondamentaux d’un système de chaînes de blocs, leur enchaînement et examiner plus en détail un système de
chaînes de blocs modulaire.

· Expliquer les scripts avancés et leur utilisation pour gérer plusieurs cas d'utilisation réels avec des exemples de code.

· Fournir une compréhension approfondie des contrats intelligents, de leurs capacités techniques, de leurs applications pratiques, de leurs
limitations et des contraintes de sécurité dans lesquelles ils opèrent.

· Fournir une couverture détaillée de la plate-forme de contrat intelligente la plus en vue, Ethereum, et exposer les étudiants à son principal langage
de programmation, Solidity.

· Sensibiliser à la nature délicate de la programmation de contrats intelligents, en examinant les pratiques émergentes pour assurer la qualité des
applications décentralisées, des modèles de code et des considérations de sécurité.

· Exposer les divers environnements de développement et les différentes approches de gestion de contrats intelligents tout au long de leur cycle
de vie.

1.2. PRE-REQUIS PEDAGOGIQUES (Indiquer le ou les module(s) requis pour suivre ce module et le semestre correspondant)

· Notions en arithmétique, en algèbre et en algorithmique de base (programme DEUST).

· Réseaux informatiques (programme licence).

· IoT.

1.3. VOLUME HORAIRE (Les travaux dirigés sont obligatoires dans les modules majeurs. Les travaux pratiques, hors projet tutoré ou
stage, constituent 20% au minimum du volume horaire global dumodule nécessitant des travaux pratiques).

Volume horaire (VH)

Activités Pratiques (Travaux de

Elément(s) de terrain, Projets, Stages, …), Travail Evaluation des VH
module Cours TD TP Autres /préciser) personnel connaissances global

Cybersécurité & 24 12 16 0 0 4 56
blockchain

VH global du 24 12 16 0 4 56
module

% VH 43% 21% 29% 0% 7% 100%

1.4. DESCRIPTION DU CONTENU DU MODULE

Fournir une description détaillée des enseignements et/ou activités pour le module (Cours, TD, TP, Activités Pratiques, ….).
Pour le cas des Licences d'Etudes Fondamentales, se conformer au contenu du tronc commun national.

about:blank 73/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

1) Cybersécurité :

Contenu de l’élément de module :

· Concepts de la cryptographie et de la sécurité informatique.

· Sécurité de base des équipements réseau : Sécurité de l'accès distant, Sécurité des ports,
DHCP snooping, Dynamic ARP inspection ...

· Outils de surveillance de la sécurité : Journalisation réseau, Capture de paquets, NetFlow, Les IDS/IPS.

· Types d'attaques réseau : Programmes malveillants, Attaques de reconnaissance, Attaques

par accès, Attaques par déni de service.

· Vulnérabilités des protocoles de la suite TCP/IP : ARP, TCP, DHCP, HTTP, FTP, SMTP ...

· Analyse des intrusions réseau : Analyse des en-têtes de protocole, Analyse de sécurité avec Wireshark, Événements de sécurité avec NetFlow.

· Réduction des risques : Sauvegardes et mises à jours, correctifs, AAA, ACL, Pare-feu, DMZ,
VPN.

· Système de Management de la sécurité de l’information SMSI : Historique et évolution.

· Les différentes normes de la famille ISO/CEI 2700x.

Travaux pratiques de l’élément :

· TP1 : Sécurité des équipements réseau.

· TP2 : Filtrage de trafic : ACL et Pare-feu.

· TP3 : Surveillance de la sécurité dans un réseau.

· TP4 : Implémentation d’une attaque réseau, Analyse d’intrusion, et Contre mesure.

2) Blockchain :

Contenu de l’élément de module :

· L'histoire des systèmes à base de transaction : Des transactions aux blocs, Les blocs et le consensus distribué.

· Clés et adresses : Cryptographie de base, Des clés privées aux adresses.

· Le langage de script et l’API Bitcoin : Introduction au langage de script Bitcoin, Écriture et exécution de scripts, Outils et bibliothèques pour accéder aux
capacités de script et d’API de Bitcoin.

· Déploiement de la Blockchain : Extraction et forgeage, Mise à niveau du réseau.

· Architectures Blockchain : Architecture abstraite, Introduction aux principales plates-formes blockchain.

