PÉRIODE D’ACCRÉDITATION : 2022 / 2026

UNIVERSITÉ PAUL SABATIER

SYLLABUS MASTER

Mention Electronique, énergie électrique,

automatique

M1 signal, image et apprentissage automatique

http://www.fsi.univ-tlse3.fr/

2024 / 2025

22 NOVEMBRE 2024
 SOMMAIRE

SCHÉMA ARTICULATION LICENCE MASTER . . . . . . . . . . . 3

PRÉSENTATION . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
PRÉSENTATION DE LA MENTION ET DU PARCOURS . . . . . . . . . . . . 5
Mention Electronique, énergie électrique, automatique . . . . . . . . . . . . . 5

Compétences de la mention . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

Parcours . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

PRÉSENTATION DE L’ANNÉE DE M1 signal, image et apprentissage automatique 6

RUBRIQUE CONTACTS . . . . . . . . . . . . . . . . . . . . . . . 8
CONTACTS PARCOURS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
CONTACTS MENTION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
CONTACTS DÉPARTEMENT : FSI.EEA . . . . . . . . . . . . . . . . . . . . . 8

Tableau Synthétique des UE de la formation . . . . . . . . . . . . . 9

LISTE DES UE . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
GLOSSAIRE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
TERMES GÉNÉRAUX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
TERMES ASSOCIÉS AUX DIPLOMES . . . . . . . . . . . . . . . . . . . . . . 35
TERMES ASSOCIÉS AUX ENSEIGNEMENTS . . . . . . . . . . . . . . . . . . 36

2
SCHÉMA ARTICULATION LICENCE MASTER

3
 SCHÉMA ARTICULATION LICENCES - MASTERS À L’UNIVERSITÉ TOULOUSE III PAUL-SABATIER (UT3)
Ce tableau précise les mentions de licences conseillées pour l’accès aux masters d’UT3 aux étudiants effectuant un cursus complet d’études à UT3.

Accès non sélectif avec capacité d’accueil Accès sélectif (concours ou dossier) * European Credits Transfer System

LICENCES ± 3 ANS MASTERS 2 ANS

0 ECTS * 180 ECTS 120 ECTS

Chimie
CHIMIE Génie des procédés et des bio-procédés
Sciences et génie des matériaux

Électronique, énergie électrique, automatique EEA

ÉLECTRONIQUE, ÉNERGIE ÉLECTRIQUE, AUTOMATIQUE
Énergie
(EEA)
Ingénierie de la santé

Génie civil
GÉNIE CIVIL Énergie *
Mécanique

Informatique
INFORMATIQUE Réseaux et télécommunication
Bio-informatique

INFORMATION-COMMUNICATION Infomation-communication

MATHÉMATIQUES Mathématiques et applications

Mécanique
MÉCANIQUE Génie mécanique
Énergie

Méthodes informatiques appliquées à la gestion des

MATHÉMATIQUES ET INFORMATIQUE APPLIQUÉES AUX entreprises-MIAGE
SCIENCES HUMAINES ET SOCIALES (MIASHS)
Management des systèmes d’information
Physique fondamentale et applications
Sciences de l’univers et technologies spatiales
PHYSIQUE Sciences de l’océan, de l’atmosphère et du climat
Énergie
parcoursup

Physique fondamentale et applications

Sciences de l’océan, de l’atmosphère et du climat
PHYSIQUE-CHIMIE
Chimie
Énergie *

SCIENCES DE LA TERRE Sciences de la Terre et des planètes, environnement

Biodiversité, Écologie et Évolution

Biologie Végétale

Bio-informatique

SCIENCES DE LA VIE Neurosciences

Biotechnologies

Biologie moléculaire et cellulaire

Biologie-santé

Information-communication
SCIENCES ET HUMANITÉS
Éthique *

Biologie-santé
Biotechnologies
Ingénierie de la santé
SCIENCES POUR LA SANTÉ Neurosciences
Santé
Santé publique
Sciences du médicament et des produits de santé

STAPS-ACTIVITÉ PHYSIQUE ADAPTÉE À LA SANTÉ STAPS-Activité physique adaptée à la santé

STAPS-Entraînement et optimisation de la
STAPS-EDUCATION ET MOTRICITÉ performance sportive

STAPS-Entraînement et optimisation de la
STAPS-ENTRAÎNEMENT SPORTIF performance sportive

STAPS-MANAGEMENT DU SPORT STAPS-Management du sport

* Mention hors compatibilté.

Toutes les mentions de licence permettent la poursuite vers des parcours du Master MEEF Sources : Arrêté du 27 juin 2024 modifiant l’arrêté du 6 juillet 2017 fixant la liste des compatibilités des mentions
qui sont portés par l’Institut National Supérieur du Professorat et de l’Éducation (INSPE) de du diplôme national de licence avec les mentions du diplôme national de master. https://www.legifrance.gouv.fr/
l’Université Toulouse II - Jean-Jaurès. loda/id/JORFTEXT000035367279/ et arrêté d’accréditation UT3.

4
 PRÉSENTATION

PRÉSENTATION DE LA MENTION ET DU PARCOURS

MENTION ELECTRONIQUE, ÉNERGIE ÉLECTRIQUE, AUTOMATIQUE

L’objectif du Master EEA, labélisé CMI , est, suivant le parcours choisi, de former des cadres spécialistes en
Electronique, Energie électrique, Automatique, Informatique industrielle et Traitement du Signal et des Images.
Les diplômés peuvent intégrer les secteurs de l’aéronautique, de l’espace, de l’énergie, des télécommunications,
mais également des transports, de l’environnement, des systèmes embarqués, de la production et du transport
de l’énergie électrique ainsi que de sa conversion. La structure indifférenciée des parcours permet une insertion
professionnelle dans l’industrie et les services (2 mois de durée moyenne de recherche d’emploi) ou une poursuite
en doctorat.
.
Ce Master est composée de 6 parcours types :
— Electronique des Systèmes Embarqués et Télécommunications (ESET)
— Energie Electrique : Conversion, Matériaux, Développement durable (E2-CMD) - M2 commun avec
l’INP/ENSEEIHT de Toulouse
— Ingénierie des Systèmes Temps Réel (ISTR)
— Automatique et Robotique (AURO)
— Signal Image et Apprentissage Automatique (SIA2)
— Systèmes et Microsystèmes Embarqués (SME)
Les parcours en gras peuvent être suivis en alternance en M2 (et dès le M1 pour le parcours SME), ou de
façon classique.

COMPÉTENCES DE LA MENTION
— Mobiliser des méthodes et techniques d’analyse et de conception des systèmes relevant du domaine de
l’EEA
— Modéliser différents aspects comportementaux d’un système relevant du domaine de l’EEA
— Extraire, analyser et synthétiser des données en vue de leur exploitation,
— Coordonner et gérer globalement un projet d’étude et/ou de recherche
— Communiquer de façon claire et non ambiguë, en français et en anglais, dans un registre adapté à un
public de spécialistes ou de non spécialistes en utilisant les supports appropriés.
— Savoir questionner une thématique, élaborer une problématique, mobiliser les ressources pour documenter
un sujet.
— Intégrer les aspects organisationnels et humains de l’entreprise afin de s’adapter et participer à son évolution
future.

PARCOURS
Ce master SIA2 forme des Ingénieurs spécialisés dans la conception, la réalisation et l’exploitation des systèmes
d’acquisition, de traitement et d’analyse de signaux, images, ou autres données, pour divers secteurs en forte crois-
sance : télécommunications, multimédia, vision par ordinateur, observation de la terre et de l’univers, traitement
d’images médicales...
Admission :
en M1, pour des étudiants titulaires d’une licence dans les domaines de l’EEA, de la physique appliquée, des
mathématiques appliquées et de l’informatique.
en M2, une maı̂trise des concepts et outils de base en traitement du signal, traitement d’images, analyse statistique
des données, apprentissage automatique et informatique est nécessaire.

5
En deuxième année du master, 3 blocs de spécialisation sont proposées afin d’approfondir et appliquer les concepts,
méthodes ou outils aux domaines d’applications du traitement du signal et des images :
— Signaux, Audio, Images, Vidéo
— Imagerie spatiale
— Traitement d’images médicale
A l’issue de ces deux années de formation et du stage de fin d’études, les étudiants peuvent intégrer le milieu
professionnel en tant qu’ingénieur spécialisé en SIA ou préparer un doctorat.

