Département des Sciences et technologies

2026-2027

Master en sciences de l'Ingénieur industriel / orientation Informatique / Cycle 2 Bloc 2

UE Quad 1HeuresECTSÉval.
Séminaire de simulation en gestion40 h4UE
Préparation à la simulation en gestion15 h
Séminaire de simulation en gestion25 h
International management and Human resources30 h3UE
Contemporary management pillars10 h
Human resources management10 h
International management10 h
Compétences managériales15 h1UE
Compétences managériales15 h
Problématique environnementale30 h2UE
Problématique CO2 et bilan carbone20 h
Green IT10 h
Optimisation combinatoire58 h5UE
Optimisation combinatoire : théorie18 h
Recherche appliquée en optimisation combinatoire40 h
Systèmes temps réel et programmables30 h3UE
Systèmes temps réel10 h
Composants programmables20 h
UE spécifiques : option Automation et Systèmes embarqués
Optimisation des Systèmes de Production15 h1UE
Modes de production industrielle5 h
Optimisation des lignes de production5 h
Techniques d'ordonnancement5 h
Systèmes automatisés de production80 h5UE
Systèmes et réseaux d'automatisation industrielle40 h
Projet de recherche et développement en systèmes automatisés de production40 h
Instrumentation et régulation30 h2UE
Bancs d'essais d'instrumentation10 h
Régulation sur bancs d'essais et chaîne d'assemblage en miniusine20 h
UE spécifiques : option Intelligence artificielle et Big Data
Compléments en Machine learning60 h5UE
Machine learning et Deep learning21 h
Projet de recherche et développement en Machine learning39 h
Natural language processing15 h1UE
Natural language processing15 h
Computer vision30 h2UE
Computer vision30 h
UE spécifiques : option Gestion
Gestion financière21 h3UE
Gestion financière21 h
Sustainable economics21 h3UE
Sustainable economics21 h
Projet entrepreneurial et managérial40 h4UE
Projet entrepreneurial20 h
Intercultural communication8 h
Conférences Sciences humaines12 h
UE Quad 1 et 2HeuresECTSÉval.
Projet de fin d'études en entreprise370 h30UE
TFE225 h
Stages145 h
Département des Sciences et technologies

2026-2027

Avenue Victor Maistriau 8a
7000 Mons

Fiche ects de l'unité d'enseignement #2346 intitulée :

Séminaire de simulation en gestion

Master en Sciences de l'Ingénieur industriel / orientation Géomètre / Cycle 2 Bloc 2

Master en sciences de l'Ingénieur industriel / orientation Informatique / Cycle 2 Bloc 2

Informations

Responsable d'UE : Julie LENAERTS

Bloc : MA2 Geo, MA2 Info

Période : 1er quadrimestre

Durée : 40 h

Crédits : 4 ects

UE Prérequises : aucune

UE Corequises : aucune

Activités d'apprentissage (AA)

Connaissances et compétences préalables

Cours de gestion.

Contribution aux objectifs du référentiel de compétences de l'ARES

Acquis d'apprentissage spécifiques

Acquérir des connaissances sur la gestion d’entreprise.

Mettre en pratique à travers un jeu de simulation d'entreprise les connaissances acquises au cours de l'ensemble du cours de gestion.

Être capable de gérer une équipe et de travailler en groupe.

Contenu des AA

Préparation à la simulation en gestion

Des séances sont dispensés afin de préparer les étudiants au séminaire.

Séminaire de simulation en gestion

Le séminaire dure trois jours (si possible consécutifs) pendant lesquels les participants, scindés en groupes, sont chargés de gérer une entreprise fictive. Les étudiants fixent préalablement la stratégie de leur groupe et prennent ensuite toute une série de décisions. Le support informatique permet d'obtenir de très nombreuses informations financières et facilite les simulations qui précèdent les prises de décision.

Répartition des heures

Préparation à la simulation en gestion : 15 h de théorie

Séminaire de simulation en gestion : 25 h d'AIP

Méthodes d'enseignement

Préparation à la simulation en gestion : cours magistral

Séminaire de simulation en gestion : travaux de groupes, approche par projets, approche déductive, approche avec TIC, activités pédagogiques extérieures

Langues d'enseignement

Préparation à la simulation en gestion : français

Séminaire de simulation en gestion : français

Supports

Préparation à la simulation en gestion : notes de cours

Séminaire de simulation en gestion : syllabus

Ressources bibliographiques

Préparation à la simulation en gestion

Le syllabus de l'activité

Séminaire de simulation en gestion

-

Évaluation et pondération

Méthode d'évaluation : note globale à l'UE

Langues d'évaluation : français

Modalités d'évaluation :

Evaluation de la participation au séminaire selon 5 critères : la préparation (participation au cours de préparation), la détermination de la stratégie de l'équipe, la prise de décision, le classement et la présentation finale. Sauf cas exceptionnels, la note est collective pour l'équipe.

Non remédiable en 2e session 

Report de note d'une année à l'autre pour l'AA réussie en cas d'échec à l'UE :

Fiche indisponible

Cette fiche ects d'UE 2026-2027 est indisponible.

Consulter la version de l'année 2025-2026

Fiche indisponible

Cette fiche ects d'UE 2026-2027 est indisponible.

