Département des Sciences et technologies

2026-2027

Master en Sciences de l'Ingénieur industriel orientation Life data technologies / Cycle 2 Bloc 1

UE Quad 1HeuresECTSÉval.
Langue 14 h2UE
Anglais 14 h
Bases de données avancées39 h4UE
Bases de données relationnelles : cours avancé18 h
Big Data et systèmes NoSQL9 h
Architectures serveurs12 h
Projet entrepreneurial et managérial28 h2UE
Projet entrepreneurial20 h
Intercultural communication8 h
Analyse spectrale58 h4UE
Analyse spectrale : théorie42 h
Analyse spectrale : laboratoires16 h
Langage R et bioinformatique50 h4UE
Introduction à la programmation R20 h
Application du langage R à la transcriptomique30 h
Génie enzymatique 52 h4UE
Génie enzymatique 36 h
Laboratoires de génie enzymatique16 h
Culture cellulaire18 h2UE
Culture cellulaire20 h
Capteurs24 h2UE
Biocapteurs24 h
Project management15 h1UE
Project management15 h
Business intelligence33 h3UE
Analyse et extraction de données21 h
OLAP and reporting12 h
Programmation scientifique24 h2UE
Programmation scientifique24 h
UE Quad 2HeuresECTSÉval.
Intelligence artificielle24 h2UE
Intelligence artificielle12 h
Machine learning12 h
Sequençage nouvelle génération30 h3UE
Initiation aux NGS30 h
Informatique pour le séquençage60 h5UE
Exploitation des ressources bioinformatiques30 h
High-throughput sequencing algorithms30 h
Annotation d'un génome30 h2UE
Annotation d'un génome : études de cas30 h
Biostatistiques 144 h4UE
Initiation aux biostastistiques44 h
Analyse bioinformatique du protéome20 h2UE
Analyse des données protéomiques20 h
Préparation au milieu professionnel10 h1UE
Préparation au milieu professionnel10 h
Génie génétique46 h4UE
Génie génétique36 h
Laboratoire de génie génétique10 h
Architectures parallèles27 h2UE
Parallélisme : théorie9 h
Parallélisme : laboratoires18 h
Compléments en Big Data30 h2UE
Projet de recherche appliquée en Big Data30 h
International management and Human resources30 h3UE
Contemporary management pillars10 h
Human resources management10 h
International management10 h
Département des Sciences et technologies

2026-2027

Avenue Victor Maistriau 8a
7000 Mons

Fiche ects de l'unité d'enseignement #1496 intitulée :

Langue

Master en Sciences de l'Ingénieur industriel / orientation Informatique / Cycle 2 Bloc 1

Master en Sciences de l'Ingénieur industriel orientation Life data technologies / Cycle 2 Bloc 1

Informations

Responsable d'UE : Laurence REMACLE

Bloc : MA1 Info, MA1 LDT

Période : 1er quadrimestre

Durée : 14 h

Crédits : 2 ects

UE Prérequises : aucune

UE Corequises : aucune

Activité d'apprentissage (AA)

Connaissances et compétences préalables

Aucun prérequis formel n’est exigé pour cette activité d’apprentissage.

Les étudiants ont toutefois déjà suivi des activités d’apprentissage en anglais en Bac 1, Bac 2 et Bac 3 (ou passerelle). Il est dès lors attendu qu’ils disposent de connaissances de base en grammaire, vocabulaire, compréhension à la lecture et compréhension à l’audition.

Les éventuelles lacunes devront faire l’objet d’un travail personnel et autonome, en complément des activités proposées dans le cadre de l’activité d’apprentissage.

Contribution aux objectifs du référentiel de compétences de l'ARES

Acquis d'apprentissage spécifiques

À l’issue de l’activité d’apprentissage, l’étudiant devra être capable de :

Contenu de l'AA

L’activité d’apprentissage vise à préparer les étudiants à la présentation d’un test TOEIC officiel organisé au cours de l’année académique (session de janvier).

Lors de la première séance, les étudiants réalisent une simulation de test TOEIC afin d’évaluer leur niveau initial, d’identifier leurs points forts et leurs éventuelles difficultés et de déterminer les compétences qui devront faire l’objet d’un travail plus approfondi. Cette simulation a une visée diagnostique. Le résultat obtenu à cette simulation n’intervient pas dans la note finale.

Les séances suivantes sont principalement consacrées à des exercices de type TOEIC et portent notamment sur :

  • la compréhension à l’audition ;
  • la compréhension à la lecture ;
  • le vocabulaire général et professionnel ;
  • les structures grammaticales et syntaxiques fréquemment rencontrées ;
  • les stratégies de compréhension et de gestion du temps propres aux différentes parties du test.