PRÉSENTATION DE L’ANNÉE DE M1 SIGNAL, IMAGE ET APPRENTISSAGE AU-

TOMATIQUE
Objectifs
Les signaux, images, vidéos et dispositifs d’acquisition associés sont de plus en plus présents dans notre vie de tous
les jours. On pense bien sûr aux signaux audio, à la photographie et à la vidéo, mais c’est le cas plus généralement
des données issues d’observations de phénomènes physiques, telles que les images spatiales ou médicales ou pour
la vision par ordinateur. De nouvelles applications s’appuyant sur de tels types de données sont proposées chaque
jour. Si chaque dispositif s’appuie sur des connaissances particulières liées à son domaine d’application, un grand
nombre d’outils sont communs à tous les domaines.
La formation vise le développement de compétences sur la compréhension des dispositif d’acquisition de signaux-
images-vidéos et sur le traitement, la correction, la compression, la transmission et l’analyse haut niveau de
telles données, incluant l’apprentissage automatique (Machine Learning), domaine de l’intelligence artificielle en
fort développement. Elle s’appuie pour cela sur l’acquisition de connaissances théoriques et leur mise en œuvre
pratique, en insistant sur la maı̂trise des outils de développement informatique.
Organisation du cursus et contenu
Master 1
La première année s’articule autour d’un socle de connaissances de base communes au traitement des données
pour tous les domaines d’application. Différentes Unités d’Enseignement (UE) sont ainsi centrées chacune sur
une classe particulière de données, leur représentation et leur traitement :
— signaux temporels analogiques ou numériques, déterministes ou aléatoires,
— images,
— données de nature quelconque, qui donnent lieu à différents traitements statistiques, d’apprentissage
automatique...
— outils informatiques pour la mise en œuvre.
Ce M1 comporte aussi des UE présentant les capteurs et chaı̂nes d’acquisition et divers champs d’application :
audio, vidéo, télécommunications, imagerie médicale, robotique...
De plus, les notions ainsi acquises par les étudiants sont mises en oeuvre de manière concrète lors de TP et
projets d’Initiation à la recherche. Enfin, le Bureau d’Etude sur l’Apprentissage Automatique vise à familiariser les
étudiants avec des outils logiciels et des librairies spécialisés pour l’apprentissage automatique et l’apprentissage
profond (deep learning) à travers des projets réalisés sur les processeurs graphiques (GPU).
Master 2
En deuxième année, suite à un tronc commun d’approfondissement sur les outils de traitement du signal, des
images et vidéo, de statistique, d’apprentissage automatique et un projet informatique, 3 blocs de spécialisation
sont proposés suivant les 3 domaines d’application :
— Signal, Audio, Images, vidéo,
— Imagerie Spatiale,
— Traitement d’Images Médicales.
Des enseignements de disciplines générales (communication, gestion de projet, langue...) ainsi qu’un projet Infor-
matique long complètent la formation.
Stage de fin d’études
Un stage de fin d’études est obligatoire pour valider le master 2, d’une durée de 4 mois (minimum) à 6 mois
(durée conseillée) durant la période mars-août. Il permet aux étudiants de mettre en pratique leurs connaissances
tout en s’insérant dans le monde professionnel.
Les sujets de stage doivent être en cohérence avec les thématiques du master afin que l’expérience professionnelle
acquise soit valorisable sur le CV.

6
Ce stage permet aux étudiants de se préparer à la recherche d’emploi ; d’acquérir un expérience professionnelle
conséquente valorisable sur leur CV ; de travailler sur des missions scientifiques et techniques ; de découvrir un
domaine d’application lié à leur formation.
Nos étudiants sont accueillis en stage aussi bien par des grands groupes que des start-up ou des PME. Ils peuvent
aussi effectuer leur stage au sein de centres de recherche et de laboratoires français ou étrangers.
Débouchés
Notre master forme aux métiers de la conception et de l’exploitation des systèmes d’acquisition de traitement et
d’analyse de signaux, images et vidéo dans divers secteurs en forte croissance : télécommunications, vision par
ordinateurs, observation de la terre, de l’environnement et de l’espace, traitement d’images médicales, machine
learning.
Notre master étant indifférencié, il permet d’envisager une carrière professionnelle aussi bien dans l’industrie
(Ingénieur d’étude, de recherche et développement, chef de projet, consultant, technico-commercial...) que dans
la recherche (chercheur et enseignant-chercheur suite à la préparation d’une thèse de doctorat). C’est bien souvent
la nature du stage qui détermine le caractère du master, plutôt orienté recherche ou Professionnel.

7
 RUBRIQUE CONTACTS

CONTACTS PARCOURS
RESPONSABLE M1 SIGNAL, IMAGE ET APPRENTISSAGE AUTOMATIQUE
HOSSEINI Shahram
Email : Shahram.Hosseini@irap.omp.eu Téléphone : 0561332879

SECRÉTAIRE PÉDAGOGIQUE
LOPES D’ANDRADE Marilyne
Email : marilyne.lopes-dandrade@univ-tlse3.fr Téléphone : 05 61 55 82 74

CONTACTS MENTION
RESPONSABLE DE MENTION ELECTRONIQUE, ÉNERGIE ÉLECTRIQUE, AUTOMATIQUE
BIDAN Pierre
Email : pierre.bidan@laplace.univ-tlse.fr
RIVIERE Nicolas
Email : nriviere@laas.fr Téléphone : 05 61 33 78 61
VIALLON Christophe
Email : cviallon@laas.fr Téléphone : 05 61 33 68 40

CONTACTS DÉPARTEMENT: FSI.EEA

DIRECTEUR DU DÉPARTEMENT
CAMBRONNE Jean-Pascal
Email : jean-pascal.cambronne@laplace.univ-tlse.fr

SECRETARIAT DU DÉPARTEMENT
MICHEL Florence
Email : florence.michel@univ-tlse3.fr Téléphone : 0561557621
 TABLEAU SYNTHÉTIQUE DES UE DE LA FORMATION

Obligatoire
semestre∗

Facultatif

TP DE
ECTS

Cours

TD

TP
page Code Intitulé UE
Premier semestre
KEAI7AAU COMMUNICATION ET INTÉGRITÉ SCIENTIFIQUE I 3 O
12 KEAX7AA1 Intégrité scientifique (INTEGRE) 6 4
14 KEAX7AA2 Communication (COM) 6 10
16 KEAI7ACU INSTRUMENTATION ET CHAÎNE DE MESURE I 3 O 8 8 14
18 KEAI7AHU TRAITEMENT NUMÉRIQUE DU SIGNAL I 3 O 12 10 8
19 KEAI7AKU TRAITEMENT DES IMAGES I 3 O 14 7 9
17 KEAI7AEU SIGNAUX ET SYSTÈMES I 4 O 10 12 8
20 KEAI7AMU INTRODUCTION À L’EXPLOITATION STATISTIQUE DE I 3 O 10 10 10
DONNÉES
21 KEAI7ANU INTRODUCTION À L’APPRENTISSAGE AUTOMATIQUE - I 4 O 12 10 8
MACHINE LEARNING
22 KEAI7AOU APPLICATIONS DU TRAITEMENT DU SIGNAL ET I 4 O 12 6 12
D’IMAGES
15 KEAI7ABU TECHNIQUES ET IMPLÉMENTATION DE MÉTHODES I 3 O 10 22
NUMÉRIQUES
Second semestre
34 KEAI8AVU ANGLAIS II 3 O 24
23 KEAI8AAU INITIATION À LA RECHERCHE ET PROJET II 3 O 20
Choisir 1 UE parmi les 3 UE suivantes :
29 KEAI8AHU RESEAUX POUR LA COMMANDE DE SYSTEMES DISTRI- II 3 O 9 9 12
BUES (Réseaux pour la commande de systèmes distribués)
28 KEAI8AGU INTRODUCTION À LA ROBOTIQUE (Introduction à la Ro- II 3 O 12 6 12
botique)

∗ AN :enseignenents annuels, I : premier semestre, II : second semestre

9
 Obligatoire
semestre∗

Facultatif

TP DE
ECTS

Cours

TD

TP
page Code Intitulé UE
24 KEAI8ACU IMAGERIES MÉDICALES-1 (Imageries médicales1) II 3 O 10 20
25 KEAI8ADU ANALYSE ET INTERPRÉTATION DES IMAGES II 3 O 14 7 9
26 KEAI8AEU SIGNAUX ET TÉLÉCOMMUNICATIONS 1 II 3 O 12 10 8
27 KEAI8AFU SIGNAUX ET TÉLÉCOMMUNICATIONS 2 II 3 O 12 10 8
33 KEAI8ALU MODÉLISATION ET ESTIMATION POUR LES SIGNAUX ET II 3 O 12 8 10
SYSTÈMES
32 KEAI8AKU ANALYSE SPECTRALE DES SIGNAUX ET SYSTÈMES II 3 O 10 8 12
30 KEAI8AIU CAPTEURS OPTIQUES ET FORMATION DES IMAGES II 3 O 8 4 18
31 KEAI8AJU BUREAU D’ÉTUDES APPRENTISSAGE AUTOMATIQUE II 3 O 8 6 16
(MACHINE LEARNING)

∗ AN :enseignenents annuels, I : premier semestre, II : second semestre

10
LISTE DES UE

11
 COMMUNICATION ET INTÉGRITÉ SCIENTI-
UE 3 ECTS 1er semestre
FIQUE
Sous UE Intégrité scientifique (INTEGRE)
Cours : 6h , TD : 4h Enseignement Travail personnel
KEAX7AA1 en français 49 h
[ Retour liste de UE ]

ENSEIGNANT(E) RESPONSABLE
BIDAN Pierre
Email : pierre.bidan@laplace.univ-tlse.fr
ROUSSEL Bruno
Email : bruno.roussel@univ-tlse3.fr

OBJECTIFS D’APPRENTISSAGE
L’UE vise à sensibiliser l’étudiant aux concepts d’intégrité scientifique. L’intégrité scientifique est l’ensemble des
valeurs et des règles qui garantissent l’honnêteté et la rigueur de la recherche et de l’enseignement supérieur. Elle
est indispensable à la cohésion des collectifs de recherche et à l’entretien de la confiance que la société accorde
à la science. Ses grands principes ont été énoncés en 2007 lors d’un colloque organisé par l’OCDE, et en 2010
dans la déclaration de Singapour sur l’intégrité en recherche. Au-delà de la spécificité des approches disciplinaires,
l’intégrité scientifique repose sur des principes communs, qui s’appliquent dans tous les domaines de la science
et de l’érudition, et sur lesquels reposent les bonnes pratiques en matière de recherche.