Consulter la version de l'année 2025-2026

Département des Sciences et technologies

2026-2027

Avenue Victor Maistriau 8a
7000 Mons

Fiche ects de l'unité d'enseignement #2445 intitulée :

Problématique environnementale

Master en sciences de l'Ingénieur industriel / orientation Informatique / Cycle 2 Bloc 2

Master en Sciences de l'Ingénieur industriel orientation Life data technologies / Cycle 2 Bloc 2

Informations

Responsable d'UE : Samuel CREMER

Bloc : MA2 Info, MA2 LDT

Période : 1er quadrimestre

Durée : 30 h

Crédits : 2 ects

UE Prérequises : aucune

UE Corequises : aucune

Activités d'apprentissage (AA)

Connaissances et compétences préalables

Comprendre les enjeux climatiques et environnementaux

Comprendre les mécanismes à mettre en oeuvredans le cadred'une statégie carbone globale

Comprendre la méthode permettant de réaliser le bilan carbone d'une activité/d'un produit

Contribution aux objectifs du référentiel de compétences de l'ARES

Acquis d'apprentissage spécifiques

Comprendre les enjeux climatiques et environnementaux

Comprendre les mécanismes à mettre en oeuvredans le cadred'une statégie carbone globale

Comprendre la méthode permettant de réaliser le bilan carbone d'une activité/d'un produit

Contenu des AA

Problématique CO2 et bilan carbone

Comprendre et s'approprier l'ensembles des thématiques climatiques et enjeux. Contexte Carbone( mondial, national, régional) et nécessite de diminuer les émissions CO2.

Mécanismes de compensation: pourquoi? comment?

Les modèles économiques: linéaires, circulaire et de fonctionnalité

Stratégie globale de réduction.

 Comment comptabiliser les émissions de CO2. Comprendre et réaliser une cartographie des flux d'une activité

Exercices pratiques

Green IT

  • Esprit critique-
  • Rappels technologiques
  • Pistes de réflexion
  • Règles de bonnes pratiques
  • "Débunkage" de fausses bonnes idées

Répartition des heures

Problématique CO2 et bilan carbone : 10 h de théorie, 10 h d'exercices/Labos

Green IT : 10 h de théorie

Méthodes d'enseignement

Problématique CO2 et bilan carbone : cours magistral, approche par projets, approche interactive, utilisation de logiciels

Green IT : cours magistral, approche interactive

Langues d'enseignement

Problématique CO2 et bilan carbone : français

Green IT : français

Supports

Problématique CO2 et bilan carbone : copies de présentations

Green IT : copies de présentations

Ressources bibliographiques

Problématique CO2 et bilan carbone

 Méthode Bilan Carbone

ADEME- Agence Françaisede l'Energie etde la Maitrise de l'énergie

AWAC Agence Wallonne de Air et Climat

CO2 Stratégy

Green IT

  • M. Halsey, "The Green IT Guide", Apress, France, 2022
  • I. Albert, "Tech it green", Institut G9+, 2020

Évaluation et pondération

Méthode d'évaluation : note globale à l'UE

Langues d'évaluation : français

Modalités d'évaluation :

35% pour Green IT : projet à réaliser en groupe

65 % pour Problématique CO2 et bilan carbone : examen

Report de note d'une année à l'autre pour l'AA réussie en cas d'échec à l'UE :

Département des Sciences et technologies

2026-2027

Avenue Victor Maistriau 8a
7000 Mons

Fiche ects de l'unité d'enseignement #3496 intitulée :

Optimisation combinatoire

Master en sciences de l'Ingénieur industriel / orientation Informatique / Cycle 2 Bloc 2

Master en Sciences de l'Ingénieur industriel orientation Life data technologies / Cycle 2 Bloc 2

Informations

Responsable d'UE : Samuel CREMER

Bloc : MA2 Info, MA2 LDT

Période : 1er quadrimestre

Durée : 58 h

Crédits : 5 ects

UE Prérequises : aucune

UE Corequises : aucune

Activités d'apprentissage (AA)

Connaissances et compétences préalables

Contribution aux objectifs du référentiel de compétences de l'ARES

Acquis d'apprentissage spécifiques

Contenu des AA

Optimisation combinatoire : théorie

  • Théorie de la complexité
  • Heuristiques et metaheuristiques
  • Théorie des graphes et algorithmes

Recherche appliquée en optimisation combinatoire

Projet d'optimisation combinatoire.

Répartition des heures

Optimisation combinatoire : théorie : 8 h de théorie, 10 h d'exercices/Labos

Recherche appliquée en optimisation combinatoire : 2 h de théorie, 18 h de travaux, 20 h d'autonomie

Méthodes d'enseignement

Optimisation combinatoire : théorie : cours magistral, approche interactive, approche par situation problème, approche avec TIC, étude de cas, utilisation de logiciels

Recherche appliquée en optimisation combinatoire : travaux de groupes, approche par projets, approche interactive, approche par situation problème, approche avec TIC, étude de cas, utilisation de logiciels