Compte tenu du nombre limité d’heures de cours, les séances constituent avant tout un accompagnement et une préparation méthodologique au test. Elles ne peuvent, à elles seules, garantir l’acquisition du niveau linguistique attendu.

Un travail personnel régulier et autonome est donc indispensable, en particulier pour les étudiants dont le niveau initial est inférieur au niveau B2.

Afin de soutenir la progression des étudiants, des séances de remédiation ainsi que des tables de conversation sont organisées durant le premier quadrimestre. Ces dispositifs permettent aux étudiants de renforcer leurs connaissances linguistiques, de travailler leurs difficultés spécifiques et de développer davantage leur aisance en anglais.

Répartition des heures

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

Méthodes d'enseignement

Approche inductive, approche déductive, approche avec TIC

Langues d'enseignement

Anglais

Supports

Syllabus, notes de cours, activités sur eCampus

Ressources bibliographiques

  • ETS, Harvey, C. & Langner, D., Grammaire – Vocabulaire TOEIC®, Hachette Éducation.
  • Ressources et exercices officiels de préparation au TOEIC Listening & Reading proposés par ETS Global.
  • Ressources numériques, exercices interactifs et tests d’entraînement sélectionnés et communiqués par l’enseignant via Moodle.
  • Supports, exercices et documents complémentaires mis à disposition dans le cadre du cours.

Évaluation et pondération

Méthode d'évaluation : note globale à l'UE

Langues d'évaluation : anglais

Modalités d'évaluation :

L’évaluation repose sur la présentation d’un test TOEIC officiel au premier quadrimestre. L’objectif attendu est d’atteindre au minimum un score de 785/990, correspondant au niveau B2 du CECRL. 

Un score égal ou supérieur à 785/990 donne lieu à l’attribution d’une note comprise entre 12/20 et 20/20, selon la grille de conversion établie. 

785 - 810 = 12/20
811 - 836 = 13/20
837 - 862 = 14/20
863 - 888 = 15/20
889 - 913 = 16/20
914 - 939 = 17/20
840 - 964 = 18/20
965 – 989 = 19/20
990 = 20/20

Lorsqu’un étudiant dispose déjà d’un résultat à un test TOEIC officiel datant de moins de deux ans, celui-ci peut être pris en compte dans le cadre de l’évaluation et donner lieu à une dispense de présentation du test TOEIC. La note est alors attribuée sur la base du score obtenu, conformément à la grille de conversion prévue ci-dessus.

Sauf en cas de dispense accordée sur la base d’un test TOEIC officiel de moins de deux ans, la participation au test TOEIC officiel organisé au premier quadrimestre est obligatoire.

En cas d’absence non justifiée à ce test, l’étudiant obtient la note de 0/20 pour la première session. Il ne bénéficie pas de la possibilité de représenter la simulation organisée en avril/mai et est dès lors ajourné à la deuxième session, au cours de laquelle il devra représenter l’évaluation selon les modalités prévues.

En cas d’absence dûment justifiée, l'étudiant bénéficie de la possibilité de représenter la simulation organisée en avril/mai.


Lorsqu’un étudiant obtient un score inférieur à 785/990 au test TOEIC officiel, aucune note n’est attribuée à ce stade. L’étudiant bénéficie d’une deuxième chance au deuxième quadrimestre, sous la forme d’une simulation de test TOEIC organisée en avril/mai.

Le résultat obtenu lors de cette deuxième chance donne lieu à l’attribution d’une note selon la même grille de conversion :

  • un résultat inférieur à 785/990 correspond à une note comprise entre 0/20 et 9/20 ;
  • un résultat égal ou supérieur à 785/990 correspond à une note comprise entre 12/20 et 20/20.

0 - 78 = 0/20
79 - 157 = 1/20
158 - 235 = 2/20
236 - 314 = 3/20
315 - 392 = 4/20
393 - 471 = 5/20
472 - 549 = 6/20
550 - 628 = 7/20
629 - 706 = 8/20
707 - 784 = 9/20

785 - 810 = 12/20
811 - 836 = 13/20
837 - 862 = 14/20
863 - 888 = 15/20
889 - 913 = 16/20
914 - 939 = 17/20
840 - 964 = 18/20
965 – 989 = 19/20
990 = 20/20

En cas de non-réussite à l’issue de cette deuxième chance, l’étudiant peut représenter l’évaluation en deuxième session au mois d’août, selon les mêmes modalités et la même grille de conversion.