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

— Définitions, problématiques, dispositifs en place, moyens de contrôle, exemples de dérives méthodologiques
récentes ou passée et d’atteintes à l’intégrité scientifique.
— Sensibilisation aux difficultés de la reproductibilité et à la falsification des données scientifiques.
— Fraude scientifique générique (appelée communément ≪ FFP ≫ ) :
- Fabrication de données
- Falsification de données
-Plagiat
La fabrication et la falsification comprennent, habituellement, l’exclusion sélective de données,
l’interprétation frauduleuse de données, la retouche d’images dans les publications, la production de
fausses données ou de résultats sous la pression de commanditaires.
Le plagiat consiste en l’appropriation d’une idée (quand elle est formalisée) ou d’un contenu (texte,
images, tableaux, graphiques, etc.) total ou partiel sans le consentement de son auteur ou sans citer
ses sources de manière appropriée.
— Règles pour prévenir des manquements à l’intégrité scientifique. Régulation de ces manquements, par des
modalités collectives ou à travers la responsabilité individuelle.

PRÉ-REQUIS
Aucun.

COMPÉTENCES VISÉES
— Connaitre les principes de l’intégrité scientifique.
— Savoir présenter un raisonnement argumenté.
— Savoir analyser une situation et apprécier l’intégrité de la démarche scientifique.
— Appliquer le code de conduite pour l’intégrité scientifique :
- La fiabilité dans la conception, la méthodologie, l’analyse et l’utilisation des ressources.
- L’honnêteté dans l’élaboration, la réalisation, l’évaluation et la diffusion de la recherche, d’une manière
transparente, juste, complète et objective.
- Le respect envers les collègues, les participants à la recherche, la société, les écosystèmes, l’héritage
culturel et l’environnement.

12
 - La responsabilité pour les activités de recherche, de l’idée à la publication, leur gestion et leur organisation,
pour la formation, la supervision et le mentorat, et pour les implications plus générales de la recherche.

RÉFÉRENCES BIBLIOGRAPHIQUES
— https://www.hceres.fr/fr/integrite-scientifique
— https://fr.wikipedia.org/wiki/Int%{}C3%{}A9grit%{}C3%{}A9_{}scientifique

MOTS-CLÉS
Intégrité Scientifique, Falsification des données, Plagiat, Recherche, Responsabilité

13
 COMMUNICATION ET INTÉGRITÉ SCIENTI-
UE 3 ECTS 1er semestre
FIQUE
Sous UE Communication (COM)
Cours : 6h , TD : 10h Enseignement Travail personnel
KEAX7AA2 en français 49 h
[ Retour liste de UE ]

ENSEIGNANT(E) RESPONSABLE
BIDAN Pierre
Email : pierre.bidan@laplace.univ-tlse.fr
ROUSSEL Bruno
Email : bruno.roussel@univ-tlse3.fr

OBJECTIFS D’APPRENTISSAGE
La pratique de la communication demande la maı̂trise de techniques et d’outils toujours plus nombreux, permettant
d’optimiser ses stratégies vers les publics internes et externes. La formation est basée sur des méthodes actives
et apporte une méthodologie et des outils pour mettre en œuvre une communication performante afin d’acquérir
les compétences clés en communication, management relationnel, organisation, expression orale et écrite..

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

Il s’agit d’acquérir les techniques et les meilleures pratiques pour mettre en œuvre une politique de communication :
- Concevoir une stratégie de Communication personnelle et professionnelle,
- Définir et gérer sa e-réputation pour promouvoir son image en tant que futur professionnel,
- Assimiler un savoir-faire et des techniques de communication orale à partir de mises en situation,
- Savoir identifier son style de management,
- Se positionner dans une dimension éthique et communiquer en tant que manager,
- Gérer un conflit.

RÉFÉRENCES BIBLIOGRAPHIQUES
- Communiquer dans un monde incertain, Thierry Libaert, Ed. Pearson Education Ed.
- Le management de la diversité, Christophe Falcoz, Management Et Societe Eds
- Savoir-être : compétence ou illusion ?, Annick Penso-Latouche, Editions Liaisons

MOTS-CLÉS
Communication, Déontologie, Ethique, Management

14
 TECHNIQUES ET IMPLÉMENTATION DE
UE 3 ECTS 1er semestre
MÉTHODES NUMÉRIQUES
Cours : 10h , TP : 22h Enseignement Travail personnel
KEAI7ABU en français 43 h
[ Retour liste de UE ]

ENSEIGNANT(E) RESPONSABLE
RIVIERE Nicolas
Email : nriviere@laas.fr

OBJECTIFS D’APPRENTISSAGE
L’objectif de ce module est d’aborder au plan théorique et pratique les techniques de résolution de certains
problèmes par des méthodes numériques. Effectivement, de nombreux problèmes en EEA, en Physique, Biologie
ou encore en Economie peuvent être efficacement résolus par l’intermédiaire d’un calculateur numérique. C’est
ainsi qu’une suite d’opérations mathématiques simples permet d’obtenir une solution au problème posé. Cela
inclut la connaissance des structures de données fondamentales et les algorithmes dans lesquels elles sont mises
en œuvre. Le langage de programmation utilisé pour illustrer ces concepts est le langage C. Plusieurs thématiques
seront étudiées et mises en œuvre en Travaux Pratiques.

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

I. Préliminaires aux structures de données
— Les pointeurs : concepts et principes, manipulation des pointeurs, les tableaux
— Les structures
— Récursivité
II. Structures de données
— Listes chaı̂nées, Piles, Tas
— Files
III. Algorithme
— Tris et recherches
— Méthodes numériques
Compétences :
— Savoir analyser un problème numérique
— Définir la structure de l’algorithme avec les structures de données associées
— Savoir écrire un algorithme
— savoir traduire l’algorithme en programme en langage C

PRÉ-REQUIS
Notions de programmation, notions d’analyse numérique

RÉFÉRENCES BIBLIOGRAPHIQUES
Le langage C, norme ANSI, Brian W. Kernighan, Dennis M. Ritchie, Dunod 2014 - 2ème édition

MOTS-CLÉS
Algorithmique, langage C, analyse numérique

15
 INSTRUMENTATION ET CHAÎNE DE MESURE
UE 3 ECTS 1er semestre

Cours : 8h , TD : 8h , TP : 14h Enseignement Travail personnel

KEAI7ACU en français 45 h
[ Retour liste de UE ]

ENSEIGNANT(E) RESPONSABLE
BOITIER Vincent
Email : vboitier@laas.fr

OBJECTIFS D’APPRENTISSAGE
Connaı̂tre l’architecture générale d’une chaı̂ne d’instrumentation.
Etre capable de choisir et d’interfacer correctement les éléments composants une chaı̂ne de mesures analogique
ou numérique en fonction d’un cahier des charges.
Etre capable d’analyser une chaı̂ne d’instrumentation afin de donner une estimation de l’incertitude de mesure
Maı̂triser les bases du logiciel Labview pour des applications d’instrumentation.

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

CM/TD En s’appuyant sur des exemples concrets de chaı̂nes de mesures, les différents étages d’une chaı̂ne
analogique et l’association de ces étages sont présentés et analysés en statique (choix des gains, des plages
d’entrée et de sortie, ...) et en dynamique (choix fréquence échantillonnage, filtrage, filtre anti-repliement, ...).
Les protocoles de transmission numérique de l’information sont aussi abordés.
TPs : Rappel sur l’utilisation des appareils (oscilloscope, générateur de fonctions), Initiation au logiciel d’instru-
mentation LabView , utilisation d’une carte d’acquisition.

PRÉ-REQUIS
Bases d’électronique analogique et numérique, montages classiques à amplificateurs opérationnels, structure d’un
CNA, d’un CAN, échantillonnage d’un signal.

RÉFÉRENCES BIBLIOGRAPHIQUES
Acquisition de données - Du capteur à l’ordinateur, G. Asch et al., 2011, Dunod Ed.
Traitement des signaux et acquisition de données - 5e éd. Cours et exercices corrigés, F. Cottet, 2020, Dunod
Ed.

MOTS-CLÉS
mesure, capteur, amplification, filtrage, conditionnement, filtre anti repliement, numérisation, échantillonnage,
traitement numérique, résolution, étalonnage

16
 UE SIGNAUX ET SYSTÈMES 4 ECTS 1er semestre
Cours : 10h , TD : 12h , TP : 8h Enseignement Travail personnel
KEAI7AEU en français 70 h
[ Retour liste de UE ]

ENSEIGNANT(E) RESPONSABLE
HOSSEINI Shahram
Email : Shahram.Hosseini@irap.omp.eu

OBJECTIFS D’APPRENTISSAGE
Les notions de signal et système permettent de formaliser l’analyse d’une grande variété de phénomènes physiques
en faisant abstraction des détails insignifiants pour se concentrer sur les éléments essentiels. Cette approche
permet de traiter de façon unifiée l’analyse de phénomènes physiques dans plusieurs domaines tels que acoustique,
télécommunications, biomédical, aéronautique, télédétection. L’objectif de cette UE est de présenter ces notions
et les principaux outils utilisés pour la représentation, l’analyse et le traitement des signaux déterministes et
aléatoires. Les étudiants se familiariseront avec le filtrage, la modulation et l’échantillonnage, les propriétés et les
statistiques des signaux aléatoires et le calcul des statistiques d’un signal aléatoire en sortie d’un filtre.

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

Signaux et systèmes déterministes : Propriétés des signaux et systèmes, Systèmes linéaires et invariants, Convo-
lution, Représentation fréquentielle des signaux et systèmes à temps continu : série et transformée de Fourier,
Transformation de Laplace, Filtrage analogique, Modulation.
Numérisation des signaux analogiques : Echantillonnage, Repliement de spectre, Théorème de Shannon, Recons-
truction d’un signal analogique à partir de ses échantillons, Quantification.
Signaux aléatoires : Définition et propriétés des signaux aléatoires, Stationnarité et ergodisme, Notion d’indépendance,
de corrélation et de densité spectrale de puissance, Filtrage des signaux aléatoires.
Travaux pratiques : Numérisation des signaux, Estimation de distance de cibles avec corrélation, Estimation des
statistiques des signaux aléatoires, Filtrage des signaux aléatoires.