Langues d'enseignement

Optimisation combinatoire : théorie : français

Recherche appliquée en optimisation combinatoire : français, anglais

Supports

Optimisation combinatoire : théorie : copies de présentations

Recherche appliquée en optimisation combinatoire : copies de présentations

Ressources bibliographiques

Optimisation combinatoire : théorie

  • Graph theory and its applications, J.L. Gross and J. Yellen, CRC Press, 1998
  • Mastering algorithms with C, K. Loudon, O'Reilly, 1999
  • Algorithmique et structures de données génériques, M. Divay, Dunod, 2004

Recherche appliquée en optimisation combinatoire

  • Graph theory and its applications, J.L. Gross and J. Yellen, CRC Press, 1998
  • Mastering algorithms with C, K. Loudon, O'Reilly, 1999
  • Algorithmique et structures de données génériques, M. Divay, Dunod, 2004

Évaluation et pondération

Méthode d'évaluation : note globale à l'UE

Langues d'évaluation : français, anglais

Modalités d'évaluation :

65 % pour le projet (qualité du projet + présentation + rapport)

35 % pour la théorie (examen écrit)

Report de note d'une année à l'autre pour l'AA réussie en cas d'échec à l'UE :

Département des Sciences et technologies

2026-2027

Avenue Victor Maistriau 8a
7000 Mons

Fiche ects de l'unité d'enseignement #3623 intitulée :

Systèmes temps réel et programmables

Master en sciences de l'Ingénieur industriel / orientation Informatique / Cycle 2 Bloc 2

Informations

Responsable d'UE : Gaëtan PAULET

Bloc : MA2 Info

Période : 1er quadrimestre

Durée : 30 h

Crédits : 3 ects

UE Prérequises : aucune

UE Corequises : aucune

Activités d'apprentissage (AA)

Connaissances et compétences préalables

Electronique numérique

Programmation en C

Contribution aux objectifs du référentiel de compétences de l'ARES

Acquis d'apprentissage spécifiques

Contenu des AA

Systèmes temps réel

  • Architectures des systèmes embarqués, particulièrement temps réel
  • Analyse de différents SoC
  • Programmation d'un SoC

Composants programmables

  • Langage VHDL
  • Composition d'un projet sur SoC
  • Programmation d'un SoC

Répartition des heures

Systèmes temps réel : 6 h de théorie, 4 h d'exercices/Labos

Composants programmables : 20 h d'exercices/Labos

Méthodes d'enseignement

Systèmes temps réel : cours magistral, approche par situation problème, utilisation de logiciels

Composants programmables : approche par situation problème, approche inductive, utilisation de logiciels

Langues d'enseignement

Systèmes temps réel : français

Composants programmables : français

Supports

Systèmes temps réel : copies de présentations

Composants programmables : copies de présentations, protocoles de laboratoires

Ressources bibliographiques

Systèmes temps réel

  • RICHARD, Pascal et GROLLEAU, Emmanuel et RICHARD, Michaël et et autres., 10 juin 2013, « Ordonnancement temps réel Ordonnancement multiprocesseur ». Dans : « Technologies logicielles Architectures des systèmes », [en ligne], Editions T.I. [Paris, France], 2024, s8057, [Consulté le 30/08/2024], TIP402WEB, [base de données en ligne],doi:10.51257/a-v1-s8057, disponible à l'adresse : https://www.techniques-ingenieur.fr/base-documentaire/technologies-de-l-information-th9/systemes-embarques-42588210/ordonnancement-temps-reel-s8057

Composants programmables

  • Manuel de référence de la carte Zybo Z7 (Digilent Reference) : https://digilent.com/reference/programmable-logic/zybo-z7/reference-manual

Évaluation et pondération

Méthode d'évaluation : note globale à l'UE

Langues d'évaluation : français

Modalités d'évaluation :

  • 25% Examen écrit
  • 75% Exercice sur PC

Report de note d'une année à l'autre pour l'AA réussie en cas d'échec à l'UE :

Département des Sciences et technologies

2026-2027

Avenue Victor Maistriau 8a
7000 Mons

Fiche ects de l'unité d'enseignement #1525 intitulée :

Optimisation des Systèmes de Production

Master en sciences de l'Ingénieur industriel / orientation Informatique / Cycle 2 Bloc 2
- option Automation et Systèmes embarqués

Informations

Responsable d'UE : Fabrice HUBERT

Bloc : MA2 Info

Période : 1er quadrimestre

Durée : 15 h

Crédits : 1 ects

UE Prérequises : aucune

UE Corequises : aucune

Activités d'apprentissage (AA)

Connaissances et compétences préalables

Eléments de recherche opérationnelle et de planification de projets

Contribution aux objectifs du référentiel de compétences de l'ARES

Acquis d'apprentissage spécifiques

Les étudiants seront capables :

- d'étudier et d'optimiser un système industriel de production,

- de présenter et défendre les résultats de leur étude de cas.

Contenu des AA

Modes de production industrielle

Classification des systèmes automatisés de production,

Modélisation des systèmes industriels de production ( Flowshop, Jobshop, Systèmes hybrides, ...)

Optimisation des lignes de production

Eléments de réglage des lignes de production ( Taux d'équilibrage, temps de cycle, taux de production, retard d'équilibre ) et heuristiques d'équilibrage de lignes,

Techniques d'ordonnancement

Algorithmes d'ordonnancement de la production sur machine unique et sur machines parallèles, classification de Conway.

