Modélisation logicielle des systèmes IoT
A l'issue de ce module d'enseignement, l'étudiant(e) sera capable de :
-
AA1 : Analyser systèmes IoT
-
AA2 : Modéliser architecture IoT
-
AA3 : Décrire comportements des objets connectés
-
AA4 : Évaluer modèles logiciels IoT
Test logiciel ISTQB
AA1: Comprendre les concepts fondamentaux du test logiciel.
AA2: Identifier l'approche et les activités de test à mettre en œuvre en fonction du contexte du test.
AA3: Aligner le processus de test sur le cycle de vie du développement logiciel
AA4: Comprendre les facteurs qui influencent les priorités et les efforts liés aux tests
Gamification & Serious Game
A l'issue de ce module d'enseignement, l'étudiant(e) sera capable de :
-
Comprendre les principes fondamentaux de la gamification et son application dans différents domaines
-
Identifier les différents types de joueurs et adapter les stratégies de gamification en conséquence
-
Appliquer un cadre conceptuel pour concevoir des jeux sérieux orientés apprentissage
-
Analyser les aspects d'interaction homme-machine (HCI) et d'utilisabilité dans les systèmes gamifiés
-
Concevoir des systèmes gamifiés en utilisant les mécaniques, dynamiques et appropriées
-
Modéliser des processus de jeu à l'aide d'UML et BPMN
Game Engine Programming
A l'issue de ce module d'enseignement, l'étudiant(e) sera capable de :
-
AA1 : Expliquer les principes de la programmation de jeux, l'architecture des moteurs de jeu et les modèles de conception (design patterns) couramment utilisés.
-
AA2: Comprendre la programmation réseau pour les jeux ainsi que le multithreading.
-
AA3: Appliquer les concepts de scripting (scriptage) et d'intelligence artificielle (IA) spécifiques à la programmation de jeux.
-
AA4: Analyser et optimiser les performances d'un jeu.
-
AA5 : Expliquer et appliquer les concepts de son 3D au sein des moteurs de jeu.
-
AA6 : Développer un jeu complet en intégrant des concepts clés tels que l'IA, la mise en réseau et le scriptage.
Virtualisation & Cloud
A l'issue de ce module d'enseignement, l'étudiant(e) sera capable de :
-
AA1 : Expliquer les concepts fondamentaux de la virtualisation et du Cloud Computing.
-
AA2 : Installer et configurer des machines virtuelles à l’aide d’un hyperviseur.
-
AA3 : Comparer la virtualisation classique et la conteneurisation.
-
AA4 : Appliquer les bonnes pratiques professionnelles en environnement Cloud.
Déploiement des systèmes XR
A l'issue de ce module d'enseignement, l'étudiant(e) sera capable de :
-
AA1 : Configurer et déployer une application XR complète sur plateforme cible (Quest, Pico, HoloLens) à partir d'un projet Unity/Unreal fonctionnel.
-
AA2 : Analyser et optimiser les contraintes réseau/performance pour déployer XR distribué.
-
AA3 : Intégrer et orchestrer services backend Cloud (Firebase, AWS XR) pour applications multi-utilisateurs.
-
AA4 : Mettre en production, monitorer et maintenir une application XR déployée.
Indexation et annotation multimédia
A l'issue de ce module d'enseignement, l'étudiant(e) sera capable de :
-
AA1 : Comprendre les concepts fondamentaux de l’indexation et de l’annotation multimédia
-
AA2 : Identifier et distinguer les types de contenus multimédia et leurs spécificités
-
AA3 : Appliquer des méthodes d’indexation et d’annotation adaptées à un contenu donné
-
AA4 : Analyser des systèmes d’indexation multimédia existants
-
AA5 : Concevoir une solution simple d’annotation ou d’indexation multimédia
-
AA6 : Travailler en équipe et présenter un travail technique de manière structurée
Introduction à la Vision par ordinateur et reconnaissance de formes
A l'issue de ce module d'enseignement, l'étudiant(e) sera capable de :
-
AA1 : Comprendre bases de la vision par ordinateur
-
AA2 : Traiter images numériques
-
AA3 : Reconnaître formes et objets simples
-
AA4 : Appliquer détection de contours et segmentation
Deep learning et IA générative
A l'issue de ce module d'enseignement, l'étudiant(e) sera capable de :
-
AA1 : Comprendre les fondements du deep learning et de l’IA générative.
-
AA2 : Concevoir, entraîner et évaluer un modèle de Deep Learning sur des jeux de données réels (classification d’images, génération de texte/image).
-
AA3 : Appliquer les techniques de l’IA générative sur des cas pratiques (texte et image).
-
AA4 : Développer une conscience critique des enjeux éthiques, légaux et sociétaux liés à l’usage des technologies de Deep Learning et d’IA générative (biais, propriété intellectuelle, utilisation responsable).
-
AA5 : Introduire l’utilisation des RAGs
Qualité d’usage des systèmes interactifs
A l'issue de ce module d'enseignement, l'étudiant(e) sera capable de :
-
AA1 : Mesurer la qualité d'usage par métriques quantitatives (SUS, NPS, Task Success Rate)
-
AA2 : Analyser comportements utilisateurs via heatmaps et session replays
-
AA3 : Optimiser interfaces selon données analytics (A/B testing, funnel analysis)
-
AA4 : Évaluer systèmes XR par métriques spécifiques (motion sickness, spatial tasks)