Département des Sciences et technologies

2026-2027

Avenue Victor Maistriau 8a
7000 Mons

Fiche ects de l'unité d'enseignement #1497 intitulée :

Bases de données avancées

Master en Sciences de l'Ingénieur industriel / orientation Informatique / Cycle 2 Bloc 1

Master en Sciences de l'Ingénieur industriel orientation Life data technologies / Cycle 2 Bloc 1

Informations

Responsable d'UE : Samuel CREMER

Bloc : MA1 Info, MA1 LDT

Période : 1er quadrimestre

Durée : 39 h

Crédits : 4 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

Bases de données relationnelles : cours avancé

Approfondissement des bases de données :

  • Les différentes structures d'indexation
  • Utilisation en fonction du contenu
  • Procédure stockées et Triggers
  • L'algèbre relationnelle
  • Mécanismes avancés

Big Data et systèmes NoSQL

Systèmes de base de données NoSQL :

  • Big Data et NoSQL
  • Key-Value stores (Redis, Kyoto Cabinet, Memcached, etc.)
  • Wide Column stores (Cassandra, HBase, etc.)
  • Document stores (MongoDB, CouchDB, etc.)
  • Graph DBMS, RDF stores, Search engines, etc.
  • MapReduce et Hadoop
  • SGBDR vs NoSQL

Architectures serveurs

Ce cours est divisé en 2 parties :

  1. Les spécificités du matériel de type serveur
  2. Des conseils pour le déploiement des serveurs de bases de données

Répartition des heures

Bases de données relationnelles : cours avancé : 15 h de théorie, 3 h d'exercices/Labos

Big Data et systèmes NoSQL : 9 h de théorie

Architectures serveurs : 12 h de théorie

Méthodes d'enseignement

Bases de données relationnelles : cours avancé : cours magistral, approche interactive, approche par situation problème, approche avec TIC, étude de cas, utilisation de logiciels

Big Data et systèmes NoSQL : cours magistral, approche interactive, approche par situation problème, approche avec TIC, étude de cas, utilisation de logiciels

Architectures serveurs : cours magistral, approche interactive, approche avec TIC, étude de cas

Langues d'enseignement

Bases de données relationnelles : cours avancé : français

Big Data et systèmes NoSQL : français, anglais

Architectures serveurs : français

Supports

Bases de données relationnelles : cours avancé : copies de présentations, syllabus, activités sur eCampus

Big Data et systèmes NoSQL : copies de présentations

Architectures serveurs : copies de présentations

Ressources bibliographiques

Bases de données relationnelles : cours avancé

  • Base de données, les systèmes et leurs langages, Gardarin aux éditions Eyrolles
  • Des bases de données à l’Internet, Philippe Mahieu aux éditions Vuibert 2000.
  • High performance MySQL, B. Schwartz, P. Zaitsev et V. Tkachenko, O'Reilly, 2012

Big Data et systèmes NoSQL

  • NoSQL and SQL Data Modeling: Bringing Together Data, Semantics, and Software, Ted Hills, Technics Publications, 2017
  • Making sense of NoSQL, D. McCreary et A. Kelly, Manning publications, 2013

Architectures serveurs

  1. Documentations officielles des constructeurs de serveurs, de composants et des fournisseurs de SGBD
  2. Sites de comparatifs
  3. Architectures des systèmes informatique (BA2)

Évaluation et pondération

Méthode d'évaluation : note globale à l'UE

Langues d'évaluation : français

Modalités d'évaluation :

Les AA seront évaluées simultanément lors d'un examen écrit. Il n'y a donc pas de notes aux AA mais uniquement une note à l'UE. L'examen étant commun aux AA, aucune dispense partielle del'UE n'est envisageable.

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

Département des Sciences et technologies

2026-2027

Avenue Victor Maistriau 8a
7000 Mons

Fiche ects de l'unité d'enseignement #2354 intitulée :

Analyse spectrale

Master en Sciences de l'Ingénieur industriel orientation Life data technologies / Cycle 2 Bloc 1

Informations

Responsable d'UE : Aurélie SEMOULIN

Bloc : MA1 LDT

Période : 1er quadrimestre

Durée : 58 h

Crédits : 4 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

Ce cours sera dispensé en présentiel dans le cadre de la codiplomation avec la HELHa au sein des bâtiments de la HELHa et en commun avec les étudiants de Ma1 Ingénieur industriel orientation chimie et biochimie et les étudiants de MA2 en alternance en Génie analytique. Pour les dispositions pédagogiques complémentaires spécifiques à ce cours, aller voir la fiche ECTS du cours pour les étudiants de Ma1 Biochimie postée sur connectED.