Répartition des heures

Modes de production industrielle : 5 h de théorie

Optimisation des lignes de production : 5 h de théorie

Techniques d'ordonnancement : 5 h de théorie

Méthodes d'enseignement

Modes de production industrielle : travaux de groupes, approche par projets, approche par situation problème, étude de cas

Optimisation des lignes de production : travaux de groupes, approche par projets, approche par situation problème, étude de cas

Techniques d'ordonnancement : travaux de groupes, approche par projets, approche par situation problème, étude de cas

Langues d'enseignement

Modes de production industrielle : français

Optimisation des lignes de production : français

Techniques d'ordonnancement : français

Supports

Modes de production industrielle : protocoles de laboratoires

Optimisation des lignes de production : protocoles de laboratoires

Techniques d'ordonnancement : protocoles de laboratoires

Ressources bibliographiques

Modes de production industrielle

Gestion de la production et des flux de Vincent GIARD

Optimisation des lignes de production

Gestion de la production et des flux de Vincent GIARD

Techniques d'ordonnancement

Gestion de la production et des flux de Vincent GIARD

Évaluation et pondération

Méthode d'évaluation : note globale à l'UE

Langues d'évaluation : français

Modalités d'évaluation :

Projet de recherche bibliographique et étude de cas en rapport avec les thématiques de la formation

Rédaction d'un rapport de synthèse et défense orale du projet 

100% des points sont attribués à ce projet.

Report de note d'une année à l'autre pour l'AA réussie en cas d'échec à l'UE :

Département des Sciences et technologies

2026-2027

Avenue Victor Maistriau 8a
7000 Mons

Fiche ects de l'unité d'enseignement #1526 intitulée :

Systèmes automatisés de production

Master en sciences de l'Ingénieur industriel / orientation Informatique / Cycle 2 Bloc 2
- option Automation et Systèmes embarqués

Informations

Responsable d'UE : Fabrice SCOPEL

Bloc : MA2 Info

Période : 1er quadrimestre

Durée : 80 h

Crédits : 5 ects

UE Prérequises : aucune

UE Corequises : aucune

Activités d'apprentissage (AA)

Connaissances et compétences préalables

Se référer au prérequis et au corequis.

Contribution aux objectifs du référentiel de compétences de l'ARES

Acquis d'apprentissage spécifiques

Contenu des AA

Systèmes et réseaux d'automatisation industrielle

  • Programmation avancée sur PLC, périphérie décentralisée, HMI et Drive.
  • Mise en réseaux de systèmes d'automatisation et de commande (pilotage industriel).

Projet de recherche et développement en systèmes automatisés de production

  • Effectuer la recherche algorithmique d’une solution optimale.
  • Mettre en place un réseau industriel adapté connectant automate, périphérie décentralisée et terminal.
  • Programmer l’automate, la périphérie décentralisée (PLC et IO Controller / Device), le terminal (HMI) et le drive.
  • Procéder à la mise en oeuvre complète d'une installation automatisée sur matériel de simulation et de laboratoire (bancs didactiques).

Répartition des heures

Systèmes et réseaux d'automatisation industrielle : 12 h de théorie, 28 h de travaux

Projet de recherche et développement en systèmes automatisés de production : 40 h d'exercices/Labos

Méthodes d'enseignement

Systèmes et réseaux d'automatisation industrielle : travaux de groupes, approche par projets, approche par situation problème, utilisation de logiciels

Projet de recherche et développement en systèmes automatisés de production : cours magistral, travaux de groupes, approche par projets, approche interactive, approche par situation problème, utilisation de logiciels, Travail en autonomie (présentiel / distanciel)

Langues d'enseignement

Systèmes et réseaux d'automatisation industrielle : français

Projet de recherche et développement en systèmes automatisés de production : français

Supports

Systèmes et réseaux d'automatisation industrielle : copies de présentations, syllabus, notes de cours, activités sur eCampus, protocoles de laboratoires

Projet de recherche et développement en systèmes automatisés de production : copies de présentations, syllabus, notes de cours, activités sur eCampus, protocoles de laboratoires

Ressources bibliographiques

Systèmes et réseaux d'automatisation industrielle

  • Concepts théoriques : Programmation & mise en réseau d’une solution automatisée complète, SCOPEL F. - notes de cours, HEH - Département des Sciences et technologies, 2025.
  • Applications : Travaux dirigés & Travaux pratiques, SCOPEL F. - notes de cours, HEH - Département des Sciences et technologies, 2025.
  • BERGER H., Automating With SIMATIC S7-1500 : Configuring, Programming and Testing With Step 7 Professional - Second Edition, Publicis Publishing, 2017.
  • BERGER, H., Automating with SIMATIC S7-1500 - First Edition, Publicis MCD Werbeagentur GmbH, 2014.
  • BERGER, H., Automating with STEP 7 in LAD and FBD: SIMATIC S7-300/400 Programmable Controllers - 5nd edition, Wiley VCH, 2012.
  • BERGER, H., Automating with SIMATIC: Integrated Automation with SIMATIC S7-300/400: Controllers, Software, Programming, Data Communication, Operator Control and Process Monitoring - second edition, Wiley VCH, 2004.