PRÉ-REQUIS
Des connaissances de base en probabilités et variables aléatoires.

RÉFÉRENCES BIBLIOGRAPHIQUES
[1] A. V. Oppenheim et al., Signals & systems, Pearson, 2013.
[2] A. Papoulis, Probability, random variables and stochastic processes, McGraw-Hill, 2002.
[3] Y. Deville, Signaux temporels et spatiotemporels, Ellipses, 2011.

MOTS-CLÉS
Signal, Système, Transformées de Fourier et de Laplace, Filtrage, Echantillonnage, Espérance mathématique,
Corrélation, Densité spectrale de puissance

17
 UE TRAITEMENT NUMÉRIQUE DU SIGNAL 3 ECTS 1er semestre
Cours : 12h , TD : 10h , TP : 8h Enseignement Travail personnel
KEAI7AHU en français 45 h
[ Retour liste de UE ]

ENSEIGNANT(E) RESPONSABLE
DEVILLE Yannick
Email : Yannick.Deville@irap.omp.eu

OBJECTIFS D’APPRENTISSAGE
Cette UE vise à apporter aux étudiants la maı̂trise des notions de signal et système numériques (dans les domaines
temporel, fréquentiel, en z), en se focalisant sur les signaux déterministes. A l’issue de cette UE, les étudiants
seront capables d’appliquer aux signaux numériques les traitements les plus classiques : transformation de Fourier,
filtrage (synthèse et mise en oeuvre). Ils sauront étudier ces traitements et les mettre en oeuvre à l’aide du logiciel
Matlab.

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

Cette UE concerne la représentation et le traitement des signaux numériques. Dans un premier temps, on introduit
les notions de signaux et systèmes numériques et on fait le lien avec le cas où ces signaux sont obtenus par
échantillonnage temporel puis quantification de signaux analogiques. On définit en particulier : 1) les systèmes
linéaires invariants temporellement (ou filtres) numériques, représentés à ce stade dans le domaine temporel, 2)
le produit de convolution associé. On construit ensuite les transformations numériques classiques : transformation
de Fourier à temps discret, transformation de Fourier discrète (TFD), transformation en z. Enfin, on présente
en détail les structures et méthodes de synthèse de filtres numériques (filtres à Réponse Impulsionnelle Finie -
ou RIF -, à phase linéaire, à Réponse Impulsionnelle Infinie - ou RII -). Les travaux pratiques concernent les
représentations fréquentielles de signaux et systèmes numériques et la synthèse de filtres RIF et RII.

PRÉ-REQUIS
Bases relatives aux signaux et systèmes analogiques (Fourier, Laplace, filtrage analogique). Connaissance de
MATLAB préférable.

RÉFÉRENCES BIBLIOGRAPHIQUES
[1] M. Kunt, ”Traitement numérique des signaux”, Traité d’Electricité, vol. XX, Presses Polytechniques et Uni-
versitaires Romandes, Lausanne, 1984, 1996.
[2] A. V. Oppenheim, R. W. Schafer, ”Digital signal processing”, Prentice Hall, 1975.

MOTS-CLÉS
Signal numérique, Système numérique, Transformée de Fourier discrète, Transformée en z,
Filtrage numérique.

18
 UE TRAITEMENT DES IMAGES 3 ECTS 1er semestre
Cours : 14h , TD : 7h , TP : 9h Enseignement Travail personnel
KEAI7AKU en français 45 h
[ Retour liste de UE ]

ENSEIGNANT(E) RESPONSABLE
HERBULOT Ariane
Email : ariane.herbulot@laas.fr

OBJECTIFS D’APPRENTISSAGE
Ce module décrit les outils de base de traitement d’images, allant de l’amélioration des images acquises à leur trai-
tement en vue de faciliter leur manipulation et leur interprétation. Ce cours permet de comprendre et d’appréhender
la chaı̂ne de traitement à effectuer une fois l’image numérique acquise, afin de pouvoir l’analyser au mieux, selon
l’application visée. Les méthodes de traitement d’images communes à tous les domaines d’application sont ici
présentées sous forme de cours/TD et mises en pratique dans des Travaux Pratiques sous matlab.

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

Le cours/TD est structuré comme suit :
1. Introduction : notions de colorimétrie, visualisation et applications (2h)
2. Numérisation et pré-traitements (4h)
3. Opérations et transformations 2D (2h)
4. Filtrage linéaire et non-linéaire, restauration (4h)
5. Morphologie mathématique (4h)
6. Compression et formats d’images et vidéos (5h)
Les séances de TP se séquencent comme suit :
1. Utilisation d’histogrammes pour l’amélioration d’images (3h)
2. Filtrage et débruitage d’images (3h)
3. Outils de morphologie mathématique (3h).

PRÉ-REQUIS
Notions de traitement du signal, bases de mathématiques.

RÉFÉRENCES BIBLIOGRAPHIQUES
[1] C.Demant, B.Streicher-Abel, P.Waszkewitz, Industrial Image Processing, SPRINGER, ISBN : 978-3540664109
.
[2] P.Bellaı̈che, Les secrets de l’image vidéo, EYROLLES.
[3] D. Lingrand, Introduction au traitement d’images, Vuibert.

MOTS-CLÉS
Améliorations d’images, histogrammes, filtrage, morphologie mathématique, compression d’images et de vidéos,
transformations 2D

19
 INTRODUCTION À L’EXPLOITATION STATIS-
UE 3 ECTS 1er semestre
TIQUE DE DONNÉES
Cours : 10h , TD : 10h , TP : 10h Enseignement Travail personnel
KEAI7AMU en français 45 h
[ Retour liste de UE ]

ENSEIGNANT(E) RESPONSABLE
JAUBERTHIE Carine
Email : cjaubert@laas.fr

OBJECTIFS D’APPRENTISSAGE
Les données expérimentales provenant de mesures effectuées sous différentes formes (mesure ponctuelle, signaux,
images) sont considérées comme aléatoires. En effet, si l’on réitère la mesure, les données obtenues sont sensi-
blement différentes. Cette unité d’enseignement constitue une introduction à l’analyse de ces données. Les outils
statistiques étudiés permettent une meilleure compréhension des phénomènes aléatoires et aident à leur analyse.
Il s’agit alors de bien comprendre les outils statistiques afin de choisir le plus adapté au problème considéré
permettant d’extraire des informations pertinentes des données.
Les travaux pratiques de cette unité visent à mieux appréhender ces outils statistiques et à les appliquer dans des
situations pratiques de traitement de données.

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

1) Rappels et compléments sur les probabilités : variables aléatoires discrètes et continues, fonction de répartition,
probabilités et densité de probabilité, espérance mathématique, moments. Principales lois de probabilité. Calcul
d’intervalles de confiance. Couples de variables aléatoires, lois jointes, corrélation, indépendance, lois condition-
nelles, règle de Bayes, marginalisation, vecteurs aléatoires. Notion de convergence de lois.
2) Statistiques sur un échantillon : fonction de répartition empirique, densité empirique, moments empiriques, loi
des moments empiriques.
3) Introduction à l’estimation : propriétés des estimateurs (biais, convergence, efficacité, robustesse), estimateur
des moments, estimateur du maximum de vraisemblance, estimation par intervalle.
4) Introduction aux tests d’hypothèse : tests paramétriques (basés sur un intervalle de confiance, test du rapport
de vraisemblance), test d’adéquation de loi (Kolmogorov-Smirnov, Chi-deux).
Travaux pratiques : Rappels sur Matlab et utilisation pour l’analyse statistique de données, estimation des pa-
ramètres d’une loi et comparaison des estimateurs, mise en oeuvre de tests statistiques sur des applications
pratiques.

PRÉ-REQUIS
Notions de bases en statistique et probabilités.

RÉFÉRENCES BIBLIOGRAPHIQUES
[1] G. Saporta, Probabilités, analyse des données et statistique, Editions TECHNIP, 1990.
[2] John A. Rice, Mathematical Statistics and Data Analysis, Thomson Brooks/Cole, 2006.

MOTS-CLÉS
Probabilités, estimation paramétrique, estimation non paramétrique, tests d’hypothèses.

20
 INTRODUCTION À L’APPRENTISSAGE AU-
UE 4 ECTS 1er semestre
TOMATIQUE -MACHINE LEARNING
Cours : 12h , TD : 10h , TP : 8h Enseignement Travail personnel
KEAI7ANU en français 70 h
[ Retour liste de UE ]

ENSEIGNANT(E) RESPONSABLE
TROUILHET Jean-François
Email : jean-francois.trouilhet@irap.omp.eu

OBJECTIFS D’APPRENTISSAGE
L’étudiant aura les compétences pour mener à bien un problème de classification automatique. Il sera capable
de construire la base de données décrivant les objets à classer et d’analyser celle-ci afin de déterminer voire de
calculer les paramètres les mieux adaptés à la classification envisagée. Il connaı̂tra les méthodes de classification
supervisée et non supervisée pour pouvoir choisir la mieux adaptée au problème. Enfin, il sera capable d’évaluer
les performances de l’outil de classification mis en œuvre.

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

Une brève introduction présente le domaine de la classification automatique ainsi que quelques applications
particulières en guise d’exemple. Après avoir constaté que l’exploration systématique des solutions conduit à une
explosion combinatoire, l’intérêt de l’utilisation des méthodes automatiques se présentera comme une alternative
intéressante. La première partie présente des exemples d’application et donne les bases permettant de mesurer la
ressemblance de deux individus (notion de distance), de juger de la bonne classification obtenue (notion de variance
entre les classes et dans les classes) voire d’améliorer la représentation des éléments à classer par une analyse
en composantes principales ou une analyse factorielle discriminante. La deuxième partie présente les méthodes
de classification supervisée, c’est-à-dire avec l’aide d’un expert. Ce chapitre inclut la classification Bayésienne
qui fait référence car elle donne la solution optimale. La troisième partie présente les méthodes de classification
non supervisée qui sont potentiellement les plus intéressantes. La dernière partie présente une introduction aux
méthodes plus récentes (réseaux neuromimétiques, boosting).

