Tous les cours | Université de Sfax

A l'issue de ce module d'enseignement, l'étudiant(e) sera capable de :

AA1 : Concevoir des interfaces ergonomiques adaptées aux besoins utilisateurs ;
AA2 : Analyser et optimiser l'expérience utilisateur (UX) ;
AA3 : Appliquer les principes de design visuel, d'interaction et d'ergonomie aux interfaces numériques ;
AA4 : Concevoir et mener des tests d'interaction utilisateur simples

A l'issue de ce module d'enseignement, l'étudiant(e) sera capable de :

AA1 : Concevoir des architectures complètes de systèmes basés sur prompts (orchestrateurs, pipelines, mémoire, outils).
AA2 : Implémenter et déployer des agents IA multi‑prompts intégrés à des applications web ou data.
AA3 : Mettre en place des stratégies avancées d’optimisation (prompt chaining, evaluation loop, A/B testing).
AA4 : Appliquer des principes de sécurité, de gouvernance et d’usage responsable des prompts IA (biais, confidentialité, RGPD en lien avec IA).

A l'issue de ce module d'enseignement, l'étudiant(e) sera capable de :

AA1 : identifier les menaces, les vulnérabilités et les surfaces d’attaques dans les architectures distribuées
AA2 : analyser les risques de sécurité d’une architecture big data pour identifier les composants critiques à protéger
AA3 : mettre en oeuvre des mécanismes d’authentification forte adaptés aux big data
AA4 : concevoir des politiques de sécurité et du contrôle d'accès adaptée aux big data

A l'issue de ce module d'enseignement, l'étudiant(e) sera capable de :

AA1 : Comprendre les limites des SGBD relationnels et justifier l'usage des bases NoSQL pour données massives et non structurées.
AA2 : Maîtriser les modèles NoSQL (clé-valeur, documents, colonnes, graphes) et leurs implémentations (MongoDB).
AA3 : Utiliser des outils NoSQL pour queries, indexation et administration.
AA4: Modéliser des données NoSQL via dénormalisation, embedding vs. referencing, et implémenter l'indexation (arbres B, LSM-trees) pour un stockage distribué performant.
AA5 : Concevoir et implémenter un schéma NoSQL avec partitionnement (sharding) et réplication.

A l'issue de ce module d'enseignement, l'étudiant(e) sera capable de :

Conception : Traduire les besoins métier en modèles de données décisionnels (Data Warehouse).
Modélisation Logique : Concevoir des modèles dimensionnels (Étoile/Flocon) alignés sur les besoins métier.
Architecture Physique : Implémenter et optimiser la base de données décisionnelle sous SQL Server.
Flux ETL : Développer l'automatisation de l'intégration des données (Talend).
Documentation : Produire les spécifications techniques et le dictionnaire de données.

Prérequis

Ce module s’adresse à des étudiants disposant des prérequis suivants :

Maîtrise de base de l’outil informatique et des environnements numériques courants.
Connaissances fondamentales en systèmes d’information et en gestion des données.
Notions de base en analyse de données (statistiques descriptives, tableaux, graphiques).
Capacité à effectuer des recherches d’information sur le Web et à évaluer la fiabilité des sources.
Compétences élémentaires en bureautique (traitement de texte, tableur).
Aptitude au travail en équipe, à la synthèse de l’information et à la conduite d’un mini-projet.

A l'issue de ce module d'enseignement, l'étudiant(e) sera capable de :

A l'issue de ce module d'enseignement, l'étudiant(e) sera capable de :

AA1 : Appliquer les méthodes de prévision usuelles (moyenne mobile, lissage exponentielle, régression).
AA2 : Évaluer et comparer les performances de méthodes de prévision (MAE, RMSE).
AA3 : Implémenter des modèles ARIMA
AA4 : Choisir la méthode de prévision adaptée à un contexte métier donné.
AA5 : Réaliser un projet complet de prévision sur données réelles.