Sites internet :

  • Siemens Sitrain : Tests en ligne,
    https://www.sitrain-learning.siemens.com/FR/fr/rw78288/Tests-de-prérequis-en-ligne
    consulté le 22 août 2025.
  • Schneider Electric Education : Cahiers techniques & shémathèque
    http://www.schneider-electric.be/sites/belgium/fr/support/publication/publication-introduction.page
    consulté le 22 août 2025.

Projet de recherche et développement en systèmes automatisés de production

  • Concepts théoriques : Programmation & mise en réseau d’une solution automatisée complète, SCOPEL F. - notes de cours, HEH - Département des Sciences et technologies, 2025.
  • Applications : Travaux dirigés & Travaux pratiques, SCOPEL F. - notes de cours, HEH - Département des Sciences et technologies, 2025.
     
  • BERGER H., Automating With SIMATIC S7-1500 : Configuring, Programming and Testing With Step 7 Professional - Second Edition, Publicis Publishing, 2017.
  • BERGER, H., Automating with SIMATIC S7-1500 - First Edition, Publicis MCD Werbeagentur GmbH, 2014.
  • BERGER, H., Automating with STEP 7 in LAD and FBD: SIMATIC S7-300/400 Programmable Controllers - 5nd edition, Wiley VCH, 2012.
  • BERGER, H., Automating with SIMATIC: Integrated Automation with SIMATIC S7-300/400: Controllers, Software, Programming, Data Communication, Operator Control and Process Monitoring - second edition, Wiley VCH, 2004.

Sites internet :

  • Siemens Sitrain : Tests en ligne,
    https://www.sitrain-learning.siemens.com/FR/fr/rw78288/Tests-de-prérequis-en-ligne
    consulté le 22 août 2025.
  • Schneider Electric Education : Cahiers techniques & shémathèque
    http://www.schneider-electric.be/sites/belgium/fr/support/publication/publication-introduction.page
    consulté le 22 août 2025.

Évaluation et pondération

Méthode d'évaluation : note globale à l'UE

Langues d'évaluation : français

Modalités d'évaluation :

  • A.A : Systèmes et réseaux d'automatisation industrielle : 20%
            > Évaluation continue ; non remédiable en 2ème session.
  • A.A : Projet en systèmes automatisés de production : 80%.
            > Examen oral / PC : Défense du projet de fin d'année.

Report de note d'une année à l'autre pour l'AA réussie en cas d'échec à l'UE :

Département des Sciences et technologies

2026-2027

Avenue Victor Maistriau 8a
7000 Mons

Fiche ects de l'unité d'enseignement #1527 intitulée :

Instrumentation et régulation

Master en sciences de l'Ingénieur industriel / orientation Informatique / Cycle 2 Bloc 2
- option Automation et Systèmes embarqués

Informations

Responsable d'UE : Laëtitia ISIDORO

Bloc : MA2 Info

Période : 1er quadrimestre

Durée : 30 h

Crédits : 2 ects

UE Prérequises : aucune

UE Corequises : aucune

Activités d'apprentissage (AA)

Connaissances et compétences préalables

Contribution aux objectifs du référentiel de compétences de l'ARES

Acquis d'apprentissage spécifiques

- Reconnaître, câbler et calibrer les différents types de capteurs.

- Interpréter et comprendre les données renseignées sur une plaque signalétique.

- Contrôler une chaîne de mesure de grandeur physique (niveau, température, débit, vitesse…).

- Etablir la communication avec un capteur analogique en utilisant le protocole HART.

- Paramétrer un afficheur à partir d’un logiciel. Intervenir pratiquement sur des boucles de régulation et des chaînes de mesure de grandeurs physiques en vue de réglages, diagnostic de défaut, réparation, optimisation.

- Aborder les systèmes régulés d’une manière physique et pratique.

- Paramétrer un régulateur et visualiser les courbes de réponse sur logiciel.

- Identifier les composants d’une boucle de régulation ainsi que leur câblage, de vérifier les signaux électriques (courant de boucle…), de consulter les paramètres et courbes de tendance en interprétant les valeurs relevées, de déterminer expérimentalement les paramètres « PID» en vue d’optimiser le fonctionnement. => en Miniusine II

- Identifier les composants informatiques Siemens et leur câblage, d’éditer le programme Siemens d’une installation existante, d’effectuer des modifications de ces programmes en utilisant la syntaxe appropriée, d’utiliser la console de programmation pour diagnostiquer un dysfonctionnement.=> en Miniusine III

Contenu des AA

Bancs d'essais d'instrumentation

Rappel des notions fondamentales de la régulation sur les systèmes asservis continus et discrets.

+ Formation extérieure de 1 jour à Technocampus sur le site Miniusines de Mons.

- jour 1 : Introduction sur l'instrumentation et la régulation.

NB: pour les autres jours de la formation voir la fiche de l'AA régulation

Régulation sur bancs d'essais et chaîne d'assemblage en miniusine

Rappel des notions fondamentales de la régulation sur les systèmes asservis continus et discrets.

+ Formation extérieure de 3 jours à Technocampus sur le site Miniusines de Mons.

- jour 2 : Mise en pratique des notions de régulation sur bancs d'essais didactiques (de température, vitesse, niveau et débit).