PRÉ-REQUIS
Bases des probabilités, Variables aléatoires.

RÉFÉRENCES BIBLIOGRAPHIQUES
[1] G. Saporta ”Probabilités, analyse des données et statistique” 3ème édition - Éditions Technip.
[2] JP. Nakache ”Approche pragmatique de la classification - Arbres hiérarchiques, Partitionnement. ≫ Éditions
Technip.

MOTS-CLÉS
Fisher, classification supervisée, Bayes, Classification hiérarchique, plus proches voisins, centres mobiles, réseau
neuromimétique, perceptron, boosting.

21
 APPLICATIONS DU TRAITEMENT DU SI-
UE GNAL ET D’IMAGES 4 ECTS 1er semestre

Cours : 12h , TD : 6h , TP DE : 12h Enseignement Travail personnel

KEAI7AOU en français 70 h
[ Retour liste de UE ]

ENSEIGNANT(E) RESPONSABLE
CARFANTAN Hervé
Email : Herve.Carfantan@irap.omp.eu

OBJECTIFS D’APPRENTISSAGE
L’utilisation de signaux audio, d’images, de vidéo et de systèmes d’imagerie numériques s’est largement développée
dans notre société depuis plusieurs dizaines années. Un tel développement a été possible grâce à l’évolution des
technologies permettant l’acquisition et la restitution (lecteurs MP3, appareils photo, caméscopes, satellites,
dispositifs d’imagerie médicale...), à l’explosion des moyens de transmission (internet, satellite, TNT...), mais
également grâce aux méthodes de traitement associées.
L’objectif de ce module est de découvrir les différents domaines d’application Audio-vidéo, Médical et Spatial
et des problématiques associées. Il propose un panorama des problèmes posés et met l’accent sur quelques
applications concrètes.

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

Une introduction générale aux différents problèmes liés à l’acquisition, aux traitements (corrections, compres-
sion...) et à l’analyse (segmentation, détection, apprentissage automatique...) des signaux audio-vidéo et des
images permettra de mettre l’accent sur les outils communs et les spécificités de ces différents types de données.
Des illustrations des problématiques posées dans les différents domaines d’application audio-vidéo, spatial, médical,
etc. permettront d’appréhender la multitude des utilisations possibles des signaux et de l’imagerie numérique et
l’intérêt de maı̂triser les nombreux outils communs.
Des problèmes spécifiques seront ensuite étudiés dans chacun de ces domaines d’applications, dans différents
domaines d’application par exemple :
— reconnaissance du locuteur en audio,
— segmentation d’images multispectrale en imagerie spatiale,
— fusion d’images médicales,
— localisation par GPS...
Une initiation à certains outils informatique utiles en traitement du signal et des images et en apprentissage
automatique sera également effectuée.

PRÉ-REQUIS
Bases de traitement du signal et d’images (niveau L3)

RÉFÉRENCES BIBLIOGRAPHIQUES
[1] Jean-Noël Martin, Débuter en traitement numérique du signal : application au filtrage et au traitement des
sons, Technosup, Ellipses, 2005.
[2] Philippe Bellaı̈che, Les secrets de l’image vidéo, Eyrolles, 2008.

MOTS-CLÉS
Signaux audio, images, vidéo, images spatiales, images médicales, outils informatiques.

22
 UE INITIATION À LA RECHERCHE ET PROJET 3 ECTS 2nd semestre
TP DE : 20h Enseignement Travail personnel
KEAI8AAU en français 55 h
[ Retour liste de UE ]

ENSEIGNANT(E) RESPONSABLE
BERTHOU Pascal
Email : berthou@laas.fr
BIDAN Pierre
Email : pierre.bidan@laplace.univ-tlse.fr
FERNANDEZ Arnaud
Email : afernand@laas.fr
HERBULOT Ariane
Email : ariane.herbulot@laas.fr
LABIT Yann
Email : ylabit@laas.fr
LE CORRONC Euriell
Email : euriell.le.corronc@laas.fr
SEWRAJ Neermalsing
Email : vassant.sewraj@gmail.com

OBJECTIFS D’APPRENTISSAGE
Le but est la réalisation d’un projet de type Travaux d’études et de recherche avec une recherche bibliographique
basée sur la thématique du projet, projet pouvant être un projet de recherche ou en lien avec la recherche. Il peut
également s’agir de participer à la mise en œuvre de nouvelles manipulations de travaux pratiques. L’évaluation
porte sur un rapport et une soutenance orale.
Afin de sensibiliser au domaine de la recherche une série de conférences est également mise en place.

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

Le projet est réalisé en binôme (voire trinôme) tuteuré par un enseignant-chercheur ou un chercheur. Il se déroule
entre janvier et mai.
Série de conférences :
- présentation du LAAS et du LAPLACE (par les directeurs et directeurs adjoints du LAAS et du LAPLACE),
- présentation du métier de chercheur (par un chercheur du LAAS ou du LAPLACE) et du métier d’enseignant-
chercheur (par un enseignant-chercheur du LAAS ou du LAPLACE)
- présentation du doctorat (par un membre de l’association Bernard Gregory et 3 doctorants).
Les étudiants en CMI doivent faire un projet obligatoirement en lien avec la recherche pour s’approprier les
bases d’une thématique de recherche. En effet, ce projet est suivi d’un stage en laboratoire de recherche de
minimum 6 semaines dans cette même thématique.

PRÉ-REQUIS
Connaissances acquises dans la discipline au cours de la licence et du master 1.

RÉFÉRENCES BIBLIOGRAPHIQUES
Ils seront fournis par le tuteur en fonction de la thématique du projet

MOTS-CLÉS
projet recherche, autonomie, implication, esprit d’initiative

23
 IMAGERIES MÉDICALES-1 (Imageries
UE médicales1) 3 ECTS 2nd semestre

Cours : 10h , TD : 20h Enseignement Travail personnel

KEAI8ACU en français 45 h
[ Retour liste de UE ]

ENSEIGNANT(E) RESPONSABLE
ARRIBARAT Germain
Email : germain.arribarat@inserm.fr
FRANCERIES Xavier
Email : xavier.franceries@inserm.fr

OBJECTIFS D’APPRENTISSAGE
— Maı̂triser les bases de la résonance magnétique nucléaire (RMN), des rayonnements X et gamma.
— Comprendre l’interaction capteur/milieu biologique/ondes.
— Appréhender les méthodes les plus utilisées, appliquées à l’imagerie et à la thérapie médicale.
— Mettre en œuvre les techniques de traitement du signal et de l’image dédiées à l’imagerie par RMN, et à
l’imagerie X et gamma.

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

— Introduction et présentation des principales techniques d’imageries médicales
— Fonctionnement des dispositifs d’imagerie et de thérapie médicale : principes physiques, les différents
modes d’imagerie et le traitement des signaux associés.
— Résonance Magnétique Nucléaire : moment cinétique de spin, rapport gyromagnétique, fréquence de
Larmor, codage de phase et en fréquence, gradient de champ magnétique.
— Images des tissus en T1, T2, T2*, diffusion et tenseur de diffusion : quantification et application à des
pathologies.
— Rayonnements X et &#947 ; : production de rayons X, génération de photons de haute énergie, physique
des capteurs en radiologie, scanner et tomographie de positron.

PRÉ-REQUIS
bases de physique

RÉFÉRENCES BIBLIOGRAPHIQUES
A. Séret et coll., Imagerie Médicale, Deuxième édition, Ed. de l’Université de Liège
M. Bruneau et coll., Matériaux et Acoustique, volume 3, éd. Hermès.
M.-F. Bellin et coll., Traité d’imagerie médicale Tome 1 et 2, éd. Flammarion.

MOTS-CLÉS
imagerie médicale, tomodensitométrie, imagerie par résonance magnétique nucléaire, tomographie d’emission
mono-photonique, tomographie de positrons

24
 ANALYSE ET INTERPRÉTATION DES IMAGES
UE 3 ECTS 2nd semestre

Cours : 14h , TD : 7h , TP : 9h Enseignement Travail personnel

KEAI8ADU en français 45 h
[ Retour liste de UE ]

ENSEIGNANT(E) RESPONSABLE
HERBULOT Ariane
Email : ariane.herbulot@laas.fr

OBJECTIFS D’APPRENTISSAGE
Ce module décrit les méthodes d’analyse d’images, permettant de faciliter leur interprétation. Seront abordées
les méthodes d’extraction de caractéristiques et de segmentation d’images en vue d’applications variées. Les
méthodes de classification seront ici appliquées à l’imagerie afin d’effectuer de la reconnaissance de formes et de
motifs. Les méthodes d’analyse d’images communes à tous les domaines d’application sont ici présentées sous
forme de cours/TD et implémentées dans les Travaux Pratiques.

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

Les séances de C/TD/TP sont structurées comme suit :
1. Segmentation contours / régions
2. Analyse de texture
3. Extraction et sélection d’attributs
4. Méthodes de classification supervisée et non-supervisée pour l’image
5. Applications à la vision industrielle : exemples de métrologie, contrôle conformité, vérification de présence
6. Introduction aux techniques d’analyse vidéo
Les séances de TP sous MATLAB se séquencent comme suit :
1. Classification par k-means en image
2. Estimation de mouvement dans des séquences d’images
3. Segmentation d’images et reconnaissance de formes

PRÉ-REQUIS
Traitement du signal et des images, bases de mathématiques.