· Contrats intelligents et Ethereum : Introduction technique aux contrats intelligents, Vue d'ensemble Ethereum, Proposition Web3 pour un internet
décentralisé, Utilisation de sous-protocoles Ethereum, stockage et moyens d'interaction avec le monde extérieur.

· Environnement de développement.

· Code du contrat pas à pas : Contrat intelligent, Introduction à la solidité, Cycle de vie du contrat.

· Considérations pour le déploiement en production : Qualité des applications décentralisées, Modèles de code, sécurité, Les plateformes de contrat
intelligentes.

1.5. MODALITES D'ORGANISATION DES ACTIVITES PRATIQUES

1.6. DESCRIPTION DU TRAVAIL PERSONNEL, LE CAS ECHEANT

about:blank 74/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

2. EVALUATION
2.1. Modes d'évaluation
ELEMENT DE MODULE : Cybersécurité & blockchain

 Examen de fin de semestre : coefficients de pondération ( 1 / 2 )

 Contrôles continus : coefficients de pondération ( 1 / 4 )
Préciser (tests, épreuves orales, devoirs, exposés, rapports de stage ou autre moyen de contrôle) :
 Tests
 Epreuves
 Devoir
 Exposé

 Travaux pratiques : coefficients de pondération ( 1 / 4 )

2.2. Modalités de Validation du module

La note minimale pour valider le module doit être supérieure ou égale à 10

La note minimale pour valider l’élément de module doit être supérieure ou égale à 0

Note du module = 0.5*Examen écrit + 0.25*Examen TP + 0.25* Contrôles continus.

Si la note du module est supérieure ou égale à 10 sur 20 le module est validé, si la note est compris entre 7 et 10 sur 20 le module est
rattrapé, si elle est inférieure à 7 sur 20 le module est non validé.
Le contrôle de rattrapage s’effectue selon les mêmes modalités que l’examen final.
La note finale du module après rattrapage est le sup des notes avant et après rattrapage. Elle ne peut en aucun cas excéder 10 sur 20.

3. COORDONNATEUR ET EQUIPE PEDAGOGIQUE DU MODULE (Le coordonnateur du module appartient au

département d'attache du module)

Nature d'intervention
(Enseignements ou activités :
Cours, TD, TP, encadrement de
Grade Spécialité Département Etablissement stage, de projets, ...)

Coordonnateur : Professeur Informatique Informatique Faculté des sciences Cours

GARMANI HAMID assistant et technique à Beni TD
Mellal TP
Encadrement Stage
Encadrement Projet

4. AUTRES ELEMENTS PERTINENTS

about:blank 75/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

DESCRIPTIF DU MODULE M236

N° d'ordre du module M236

Intitulé du module VIRTUALISATION ET CLOUD COMPUTING

Nature du module Majeur

Semestre d'appartenance du module 3

Département d'attache Informatique

about:blank 76/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

1. SYLLABUS DU MODULE
1.1. OBJECTIFS DU MODULE

La virtualisation consiste à créer une version virtuelle d'un système informatique, comme un serveur ou un poste de travail, qui peut être utilisée
de manière indépendante du matériel physique sur lequel elle est installée. La virtualisation peut être utilisée pour consolider plusieurs systèmes
sur un seul serveur physique, pour isoler des applications ou des charges de travail de manière sécurisée, ou pour faciliter la migration des
applications entre différents environnements.

Le cloud computing, quant à lui, est un modèle de prestation de services informatiques qui permet aux utilisateurs d'accéder à des ressources
informatiques à la demande, via Internet. Les fournisseurs de services cloud proposent une variété de services, tels que des serveurs virtuels, des
bases de données, des applications, des espaces de stockage, etc. Les utilisateurs peuvent choisir de louer ces ressources à la demande, plutôt
que d'investir dans l'achat et la maintenance de leur propre infrastructure.

Ce module propose un enseignement technique des différentes solutions de virtualisation et de cloud comupting. Il vous permettra de
comprendre comment gérer et superviser de manière optimale une plateforme virtuelle VMware et comment mettre en œuvre une politique de
sécurité ainsi qu'un Plan de Reprise d'Activités (PRA) en environnements VMware. Vous découvrirez également le Cloud Computing privé et
public à travers le Cloud VMware en détaillant les techniques du stockage et du traitement de données.