- jour 3: Miniusine II, mise en situation sur une reproduction d'une chaine d'assemblage industrielle en vue de la détermination expérimentale des paramètres de réglage d'une boucle de régulation pour optimiser le fonctionnement de l’installation.

- jour 4 : Miniusine III, mise en situation sur une reproduction d'une chaine d'assemblage industrielle pour le paramètrage et le dépannage d'automates programmables SIEMENS.

Répartition des heures

Bancs d'essais d'instrumentation : 2 h de théorie, 8 h de séminaires

Régulation sur bancs d'essais et chaîne d'assemblage en miniusine : 20 h de séminaires

Méthodes d'enseignement

Bancs d'essais d'instrumentation : travaux de groupes, approche par situation problème, activités pédagogiques extérieures, étude de cas, utilisation de logiciels

Régulation sur bancs d'essais et chaîne d'assemblage en miniusine : travaux de groupes, approche par situation problème, activités pédagogiques extérieures, étude de cas, utilisation de logiciels

Langues d'enseignement

Bancs d'essais d'instrumentation : français

Régulation sur bancs d'essais et chaîne d'assemblage en miniusine : français

Supports

Bancs d'essais d'instrumentation : copies de présentations, protocoles de laboratoires

Régulation sur bancs d'essais et chaîne d'assemblage en miniusine : copies de présentations, protocoles de laboratoires

Ressources bibliographiques

Bancs d'essais d'instrumentation

-

Régulation sur bancs d'essais et chaîne d'assemblage en miniusine

-

Évaluation et pondération

Méthode d'évaluation : note globale à l'UE

Langues d'évaluation : français

Modalités d'évaluation :

Evaluation continue (sur place) + rapports écrits=> 100% de l'UE

Report de note d'une année à l'autre pour l'AA réussie en cas d'échec à l'UE :

Département des Sciences et technologies

2026-2027

Avenue Victor Maistriau 8a
7000 Mons

Fiche ects de l'unité d'enseignement #3624 intitulée :

Compléments en Machine learning

Master en sciences de l'Ingénieur industriel / orientation Informatique / Cycle 2 Bloc 2
- option Intelligence artificielle et Big Data

Informations

Responsable d'UE : Jean-Sébastien LERAT

Bloc : MA2 Info

Période : 1er quadrimestre

Durée : 60 h

Crédits : 5 ects

UE Prérequises : aucune

UE Corequises : aucune

Activités d'apprentissage (AA)

Connaissances et compétences préalables

Maîtrise des prérequis et des acquis d'apprentissage de l'unité d'enseignement Intelligence artificielle de la première année de master en sciences de l'ingénieur industriel en informatique de la haute école en Hainaut.

Contribution aux objectifs du référentiel de compétences de l'ARES

Acquis d'apprentissage spécifiques

Contenu des AA

Machine learning et Deep learning

  • Classification
  • Clustering
  • SVM, Decision Trees, DBScan, K-means, Hierarchical Clustering, k-NN
  • Training set, Validation set, Test set
  • k-cross fold validation
  • Activation functions
  • Loss functions
  • Backpropagation
  • Perceptron
  • Multi-layer Perceptron
  • Convolutional Neural Network (Convolution, Pooling)
  • Recurrent Neural Networks (RNN, LSTM)
  • Generative Adversarial Networks
  • Autoencoders
  • Deep Reinforcement Learning (Deep Q-Learning)
  • Time Series Forecasting
  • Transfert Learning
  • Compression
  • Object Detection
  • Transformers

Projet de recherche et développement en Machine learning

Challenges :

  1. Convolutional Neural Network
  2. Generative Adversarial Networks
  3. Time Series Forecasting

Répartition des heures

Machine learning et Deep learning : 14 h de théorie, 7 h d'exercices/Labos

Projet de recherche et développement en Machine learning : 1 h de théorie, 1 h d'exercices/Labos, 37 h de travaux

Méthodes d'enseignement

Machine learning et Deep learning : cours magistral, approche par situation problème, approche avec TIC, utilisation de logiciels

Projet de recherche et développement en Machine learning : approche par projets, approche avec TIC, utilisation de logiciels

Langues d'enseignement

Machine learning et Deep learning : français

Projet de recherche et développement en Machine learning : français

Supports

Machine learning et Deep learning : copies de présentations, notes d'exercices

Projet de recherche et développement en Machine learning : copies de présentations, activités sur eCampus

Ressources bibliographiques

Machine learning et Deep learning

Dua, S. & Du, X. (2016). Data Mining and Machine Learning in Cybersecurity. CRC Press
Talbi, E.G. (2009). Metaheuristics: From Design to Implementation. Wiley
Shoham, Y. & Leyton-Brown, K. (2008). Multiagent Systems: Algorithmic, Game-Theoretic, and Logical Foundations. Cambridge
University Press
Nowak, M.A. (2006). Evolutionary Dynamics. Harvard University Press
Osborne, M.J. (2009). An Introduction to Game Theory. Oxford University Press
Borne, P., Benrejeb, M. & Haggège, J. (2007). Les réseaux de neurones: présentation et applications. Éditions Technip
Sutton, R.S. (2012). Reinforcement Learning. Springer US
Lin, C.T. & Lee, C.S.G. (1996). Neural Fuzzy Systems: A Neuro-fuzzy Synergism to Intelligent Systems. Prentice Hall PTR
Conway, D., & White, J. M. (2012). Machine learning for hackers: Case studies and algorithms to get you started. O’Reilly Media.
Dua, S., & Du, X. (2011). Data mining and machine learning in cybersecurity. Auerbach Publications.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning (adaptive computation and machine learning series). The MIT Press.
Machine learning in cyber trust: Security, privacy, and reliability. (2009). Springer.
Patterson, J., & Gibson, A. (2017). Deep learning: A practitioner’s approach. O’Reilly Media.