RÉFÉRENCES BIBLIOGRAPHIQUES
[1] Industrial Image Processing - C.Demant, B.Streicher-Abel, P.Waszkewitz - Editeur Springer - ISBN : 978-
3540664109.
[2] Digital Image Processing - R.C.Gonzalez, R.E.Woods - Editeur Prentice Hall - ISBN : 978-0131687288

MOTS-CLÉS
segmentation d’images, calcul de descripteurs visuels, classification appliquée à l’image, notions d’analyse vidéo.

25
 UE SIGNAUX ET TÉLÉCOMMUNICATIONS 1 3 ECTS 2nd semestre
Cours : 12h , TD : 10h , TP DE : 8h Enseignement Travail personnel
KEAI8AEU en français 45 h
[ Retour liste de UE ]

ENSEIGNANT(E) RESPONSABLE
DEVILLE Yannick
Email : Yannick.Deville@irap.omp.eu

OBJECTIFS D’APPRENTISSAGE
La première partie de cette UE a pour objectif de permettre aux étudiants de savoir déterminer les propriétés des
signaux en termes d’énergie ou de puissance en représentations temporelle ou fréquentielle, et de maı̂triser les no-
tions fondamentales de théorie de l’information. La deuxième partie de l’UE est focalisée sur le domaine des trans-
missions. Elle permettra aux étudiants de savoir caractériser les lignes de communication métalliques,d’analyser
les chaı̂nes de transmission analogiques, pour les divers types de modulations analogiques, etainside maı̂triser
les structures fondamentales des chaı̂nes de transmission numériques qui seront abordées dans l’UE Signaux et
Télécommunications no. II.

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

Après quelques rappels de base sur les signaux et systèmes, on présente des compléments pour les télécommunications
sur les signaux déterministes et aléatoires : énergie, puissance, corrélation, densités spectrales d’énergie et de puis-
sance. On introduit ensuite les bases de théorie de l’information : entropie, information, capacité de canal. Puis
on détaille les principes mis en jeu dans les transmissions analogiques : canal de communication, signal modu-
lant, signal modulé, représentation spectrale des modulations, modulation d’amplitude, modulation d’argument
(fréquence ou phase), modulations hybrides (BLU).

PRÉ-REQUIS
Cette UE s’appuie sur les bases théoriques concernant les signaux déterministes et aléatoires.

RÉFÉRENCES BIBLIOGRAPHIQUES
[1] Y. Deville, ”Traitement du signal : signaux temporels et spatiotemporels ≫ Ellipses Editions Marketing, Paris,
2011.
[2] H. P. Hsu, ≪ Communications analogiques et numériques ≫, Série Schaum.

MOTS-CLÉS
Énergie et puissance (en temporel ou fréquentiel),Théorie de l’information, Lignes métalliques, Chaı̂nes de trans-
mission analogiques, Modulations analogiques.

26
 UE SIGNAUX ET TÉLÉCOMMUNICATIONS 2 3 ECTS 2nd semestre
Cours : 12h , TD : 10h , TP DE : 8h Enseignement Travail personnel
KEAI8AFU en français 45 h
[ Retour liste de UE ]

ENSEIGNANT(E) RESPONSABLE
TROUILHET Jean-François
Email : jean-francois.trouilhet@irap.omp.eu

OBJECTIFS D’APPRENTISSAGE
L’étudiant pourra aborder le domaine des transmissions numériques en maı̂trisant les principales notions relatives
au domaine :
- Évaluation de la quantité d’information d’un message
- Compression de l’information
- Codes détecteurs et correcteurs d’erreurs
- Chiffrement de l’information
- Transmissions numériques en bande de base
- Modulations numériques

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

L’UE comporte quatre parties portant sur le domaine des transmissions numériques. La première partie porte sur
l’estimation de la quantité d’information et la compression avec ou sans perte d’un message afin de diminuer le
volume de données à transmettre. La deuxième partie traite des codes détecteurs et correcteurs d’erreur afin de
protéger l’intégrité des messages transmis. La troisième partie traite du chiffrement symétrique ou asymétrique
de l’information en vue de protéger la confidentialité du message transmis. Enfin la quatrième et dernière partie
présente les transmissions numériques en bande de base puis le modulations numériques. L’occupation spectrale,
la probabilité d’erreur de transmission de ces dernières sera abordée en détail pour chacune des modulations
envisagées.

PRÉ-REQUIS
UE Signaux et Télécommunications 1

RÉFÉRENCES BIBLIOGRAPHIQUES
[1] A. Khireddine ≪ Introduction aux transmissions numériques ≫ Éditions DUNOD.
[2] JG. Proakis ≪ Digital communications ≫ Mc GrawHill International Éditions.

MOTS-CLÉS
entropie, compression, code correcteur erreur, chiffrement, clef publique, clef
privée, signature électronique, modulation numérique, constellation, ASK, PSK

27
 INTRODUCTION À LA ROBOTIQUE (Introduc-
UE tion à la Robotique) 3 ECTS 2nd semestre

Cours : 12h , TD : 6h , TP : 12h Enseignement Travail personnel

KEAI8AGU en français 45 h
[ Retour liste de UE ]

ENSEIGNANT(E) RESPONSABLE
CADENAT Viviane
Email : cadenat@laas.fr

OBJECTIFS D’APPRENTISSAGE
Cette UE vise à permettre aux étudiants de :
— Comprendre la problématique de la robotique industrielle
— Utiliser et programmer un robot industriel pour réaliser une tâche industrielle
— Comprendre les bases de la navigation des AGV (Automatic Ground Vehicles) dans un atelier

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

Le contenu du cours est organisé en trois grandes parties :
I. Introduction, notions de base et problématique de la robotique
II. Modélisation des robots industriels
1. Outils pour la robotique industrielle
2. Modélisation géométrique directe
III. Planification et Génération de mouvement
1. Génération de mouvement dans l’espace des configurations sur les robots industriels
2. Navigation d’un robot mobile dans un atelier
Organisation des TP
Les étudiants réaliseront leurs TP sur de vrais robots industriels situés à l’AIP PRIMECA. Ces TP mettront en
évidence la problématique de la robotique industrielle et leur permettront de programmer des tâches classiques
dans ce domaine (prise/dépose d’objets, etc.).

PRÉ-REQUIS
Bases mathématiques de l’ingénieur (algèbre linéaire, ...)

SPÉCIFICITÉS
Cette UE est fortement conseillée pour poursuivre en M2 EEA-AURO.

COMPÉTENCES VISÉES
Les compétences visées à l’issue de l’UE sont les suivantes :
— Etablir le modèle géométrique d’un bras manipulateur
— Générer une trajectoire permettant de réaliser une tâche industrielle donnée
— Programmer une tâche robotique sur un vrai robot industriel
— Faire naviguer une plateforme mobile dans un atelier

RÉFÉRENCES BIBLIOGRAPHIQUES
W Khalil, E Dombre. Robot manipulators :modeling, performance analysis & control, ISTE Ed, 2007
M Spong, S Hutchinson, M Vidyasagar. Robot modeling & control, Ed Wiley, 2005
Craig, Introduction to robotics : mechanics & control. Pearson, 2017

MOTS-CLÉS
Robotique industrielle, robots manipulateurs, robots mobiles, modélisation, navigation, génération de mouve-
ment.

28
 RESEAUX POUR LA COMMANDE DE SYS-
UE TEMES DISTRIBUES (Réseaux pour la com- 3 ECTS 2nd semestre
mande de systèmes distribués)
Cours : 9h , TD : 9h , TP : 12h Enseignement Travail personnel
KEAI8AHU en français 45 h
[ Retour liste de UE ]

ENSEIGNANT(E) RESPONSABLE
BERTHOU Pascal
Email : berthou@laas.fr

OBJECTIFS D’APPRENTISSAGE
Les systèmes distribués sont devenus incontournables dans notre vie quotidienne. Citons comme exemple, toutes
les applications clients-serveurs, ou encore tous les systèmes de contrôle/commande : calculateurs, capteurs et
actionneurs en grand nombres, ≪ répartis ≫ dans les voitures, les avions, les usines, mais aussi nos maisons. Les
différents composants d’un système distribué ne sont pas localisés dans un seul et même endroit et sont donc
nécessairement reliés par des réseaux de communications. Ce cours permet d’acquérir les bases des architectures et
des réseaux de communication et doit permettre de comprendre le rôle de chacune des couches d’une architecture
réseau complexe, connaı̂tre les principes des réseaux locaux, maı̂triser les principes de l’échange d’information sur
l’Internet.

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

1. Cours et travaux dirigés
1.1. Principes des architectures de communication en couches
Couche physique
Couche liaison de donnée en général, et plus spécifiquement dans les réseaux locaux et exemple des réseaux
Ethernet
Couche réseau et exemple de l’Internet
Couche transport et programmation d’applications de commande distribuées
2. Travaux Pratiques
2.1. Configuration et déploiement de services dans un réseau IP
2.2. Développement d’une application distribuée de contrôle/commande

PRÉ-REQUIS
un minimum de connaissance sur les systèmes d’exploitations (commandes de bases)

RÉFÉRENCES BIBLIOGRAPHIQUES
Bibliographie proposée par les enseignants lors de leurs interventions.