1.2. PRE-REQUIS PEDAGOGIQUES (Indiquer le ou les module(s) requis pour suivre ce module et le semestre correspondant)

- Bonnes bases en Réseaux Informatiques,

- Connaissances en Système Linux,

- Connaissances en Administration réseaux.

1.3. VOLUME HORAIRE (Les travaux dirigés sont obligatoires dans les modules majeurs. Les travaux pratiques, hors projet tutoré ou
stage, constituent 20% au minimum du volume horaire global dumodule nécessitant des travaux pratiques).

Volume horaire (VH)

Activités Pratiques (Travaux

de terrain, Projets, Stages, Travail Evaluation des VH
Elément(s) de module Cours TD TP …), Autres /préciser) personnel connaissances global

VIRTUALISATION ET 20 8 24 0 0 4 56
CLOUD COMPUTING

VH global du module 20 8 24 0 4 56

% VH 36% 14% 43% 0% 7% 100%

1.4. DESCRIPTION DU CONTENU DU MODULE

Fournir une description détaillée des enseignements et/ou activités pour le module (Cours, TD, TP, Activités Pratiques, ….).
Pour le cas des Licences d'Etudes Fondamentales, se conformer au contenu du tronc commun national.

VIRTUALISATION

1.1 Introduction

1.2 Les hyperviseurs

1.2.1 hyperviseur de type 1

1.2.2 hyperviseur de type 2

about:blank 77/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

1.3 Les différents types de la Virtualisation

1.3.1 Virtualisation Complète

1.3.2 Para-Virtualisation

1.3.3 Les Isolateurs

1.4 Les principales solutions

1.4.1 XEN

1.4.2 KVM

1.4.3 VMware ESX

1.4.4 Hyper-V

1.4.5 OpenVZ

1.4.6 LXC

1.5 Domaines d’application

1.6 La Virtualisation de Stockage

1.6.1 Stockage en Réseau

1.7 Conclusion

CLOUD COMPUTING

2.1 Définition

2.2 Les différents types du Cloud

2.2.1 SAAS (Software as a Service)

2.2.2 PAAS (Plateform as a Service)

2.2.3 IAAS (Infrastructure as a Service)

2.3 Les architectures Cloud

2.3.1 Le Cloud Privé

2.3.2 Le Cloud Public

2.3.3 Le Cloud Hybride

2.3.4 Avantages et Bénéfices

2.4 Les différents acteurs du Cloud

2.4.1 Amazon

2.4.2 SalesForce

2.4.3 Microsoft

2.4.4 Google

2.4.5 OpenStack

2.5 Conclusion

1.5. MODALITES D'ORGANISATION DES ACTIVITES PRATIQUES

- Application pratique en salle d’informatique des notions vues en cours.

about:blank 78/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

- La didactique du module suit une approche alliant théorie et pratique comme suit :

- Cours magistraux et TD (Cours + TD) en salle de TP équipé d’un Serveur

- Enseignements pratiques en salle de TP équipé d’un Serveur

1.6. DESCRIPTION DU TRAVAIL PERSONNEL, LE CAS ECHEANT

2. EVALUATION
2.1. Modes d'évaluation
ELEMENT DE MODULE : VIRTUALISATION ET CLOUD COMPUTING

 Examen de fin de semestre : coefficients de pondération ( 1 / 2 )

 Contrôles continus : coefficients de pondération ( 1 / 4 )
Préciser (tests, épreuves orales, devoirs, exposés, rapports de stage ou autre moyen de contrôle) :
 Tests
 Epreuves
 Devoir
 Exposé

 Travaux pratiques : coefficients de pondération ( 1 / 4 )

2.2. Modalités de Validation du module

La note minimale pour valider le module doit être supérieure ou égale à 10

La note minimale pour valider l’élément de module doit être supérieure ou égale à 0

Note du module = 0.25*Examen TP + 0.25*Mini Projet + 0.5*Examen écrit.

Si la note du module est supérieure ou égale à 10 sur 20 le module est validé, si la note est compris entre 7 et 10 sur 20 le module est rattrapé, si
elle est inférieure à 7 sur 20 le module est non validé.
Le contrôle de rattrapage s’effectue selon les mêmes modalités que l’examen final.
La note finale du module après rattrapage est le sup des notes avant et après rattrapage. Elle ne peut en aucun cas excéder 10 sur 20.