Projet de recherche et développement en Machine learning

-

Évaluation et pondération

Méthode d'évaluation : note globale à l'UE

Langues d'évaluation : français, anglais

Modalités d'évaluation :

Le résultat des challenges (précision, classement) ainsi que l'évaluation du rapport permettent d'attribuer une note au projet.
Un examen oral permet d'attribuer une note à l'activité académique "Machine Learning et Deep Learning".
La note finale est une moyenne de ces deux notes.
Toutefois, un travail de qualité (justifications et fondement théorique requis dans le rapport) à l'activité d'apprentissage "Projet en Machine Learning" peut dispenser l'étudiant d'un examen oral.

Report de note d'une année à l'autre pour l'AA réussie en cas d'échec à l'UE :

Département des Sciences et technologies

2026-2027

Avenue Victor Maistriau 8a
7000 Mons

Fiche ects de l'unité d'enseignement #3625 intitulée :

Natural language processing

Master en sciences de l'Ingénieur industriel / orientation Informatique / Cycle 2 Bloc 2
- option Intelligence artificielle et Big Data

Informations

Responsable d'UE : Jean-Sébastien LERAT

Bloc : MA2 Info

Période : 1er quadrimestre

Durée : 15 h

Crédits : 1 ects

UE Prérequises : aucune

UE Corequises : aucune

Activité d'apprentissage (AA)

Connaissances et compétences préalables

Maîtrise des prérequis et des acquis d'apprentissage de l'unité d'enseignement Intelligence artificielle de la première année de master en sciences de l'ingénieur industriel en informatique de la haute école en Hainaut.

Contribution aux objectifs du référentiel de compétences de l'ARES

Acquis d'apprentissage spécifiques

Contenu de l'AA

  • Terminologie
  • Expression régulière
  • Grammaire
  • Tokenization
  • Stemming (Racinisation/désuffixation) & Lemmatization
  • Métrique (Edit Distance, Cosine)
  • N-gram Language Models
  • Naive Bayes
  • Semantic
  • Large language models
  • Speech Tagging

Répartition des heures

10 h de théorie, 5 h d'exercices/Labos

Méthodes d'enseignement

Cours magistral, approche par projets, approche avec TIC

Langues d'enseignement

Français

Supports

Copies de présentations, protocoles de laboratoires

Ressources bibliographiques

Jurafsky, D., & Martin, J. H. (2009). Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition.

Jurafsky, D., & Martin, J. H. (2024, 3th draft). Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition with Language Models.

Nugues, P. M. (2006). An Introduction to Language Processing with Perl and Prolog: An Outline of Theories, Implementation, and Application with Special Consideration of English, French, and German. Allemagne: Springer Berlin Heidelberg.

Rao, D., McMahan, B. (2019). Natural Language Processing with PyTorch: Build Intelligent Language Applications Using Deep Learning. (n.p.): O'Reilly Media.

Tunstall, L., Werra, L. v., Wolf, T. (2022). Natural Language Processing with Transformers, Revised Edition. États-Unis: O'Reilly Media.

Vajjala, S., Majumder, B., Gupta, A., Surana, H. (2020). Practical Natural Language Processing: A Comprehensive Guide to Building Real-World NLP Systems. États-Unis: O'Reilly Media.

Évaluation et pondération

Méthode d'évaluation : note globale à l'UE

Langues d'évaluation : français, anglais

Modalités d'évaluation :

Evaluation et présentation d'un travail à réaliser en groupe (1 ou 2 personnes).

Département des Sciences et technologies

2026-2027

Avenue Victor Maistriau 8a
7000 Mons

Fiche ects de l'unité d'enseignement #3626 intitulée :

Computer vision

Master en sciences de l'Ingénieur industriel / orientation Informatique / Cycle 2 Bloc 2
- option Intelligence artificielle et Big Data

Informations

Responsable d'UE : Kevin GAUSSIN

Bloc : MA2 Info

Période : 1er quadrimestre

Durée : 30 h

Crédits : 2 ects

UE Prérequises : aucune

UE Corequises : aucune

Activité d'apprentissage (AA)

Connaissances et compétences préalables

Bonnes bases en programmation en Python (structures de contrôle, fonctions, modules, manipulation de données) ou en C++.