MOTS-CLÉS
Réseaux de communications numériques, Internet, temps-réel

29
 CAPTEURS OPTIQUES ET FORMATION DES
UE IMAGES 3 ECTS 2nd semestre

Cours : 8h , TD : 4h , TP DE : 18h Enseignement Travail personnel

KEAI8AIU en français 45 h
URL http://userpages.irap.omp.eu/~{}ogodet/
[ Retour liste de UE ]

ENSEIGNANT(E) RESPONSABLE
GODET Olivier
Email : Olivier.Godet@irap.omp.eu

OBJECTIFS D’APPRENTISSAGE
Ce module décrit les aspects matériels d’un système de vision : les techniques d’éclairage de la scène, les op-
tiques et les technologies de capteurs numérique, le processus de formation des images associé et les techniques
d’amélioration des images. Le module se focalise sur les prétraitements pour corriger/atténuer les artefacts lors
de la formation des images. Il permet de guider dans la caractérisation et la mise en oeuvre d’un système de prises
d’images et de comprendre le processus de formation des images pour améliorer le rendu des images acquises.

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

Le cours/TD est structuré comme suit :
1. Introduction : notions de colorimétrie, oeil et vision, standards de TV.
2. Techniques d’éclairage : types et stratégies d’éclairage en vision industrielle.
3. Optique de caméra vidéo : modélisation, réglages, caractéristiques, aberrations optiques, exercices.
4. Capteurs numériques : mise en forme du signal vidéo (électronique de lecture et conversion numérique),
technologie de caméras (CCD et CMOS), aberrations numériques.
5. Formation et amélioration des images : calibrage radiométrique, calibrage chromatique, correction des
aberrations, exercices.
Les séances de TP se séquencent comme suit :
1. Mesures des chronogrammes d’une chaı̂ne électronique en sortie d’un capteur CCD.
2. Corrections élémentaires du signal thermique et de la non uniformité de réponse d’un capteur CCD.
3. Modification d’un chronogramme de lecture pour une application industrielle.
4. Acquisition des images et éclairage.
5. Amélioration des images à travers ses applications.

PRÉ-REQUIS
Notions de traitement du signal, notions d’optique, notions d’électronique et de physique générale.

RÉFÉRENCES BIBLIOGRAPHIQUES
Industrial Image Processing - C.Demant, B.Streicher-Abel, P.Waszkewitz - Editeur : SPRINGER - ISBN : 978-
3540664109.

MOTS-CLÉS
détecteurs numériques, image ; optique ; aberrations ; éclairage ; chaine électronique

30
 BUREAU D’ÉTUDES APPRENTISSAGE AUTO-
UE MATIQUE (MACHINE LEARNING) 3 ECTS 2nd semestre

Cours : 8h , TD : 6h , TP DE : 16h Enseignement Travail personnel

KEAI8AJU en français 45 h
[ Retour liste de UE ]

ENSEIGNANT(E) RESPONSABLE
HOSSEINI Shahram
Email : Shahram.Hosseini@irap.omp.eu

OBJECTIFS D’APPRENTISSAGE
Cette UE vise à familiariser les étudiants avec :
- les méthodes récentes de l’apprentissage automatique (machine learning), et notamment l’apprentissage profond
(deep learning) basé sur les réseaux de neurones convolutifs,
- les outils logiciels et les bibliothèques Python utilisés en apprentissage automatique : NumPy, Pandas, Matplotlib,
Scikit-learn, ...
- les outils utilisés pour réaliser l’apprentissage profond avec les processeurs graphiques (GPU) : Cuda, TensorFlow,
Keras, ...

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

Cours :
- Rappel des techniques classiques de régression et classification (régression linéaire, régression logistique, SVM,
KNN, K-means, ...)
- Réseaux de neurones convolutifs : exemples d’architectures et algorithmes d’apprentissage
- Bibliothèques Python pour l’apprentissage automatique
- GPU et les outils logiciels associés
Projet encadré : Les étudiants, répartis en plusieurs équipes, réaliseront des projets qui leur permettent de mieux
connaı̂tre les méthodes et les outils logiciels présentés en cours.

PRÉ-REQUIS
Les UE ”Introduction à l’apprentissage automatique” et ”Applications du traitement du signal et d’images” du
premier semestre

RÉFÉRENCES BIBLIOGRAPHIQUES
®
[1] W.-M. Lee, Python Machine Learning, Wiley, 2019.
[2] S. W. Knox, Machine Learning : a Concise Introduction, Wiley, 2018.
[3] I. Goodfellow, Deep learning, MIT, 2016.

MOTS-CLÉS
Apprentissage automatique, Apprentissage profond, Classification, Réseaux de neurones, Python, GPU

31
 ANALYSE SPECTRALE DES SIGNAUX ET
UE SYSTÈMES 3 ECTS 2nd semestre

Cours : 10h , TD : 8h , TP : 12h Enseignement Travail personnel

KEAI8AKU en français 45 h
[ Retour liste de UE ]

ENSEIGNANT(E) RESPONSABLE
HOSSEINI Shahram
Email : Shahram.Hosseini@irap.omp.eu

OBJECTIFS D’APPRENTISSAGE
A partir des outils mathématiques pour la représentation fréquentielle des signaux et systèmes acquis au 1er
semestre, l’objectif est de présenter aux étudiants les méthodes d’analyse spectrale permettant d’estimer et
d’analyser le contenu fréquentiel des signaux. Les méthodes utilisées dépendent de la nature du signal considéré
(déterministe ou aléatoire, stationnaire ou non) et doivent tenir compte de l’échantillonnage et la troncature
des signaux, le compromis entre les résolutions temporelle et fréquentielle, le nombre limité des réalisations
disponibles d’un signal aléatoire, etc. Par ailleurs, lorsque le contenu fréquentiel d’un signal varie au cours du
temps, l’utilisation des outils d’analyse temps-fréquence tels que la TF à court terme ou la transformée en
ondelettes s’impose.

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

Rappels sur les outils pour la représentation fréquentielle des signaux et systèmes.
Analyse spectrale des signaux déterministes par Transformée de Fourier Discrète (TFD) : effet de l’échantillonnage
spectral, zero-padding, effet de fenêtrage, différents types de fenêtre.
Rappels sur les signaux aléatoires : notions de corrélation, densité spectrale de puissance, filtrage des signaux
aléatoires.
Analyse spectrale non paramétrique (estimation de l’autocorrélation, corrélogramme, périodogramme et dérivés)
et application de l’analyse spectrale non paramétrique à l’identification des systèmes et au débruitage des signaux.
Introduction à l’analyse spectrale paramétrique : modèles AR et MA.
Introduction à l’analyse temps-fréquence : décomposition en atomes temps-fréquence, relation d’incertitude de
Gabor, transformée de Fourier à court terme, transformée en ondelettes continues.
Travaux Pratiques sous Matlab :
— Analyse spectrale par Transformée de Fourier Discrète
— Analyse spectrale de signaux aléatoires et application de l’analyse spectrale au débruitage
— Analyse temps-fréquence

PRÉ-REQUIS
Les UE ≪ Signaux et systèmes ≫ et ≪ Traitement numérique du signal ≫ du M1 SIA2

RÉFÉRENCES BIBLIOGRAPHIQUES
1. F. Castanié et al., Digital spectral analysis, Wiley, 2011.
2. S. M. Kay, Modern Spectral Estimation : Theory and Application, Prentice Hall, 1999.
3. S. A. Broughton & K. Bryan, Discrete Fourier Analysis and Wavelets, Wiley, 2018.

MOTS-CLÉS
Analyse spectrale, TFD, Densité Spectrale de Puissance, Périodogramme, Modèles AR et MA, Analyse temps-
fréquence, Transformée en ondelettes

32
 MODÉLISATION ET ESTIMATION POUR LES
UE SIGNAUX ET SYSTÈMES 3 ECTS 2nd semestre

Cours : 12h , TD : 8h , TP : 10h Enseignement Travail personnel

KEAI8ALU en français 45 h
[ Retour liste de UE ]

ENSEIGNANT(E) RESPONSABLE
CARFANTAN Hervé
Email : Herve.Carfantan@irap.omp.eu

OBJECTIFS D’APPRENTISSAGE
Comment estimer la position d’un objet dans une image ? Comment estimer la réponse impulsionnelle d’un
instrument ? Voici des exemples de questions d’estimation auxquelles on peut être confronté en traitement du
signal et des images. Il faut pour y répondre 1) établir un modèle entre les observations et les paramètres
d’intérêt, prenant en compte le phénomène physique entrant en jeu et les perturbations sur les données ; 2)
choisir un estimateur, c’est-à-dire une façon de définir la valeur des paramètres à partir d’un jeu de données ; 3)
mettre en œuvre un algorithme pour calculer la valeur estimée des paramètres à partir des données ; 4) caractériser
la qualité des paramètres ainsi estimés.
L’objectif de cette UE est d’introduire les outils permettant de répondre à ces différentes étapes.

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

I. Introduction à la modélisation et à l’estimation pour les signaux et systèmes
Exemples de cadres de travail en ”identification,” ”estimation” et ”détection”, quelques exemples de problèmes
de modélisation/estimation en signal/image et système.
II. Notion de modèles et classification
Modèles de connaissance/représentation, temps-continu/discret, modèles déterministes/stochastiques, Linéarité
en les paramètres, prise en compte des perturbations... Propriétés structurelles des modèles (complexité, identi-
fiabilité, discernabilité).
III. Définition et propriétés des estimateurs
Biais, matrice de covariance et erreur quadratique moyenne d’un estimateur, compromis biais/variance, propriétés
asymptotiques, borne de Kramer-Rao...
IV. Construction d’un estimateur
Méthodes des moments, critère des moindres carrés, maximum de vraisemblance, estimateurs bayésiens.
V. Calcul des estimateurs pour les modèles linéaires
Moindres carrés, moindres carrés récursifs, filtrage de Kalman. Les TPs insisteront sur la mise en œuvre pratique
de l’estimation et l’analyse des résultats obtenus sur des problèmes pratiques de traitement du signal, d’images
et d’analyse de systèmes physiques.