3. COORDONNATEUR ET EQUIPE PEDAGOGIQUE DU MODULE (Le coordonnateur du module appartient au

département d'attache du module)

Nature d'intervention
(Enseignements ou
activités : Cours, TD, TP,
encadrement de stage, de
Grade Spécialité Département Etablissement projets, ...)

Coordonnateur : PROFESSEUR DE Faculté des Cours

ZOUGAGH L'ENSEIGNEMENT sciences et TD
HICHAM - SUP ASSISTANT technique à Beni TP
Mellal Encadrement Stage
Encadrement Projet

4. AUTRES ELEMENTS PERTINENTS

about:blank 79/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

about:blank 80/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

DESCRIPTIF DU MODULE M231

N° d'ordre du module M231

Intitulé du module INFORMATIQUE DECISIONNELLE

Nature du module Outils et ouverture

Semestre d'appartenance du module 3

Département d'attache Informatique

about:blank 81/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

1. SYLLABUS DU MODULE
1.1. OBJECTIFS DU MODULE

Ce module propose un enseignement fondamental sur les systèmes d’informations décisionnels, de leurs architectures et de leur évolution. Il
vise à introduire les étudiants aux différents concepts : Entrepôts de données (Datawarehouse) ; OLAP et caractérisation ; Extraction de
connaissances ; Analyse de BD et Fouille des données (Data Mining) ; Applications (CRM, scoring, web, bio-informatique, télécoms, etc.). Ce module a
pour objectif de :

- Expliquer l’intérêt de l’Informatique Décisionnelle dans le pilotage

- Donner un aperçu complet sur l’Informatique Décisionnelle et ses composants

- Donner un aperçu pratique sur les Entrepôts de Données (composante clé d’un BI)

- Permettre de comprendre comment concevoir un Entrepôt de Données.

….

1.2. PRE-REQUIS PEDAGOGIQUES (Indiquer le ou les module(s) requis pour suivre ce module et le semestre correspondant)

Base de données relationnelle

1.3. VOLUME HORAIRE (Les travaux dirigés sont obligatoires dans les modules majeurs. Les travaux pratiques, hors projet tutoré ou
stage, constituent 20% au minimum du volume horaire global dumodule nécessitant des travaux pratiques).

Volume horaire (VH)

Activités Pratiques (Travaux

Elément(s) de de terrain, Projets, Stages, Travail Evaluation des VH
module Cours TD TP …), Autres /préciser) personnel connaissances global

INFORMATIQUE 20 12 20 0 0 4 56
DECISIONNELLE

VH global du 20 12 20 0 4 56
module

% VH 36% 21% 36% 0% 7% 100%

1.4. DESCRIPTION DU CONTENU DU MODULE

Fournir une description détaillée des enseignements et/ou activités pour le module (Cours, TD, TP, Activités Pratiques, ….).
Pour le cas des Licences d'Etudes Fondamentales, se conformer au contenu du tronc commun national.

Partie théorique :

Chapitre 1 : Introduction à l'informatique décisionnelle

- Définition et enjeux de l'informatique décisionnelle

- Les différents acteurs et leurs rôles (utilisateurs, décideurs, analystes, développeurs)

- Les sources de données et les processus d'extraction, transformation et chargement (ETL)

- Les outils de la BI (Business Intelligence)

Chapitre 2 : Modélisation de données

- Les modèles dimensionnels et relationnels

about:blank 82/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

- Les concepts clés : dimensions, faits, mesures, agrégats

- Les schémas en étoile, en flocon et hybride

Chapitre 3. Problématiques d'alimentation

- Le rôle du datawarehouse

- Appréhender les besoins

- Extract-transform-load

- Exemple de données

Chapitre 4. Architecture d'un datawarehouse

- Concept du datawarehouse

- Les différentes zones

- Datamarts et architecture

- OLAP

Chapitre 5. Langage MDX

- Syntaxe MDX

- Dimensions et les hiérarchies

- Membres

- Mesures

- Fonctions MDX

- Expressions calculées

Chapitre 6 : Le data mining et la fouille de données

- Les principaux algorithmes de data mining (régression, classification, clustering, association, séquentialité)

- Les pré-traitements de données (filtrage, discrétisation, normalisation, etc.)