Contribution aux objectifs du référentiel de compétences de l'ARES

Acquis d'apprentissage spécifiques

Contenu de l'AA

  • Introduction et outils : rappel Python, installation OpenCV, principes généraux.
  • Manipulation d’images : lecture, affichage, conversions, ROI, transformations géométriques.
  • Histogrammes et contraste : calcul, visualisation, égalisation, LUT.
  • Filtres spatiaux : réduction de bruit (moyenneur, gaussien, médian), détection de contours (Sobel, Laplacien, Canny), accentuation.
  • Morphologie mathématique : seuillage, érosion, dilatation, ouverture/fermeture.
  • Contours et formes : détection, approximation, bounding boxes, calcul d’aire et de périmètre.
  • Analyse de vidéos : traitement image par image, détection de points d’intérêt (Shi-Tomasi), flot optique (Lucas-Kanade).
  • Transformations avancées : homographie, redressement de perspective.
  • Segmentation et tracking couleur : espace HSV, masquage, suivi d’objet.
  • Applications et ouverture : mise en lien avec l’IA (détection d’objets, reconnaissance d’actions).

Répartition des heures

8 h de théorie, 22 h d'exercices/Labos

Méthodes d'enseignement

Cours magistral, utilisation de logiciels

Langues d'enseignement

Français, anglais

Supports

Copies de présentations, notes de cours, notes d'exercices

Ressources bibliographiques

* Computer Vision: Algorithms and Applications (Richard Szeliski / Springer 2023)

* Raspberry Pi Computer Vision Programming (Packt 2020)

* Learning OpenCV 4 Computer Vision with Python 3 (Packt 2020)

Évaluation et pondération

Méthode d'évaluation : note globale à l'UE

Langues d'évaluation : français, anglais

Modalités d'évaluation :

  • 20% participation (non rejouable en 2e session).
  • 80% remise des TP.

Fiche indisponible

Cette fiche ects d'UE 2026-2027 est indisponible.

Consulter la version de l'année 2025-2026

Fiche indisponible

Cette fiche ects d'UE 2026-2027 est indisponible.

Consulter la version de l'année 2025-2026

Fiche indisponible

Cette fiche ects d'UE 2026-2027 est indisponible.

Consulter la version de l'année 2025-2026

Département des Sciences et technologies

2026-2027

Avenue Victor Maistriau 8a
7000 Mons

Fiche ects de l'unité d'enseignement #1529 intitulée :

Projet de fin d'études en entreprise

Master en sciences de l'Ingénieur industriel / orientation Informatique / Cycle 2 Bloc 2

Informations

Responsable d'UE : Samuel CREMER

Bloc : MA2 Info

Période : 1er et 2e quadrimestres

Durée : 370 h

Crédits : 30 ects

UE Prérequises : aucune

UE Corequises : aucune

Activités d'apprentissage (AA)

Connaissances et compétences préalables

Cours de BA1, BA2, BA3 et Master 1

Contribution aux objectifs du référentiel de compétences de l'ARES

Acquis d'apprentissage spécifiques

Contenu des AA

TFE

Réalisation d'un travail de "niveau ingénieur" en entreprise avec rédaction d'un rapport conséquent ainsi qu'une défense orale devant un jury composé d'enseignants et de représentants du monde industriel.

Stages

L’objectif essentiel du stage est d’apporter à l’étudiant une application en entreprise des enseignements dispensés dans sa formation. Il doit permettre à celui-ci de se familiariser avec les diverses fonctions de l’ingénieur et de s’intégrer à la vie d’une entreprise tout en se consacrant à un projet technique sous la responsabilité d’un maître de stage, lui-même ingénieur de formation.

Le cahier des charges du projet technique sera validé par les responsables académiques qui jugeront de la pertinence du sujet proposé et de son adéquation avec le niveau requis pour nos formations d’ingénieur.

Cette activité d’insertion professionnelle fera l’objet d’un rapport de synthèse écrit qui sera défendu publiquement. 

Le stage est couplé au TFE et la durée minimale est de 18 semaines.

Répartition des heures

TFE : 225 h d'AIP

Stages : 145 h d'AIP

Méthodes d'enseignement

TFE : approche par projets, approche par situation problème, approche avec TIC, activités pédagogiques extérieures, étude de cas, utilisation de logiciels, séance d'informations sur les TFE

Stages : Stage en entreprise

Langues d'enseignement

TFE : français, anglais

Stages : français

Supports

TFE : guide du TFE

Stages : Guide du stage de seconde master

Ressources bibliographiques

TFE

-

Stages

-

Évaluation et pondération

Méthode d'évaluation : note globale à l'UE

Langues d'évaluation : français, anglais

Modalités d'évaluation :

Les 30 ECTS de l'UE sont répartis de cette façon :
- 18 ECTS pour le TFE
- 12 ECTS pour le Stage

Veuillez lire le du guide du PFE sur eCampus pour prendre connaissance de toutes les échéances, obligations et spécificités. Le non respect de ces obligations peut entrainer 0/20 à l'UE.

L’acquisition des compétences sera évaluée à hauteur de :

0 % lors de la défense orale de l'état d'avancement *
15 % par le promoteur interne
15 % par le promoteur externe**
20 % pour le comité de lecture
20 % pour la défense interne
30 % pour la défense externe

*Bien que non cotée, cette présentation est obligatoire (voir section 7 du guide PFE)
** Pour les étudiants en mobilité = la note reprise sur le certificat de mobilité stage.

Report de note d'une année à l'autre pour l'AA réussie en cas d'échec à l'UE :