PRÉ-REQUIS
Bases de probabilités introduites dans l’UE ≪ Introduction à l’exploitation statistique de données ≫. Bases
d’algèbre linéaire (opérations sur les matrices)

RÉFÉRENCES BIBLIOGRAPHIQUES
— Identification de Modèles Paramétriques à Partir de Données Expérimentales, E. Walter et L. Pronzato.
Masson, 1994.
— Introduction à la théorie du signal et de l’information, Cours et exercices, F. Auger, Éditions Technip,
1999

MOTS-CLÉS
Modèle, perturbations, estimateur, probabilités, vraisemblance, moindres carrés, filtre de Kalman.

33
 UE ANGLAIS 3 ECTS 2nd semestre
TD : 24h Enseignement Travail personnel
KEAI8AVU en français 51 h
[ Retour liste de UE ]

ENSEIGNANT(E) RESPONSABLE
CONNERADE Florent
Email : florent.connerade@univ-tlse3.fr

OBJECTIFS D’APPRENTISSAGE
S’exprimer avec aisance à l’oral, devant un public, en usant de registres adaptés aux différents contextes et aux
différents interlocuteurs.
Se servir aisément d’une langue vivante autre que le français : compréhension et expression écrites et orales :
- Comprendre un article scientifique ou professionnel rédigé en anglais sur un sujet relatif à leur domaine.
- Produire un écrit scientifique ou technique dans un anglais adapté, de qualité et respectant les normes et usages
de la communauté scientifique anglophone.
-Interagir à l’oral en anglais : réussir ses échanges formels et informels lors des colloques, réunions ou entretiens
professionne

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

Les étudiants développeront :
- les compétences liées à la compréhension de publications scientifiques ou professionnelles rédigées en anglais
ainsi que les compétences nécessaires à la compréhension de communications scientifiques orales.
- les outils d’expression permettant de maı̂triser une présentation orale et/ou écrite et d’aborder une discussion
critique dans le domaine scientifique, (ex. rhétorique, éléments linguistiques, prononciation...) .
- la maı̂trise des éléments d’argumentation critique à l’oral et/ou à l’écrit d’une publication scientifique
- une réflexion plus large sur leur place, leur intégration et leur rayonnement en tant que scientifiques dans la
société, abordant des questions d’actualité, d’éthique, d’intégrité... .

PRÉ-REQUIS
Niveau B2 du CECRL.

COMPÉTENCES VISÉES
S’exprimer avec aisance à l’oral, devant un public, en usant de registres adaptés aux différents contextes et aux
différents interlocuteurs.
Se servir aisément d’une langue vivante autre que le français : compréhension et expression écrites et orales :
- Comprendre un article scientifique ou professionnel rédigé en anglais sur un sujet relatif à leur domaine.
- Produire un écrit scientifique ou technique dans un anglais adapté, de qualité et respectant les normes et usages
de la communauté scientifique anglophone.
-Interagir à l’oral en anglais : réussir ses échanges formels et informels lors des colloques, réunions ou entretiens
professionnels.

MOTS-CLÉS
Projet - Anglais scientifique - Rédaction - Publication - Communications - esprit critique scientifique - intercul-
turel

34
 GLOSSAIRE

TERMES GÉNÉRAUX

SYLLABUS
Dans l’enseignement supérieur, un syllabus est la présentation générale d’un cours ou d’une formation. Il inclut :
objectifs, programme de formation, description des UE, prérequis, modalités d’évaluation, informations pratiques,
etc.

DÉPARTEMENT
Les départements d’enseignement sont des structures d’animation pédagogique internes aux composantes (ou
facultés) qui regroupent les enseignantes et enseignants intervenant dans une ou plusieurs mentions.

UE : UNITÉ D’ENSEIGNEMENT
Un semestre est découpé en unités d’enseignement qui peuvent être obligatoires, à choix ou facultatives. Une UE
représente un ensemble cohérent d’enseignements auquel sont associés des ECTS.

UE OBLIGATOIRE / UE FACULTATIVE
L’UE obligatoire fait référence à un enseignement qui doit être validé dans le cadre du contrat pédagogique.
L’UE facultative vient en supplément des 60 ECTS de l’année. Elle est valorisée dans le supplément au diplôme.
L’accumulation de crédits affectés à des UE facultatives ne contribue pas à la validation de semestres ni à la
délivrance d’un diplôme.

ECTS : EUROPEAN CREDITS TRANSFER SYSTEM

Les ECTS constituent l’unité de mesure commune des formations universitaires de licence et de master dans
l’espace européen. Chaque UE obtenue est ainsi affectée d’un certain nombre d’ECTS (en général 30 par semestre
d’enseignement, 60 par an). Le nombre d’ECTS varie en fonction de la charge globale de travail (CM, TD, TP,
etc.) y compris le travail personnel. Le système des ECTS vise à faciliter la mobilité et la reconnaissance des
diplômes en Europe.

TERMES ASSOCIÉS AUX DIPLOMES

Les diplômes sont déclinés en domaines, mentions et parcours.

DOMAINE
Le domaine correspond à un ensemble de formations relevant d’un champ disciplinaire ou professionnel commun.
La plupart des formations de l’UT3 relèvent du domaine ≪ Sciences, Technologies, Santé ≫.

MENTION
La mention correspond à un champ disciplinaire. Il s’agit du niveau principal de référence pour la définition des
diplômes nationaux. La mention comprend, en général, plusieurs parcours.

PARCOURS
·
Le parcours constitue une spécialisation particulière d’un champ disciplinaire choisie par l’étudiant e au cours de
son cursus.

35
LICENCE CLASSIQUE
La licence classique est structurée en six semestres et permet de valider 180 crédits ECTS. Les UE peuvent
être obligatoires, à choix ou facultatives. Le nombre d’ECTS d’une UE est fixé sur la base de 30 ECTS pour
l’ensemble des UE obligatoires et à choix d’un semestre.

LICENCE FLEXIBLE
À la rentrée 2022, l’université Toulouse III - Paul Sabatier met en place une licence flexible. Le principe est

·
d’offrir une progression ”à la carte” grâce au choix d’unités d’enseignement (UE). Il s’agit donc d’un parcours
de formation personnalisable et flexible dans la durée. La progression de l’étudiant e dépend de son niveau de
départ et de son rythme personnel. L’inscription à une UE ne peut être faite qu’à condition d’avoir validé les
UE pré-requises. Le choix de l’itinéraire de la licence flexible se fait en concertation étroite avec une direction

·
des études (DE) et dépend de la formation antérieure, des orientations scientifiques et du projet professionnel de
l’étudiant e. L’obtention du diplôme est soumise à la validation de 180 crédits ECTS.

DIRECTION DES ÉTUDES ET ENSEIGNANT E RÉFÉRENT E · ·

·
La direction des études (DE) est constituée d’enseignantes et d’enseignants référents, d’une directrice ou d’un
directeur des études et d’un secrétariat pédagogique. Elle organise le projet de formation de l’étudiant e en

·
proposant une individualisation de son parcours pouvant conduire à des aménagements. Elle est le lien entre
l’étudiant e, l’équipe pédagogique et l’administration.

TERMES ASSOCIÉS AUX ENSEIGNEMENTS

CM : COURS MAGISTRAL(AUX)
Cours dispensé en général devant un grand nombre d’étudiantes et d’étudiants (par exemple, une promotion
entière), dans de grandes salles ou des amphithéâtres. Ce qui caractérise également le cours magistral est qu’il est
le fait d’une enseignante ou d’un enseignant qui en définit les structures et les modalités. Même si ses contenus
font l’objet de concertations avec l’équipe pédagogique, chaque cours magistral porte donc la marque de la
personne qui le crée et le dispense.

TD : TRAVAUX DIRIGÉS
Ce sont des séances de travail en groupes restreints (de 25 à 40 étudiantes et étudiants selon les composantes),
animées par des enseignantes et enseignants. Les TD illustrent les cours magistraux et permettent d’approfondir
les éléments apportés par ces derniers.

TP : TRAVAUX PRATIQUES
Méthode d’enseignement permettant de mettre en pratique les connaissances théoriques acquises durant les CM
et les TD. Généralement, cette mise en pratique se réalise au travers d’expérimentations et les groupes de TP
sont constitués de 16 à 20 étudiantes et étudiants. Certains travaux pratiques peuvent être partiellement encadrés
ou peuvent ne pas être encadrés du tout. A contrario, certains TP, du fait de leur dangerosité, sont très encadrés
(jusqu’à une enseignante ou un enseignant pour quatre étudiantes et étudiants).

PROJET OU BUREAU D’ÉTUDE

Le projet est une mise en pratique en autonomie ou en semi-autonomie des connaissances acquises. Il permet de
vérifier l’acquisition de compétences.

TERRAIN
Le terrain est une mise en pratique encadrée des connaissances acquises en dehors de l’université.

36
STAGE
Le stage est une mise en pratique encadrée des connaissances acquises dans une entreprise ou un laboratoire
de recherche. Il fait l’objet d’une législation très précise impliquant, en particulier, la nécessité d’une convention
pour chaque stagiaire entre la structure d’accueil et l’université.

SESSIONS D’ÉVALUATION
Il existe deux sessions d’évaluation : la session initiale et la seconde session (anciennement appelée ”session
de rattrapage”, constituant une seconde chance). La session initiale peut être constituée d’examens partiels et
terminaux ou de l’ensemble des épreuves de contrôle continu et d’un examen terminal. Les modalités de la seconde
session peuvent être légèrement différentes selon les formations.

SILLON
Un sillon est un bloc de trois créneaux de deux heures d’enseignement. Chaque UE est généralement affectée à un
sillon. Sauf cas particuliers, les UE positionnées dans un même sillon ont donc des emplois du temps incompatibles.

37