- Les outils de data mining (RapidMiner, Knime, WEKA)

Partie pratique :

- Réalisation de projet BI en utilisant l’outil : Microsoft SQL Server

1.5. MODALITES D'ORGANISATION DES ACTIVITES PRATIQUES

Application pratique des notions vues en cours : Microsoft SQL Server

1.6. DESCRIPTION DU TRAVAIL PERSONNEL, LE CAS ECHEANT

2. EVALUATION
2.1. Modes d'évaluation
ELEMENT DE MODULE : INFORMATIQUE DECISIONNELLE

about:blank 83/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

 Examen de fin de semestre : coefficients de pondération ( 1 / 2 )

 Contrôles continus : coefficients de pondération ( 1 / 4 )
Préciser (tests, épreuves orales, devoirs, exposés, rapports de stage ou autre moyen de contrôle) :
 Tests
 Epreuves
 Devoir
 Exposé

 Travaux pratiques : coefficients de pondération ( 1 / 4 )

2.2. Modalités de Validation du module

La note minimale pour valider le module doit être supérieure ou égale à 10

La note minimale pour valider l’élément de module doit être supérieure ou égale à 0

Note du module = 0.75*Examen écrit + 0.25* TP.

Si la note du module est supérieure ou égale à 10 sur 20 le module est validé, si la note est compris entre 7 et 10 sur 20 le module est rattrapé, si
elle est inférieure à 7 sur 20 le module est non validé.
Le contrôle de rattrapage s’effectue selon les mêmes modalités que l’examen final.
La note finale du module après rattrapage est le sup des notes avant et après rattrapage. Elle ne peut en aucun cas excéder 10 sur 20.

3. COORDONNATEUR ET EQUIPE PEDAGOGIQUE DU MODULE (Le coordonnateur du module appartient au

département d'attache du module)

Nature d'intervention
(Enseignements ou activités :
Cours, TD, TP, encadrement
Grade Spécialité Département Etablissement de stage, de projets, ...)

Coordonnateur : Professeur de Faculté des Cours

HAIR ABDELLATIF - l'enseignement sciences et TD
supérieur technique à Beni TP
Mellal Encadrement Stage
Encadrement Projet

4. AUTRES ELEMENTS PERTINENTS

about:blank 84/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

DESCRIPTIF DU MODULE M232

N° d'ordre du module M232

Intitulé du module ETHIQUE ET DROIT INFORMATIQUE

Nature du module Outils et ouverture

Semestre d'appartenance du module 3

Département d'attache Informatique

about:blank 85/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

1. SYLLABUS DU MODULE
1.1. OBJECTIFS DU MODULE

- Connaître les principes de l’éthique en particulier dans le monde numérisé

- Connaître les principes de la protection des données

- Être conscient des droits et obligations juridiques dans la pratique de l’informatique

- Etablir une stratégie en matière de propriété intellectuelle

- Connaître les enjeux de la durabilité

- Développer le sens de l'analyse empirique en étudiant les différents modèles proposés par l’économie digitale et les questions
juridiques qu’ils soulèvent.

1.2. PRE-REQUIS PEDAGOGIQUES (Indiquer le ou les module(s) requis pour suivre ce module et le semestre correspondant)

Aucun

1.3. VOLUME HORAIRE (Les travaux dirigés sont obligatoires dans les modules majeurs. Les travaux pratiques, hors projet tutoré ou
stage, constituent 20% au minimum du volume horaire global dumodule nécessitant des travaux pratiques).

Volume horaire (VH)

Activités Pratiques (Travaux

Elément(s) de de terrain, Projets, Stages, Travail Evaluation des VH
module Cours TD TP …), Autres /préciser) personnel connaissances global

ETHIQUE ET DROIT 30 0 22 0 0 4 56
INFORMATIQUE

VH global du module 30 0 22 0 4 56

% VH 54% 0% 39% 0% 7% 100%

1.4. DESCRIPTION DU CONTENU DU MODULE

Fournir une description détaillée des enseignements et/ou activités pour le module (Cours, TD, TP, Activités Pratiques, ….).
Pour le cas des Licences d'Etudes Fondamentales, se conformer au contenu du tronc commun national.

Enseignements théoriques :

Après une brève introduction générale au droit et au système juridique marocain, le cours abordera les matières essentielles du
droit des nouvelles technologies, à savoir notamment :
- Le droit de la vie privée (Protection de la personnalité)
- Protection des données personnelles et ses implications sur la construction des systèmes informatiques et sur les
traitements de données
- La propriété intellectuelle à l'ère du numérique (panorama des différents droits, droit d'auteur, régimes particuliers
applicables aux logiciels et aux bases de données, droit des marques, protection des noms de domaine,...)
- Le droit des services numériques (publicité en ligne, conclusion de contrats par voie électronique, contrats avec
prestataires Cloud, contrats intelligents et chaines de bloc, preuve et numérique, responsabilités dans l'univers numérique,...)

about:blank 86/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

- Éthique et droit : Les grands enjeux éthiques du numérique et de l’informatique (Ethique de la responsabilité, égalité et
dignité humaine. Valeur, norme et principe, Charte des valeurs [Link] la responsable de projet en informatique….)

Enseignements Pratiques :

Les étudiants sont amenés à résoudre plusieurs cas d'étude pratiques durant des séances de TP.

1.5. MODALITES D'ORGANISATION DES ACTIVITES PRATIQUES

1.6. DESCRIPTION DU TRAVAIL PERSONNEL, LE CAS ECHEANT

2. EVALUATION
2.1. Modes d'évaluation
ELEMENT DE MODULE : ETHIQUE ET DROIT INFORMATIQUE

 Examen de fin de semestre : coefficients de pondération ( 6 / 10 )

 Contrôles continus : coefficients de pondération ( 2 / 10 )
Préciser (tests, épreuves orales, devoirs, exposés, rapports de stage ou autre moyen de contrôle) :
 Tests
 Epreuves
 Devoir
 Exposé

 Travaux pratiques : coefficients de pondération ( 2 / 10 )

2.2. Modalités de Validation du module

La note minimale pour valider le module doit être supérieure ou égale à 10

La note minimale pour valider l’élément de module doit être supérieure ou égale à 0

Note du module= 0.6Examen final +0.2*Mini Projet +0.2*TP.

Si la note du module est supérieure ou égale à 10 sur 20 le module est validé, si la note est compris entre 7 et 10 sur 20 le module est rattrapé, si
elle est inférieure à 7 sur 20 le module est non validé.
Le contrôle de rattrapage s’effectue selon les mêmes modalités que l’examen final.
La note finale du module après rattrapage est le sup des notes avant et après rattrapage. Elle ne peut en aucun cas excéder 10 sur 20.

3. COORDONNATEUR ET EQUIPE PEDAGOGIQUE DU MODULE (Le coordonnateur du module appartient au

département d'attache du module)

about:blank 87/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

Nature d'intervention
(Enseignements ou
activités : Cours, TD, TP,
encadrement de stage, de
Grade Spécialité Département Etablissement projets, ...)

Coordonnateur : PROFESSEUR DE Faculté des Cours

EL MOURABIT L'ENSEIGNEMENT sciences et
YOUSEF - SUP ASSISTANT technique à Beni TP
Mellal Encadrement Stage
Encadrement Projet

4. AUTRES ELEMENTS PERTINENTS

about:blank 88/89
11/07/2023 13:00 Descriptif Filière Intelligence Artificielle & Informatique Numérique

DESCRIPTIF DU STAGE : Projet de fin d'études (PFE)

1. Objectifs

L’objectif du PFE est de sensibiliser les étudiants du milieu économique et professionnel. La formation se conclut par l’élaboration d’un projet mettant en
œuvre les différents acquis. Le projet s’effectue sous la double supervision d’un enseignant chercheur et d’un responsable scientifique ou technique au sein
de l’organisme d’accueil. Le travail réalisé sous forme de rapport et se termine par une soutenance devant un jury.

2. Durée

336

3. Lieu

Le PFE se déroule en secteur public ou privé

4. Activités prévues

- Adaptation des étudiants facilement à l’évolution rapide que connaît le secteur des Nouvelles Technologies de l’IA

- Intégration des étudiants facilement dans le secteur privé

- Nouer des relations avec le secteur privé pour embauche.

5. Encadrement

- L’encadrement s’effectue sous la double supervision d’un enseignant chercheur et d’un responsable scientifique ou technique au sein de l’organisme
d’accueil

9. Modalités d'évaluation

 Rapport : coefficients de pondération ( 1 / 3 )

 Soutenance : coefficients de pondération ( 1 / 3 )

 Projet pratique : coefficients de pondération ( 1 / 3 )

10. MODALITES DE VALIDATION

La note minimale pour valider le stage doit être supérieure ou égale à 10

about:blank 89/89