A la fin du cours, l'étudiant(e) devra être capable :

A la fin du TP, l'étudiant(e) devra être capable :
 

Contenu des AA

Analyse spectrale : théorie

Méthodes analytiques de spectrométrie de masse (MS) - infrarouge (IR) - résonance magnétique nucléaire (RMN) :
principe de fonctionnement des appareillages, conditions d’utilisation, performances et exemples d’application.
 

Exercices : interprétation de spectres et identification de composés organiques et macromoléculaires par
combinaison des différentes techniques précitées.

Analyse spectrale : laboratoires

GC-FID et HPLC (traitement statistique des données)

Répartition des heures

Analyse spectrale : théorie : 42 h de théorie

Analyse spectrale : laboratoires : 16 h d'exercices/Labos

Méthodes d'enseignement

Analyse spectrale : théorie : cours magistral

Analyse spectrale : laboratoires : travaux de groupes

Langues d'enseignement

Analyse spectrale : théorie : français

Analyse spectrale : laboratoires : français

Supports

Analyse spectrale : théorie : copies de présentations, notes d'exercices, Tous les documents resources seront postés sur la plateforme en ligne de la HELHa (connectED) à laquelle l'étudiant est tenu de s'inscrire et de se connecter régulièrement pour recevoir les documents et informations utiles à sa formation

Analyse spectrale : laboratoires : protocoles de laboratoires

Ressources bibliographiques

Analyse spectrale : théorie

« Principe d’analyse instrumentale » par Skoog, West et Holle.
La bibliographie complète est mise à disposition sur connectED.

Analyse spectrale : laboratoires

Voir notes de travaux pratiques

Évaluation et pondération

Méthode d'évaluation : note globale à l'UE

Langues d'évaluation : français

Modalités d'évaluation :

La note de l'UE sera calculée sur base d'une moyenne géométrique pondérée de la manière suivante : 4 crédits pour le cours et 1 crédit pour le TP.

Evaluation et calcul de la note du cours : examen écrit composé d'une épreuve d'exercices valant pour 50 % de la note et de questions portant sur la théorie valant pour 50 % de la note.

Evaluation et calcul de la note du TP : 100 % de la note seront attribués à la rédaction des rapports de manipulation

Pour les dispositions complémentaires d'évaluation : voir fiche ECTS du cours pour les étudiants HELHa postée sur connectED.

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 #2355 intitulée :

Langage R et bioinformatique

Master en Sciences de l'Ingénieur industriel orientation Life data technologies / Cycle 2 Bloc 1

Informations

Responsable d'UE : Vincent BRANDERS

Bloc : MA1 LDT

Période : 1er quadrimestre

Durée : 50 h

Crédits : 4 ects

UE Prérequises : aucune

UE Corequises : aucune

Activités d'apprentissage (AA)

Connaissances et compétences préalables

- Principes de bases en biologie moléculaire et technologies de séquençage haut-débit (Illumina)
- Utiliser la ligne de commande (bash) dans un système LINUX/UNIX

Contribution aux objectifs du référentiel de compétences de l'ARES

Acquis d'apprentissage spécifiques

- Produire des figures scientifiques pertinentes et attractives en terme de visualisation mais également en terme de communication effective de résultats
- Familiarisation au language de programmation R, le Tidyverse, et Bioconductor, et leurs utilisation dans le cadre d'analyses de données de séquençage

Contenu des AA

Introduction à la programmation R

Au terme de l’AA Programmation R, l’étudiant sera capable :

   •   d’expliquer la syntaxe de base de R et d’utiliser des concepts tels que les boucles, fonctions et apply(s)
   •   d’identifier et de manipuler les types de données courants en R
   •   d’importer, lire et écrire des données dans différents formats (CSV, TSV, Excel, …)
   •   d’appliquer des opérations de base sur les données, telles que la sélection, le filtrage et le tri
   •   de créer des graphiques de base pour explorer et représenter des données et d’utiliser des packages tels que ggplot2 pour créer des visualisations plus avancées
   •   de réaliser de la manipulation avancée de données
   •   de respecter les conventions de codage R et de maintenir un code propre et bien documenté
   •   de collaborer efficacement en utilisant des outils de gestion de versions comme Git

Application du langage R à la transcriptomique

Au travers d'une analyse de données:

  1. Nettoyage de données et controle qualité
  2. Anonymisation
  3. Analyses bioinformatiques des données nettoyées: mapping, quantification, annotation
  4. Présentation des résultats sous la forme de présentation scientifique

Répartition des heures

Introduction à la programmation R : 5 h de théorie, 15 h d'exercices/Labos

Application du langage R à la transcriptomique : 10 h de théorie, 20 h d'exercices/Labos

Méthodes d'enseignement

Introduction à la programmation R : travaux de groupes, approche par projets, approche interactive, approche par situation problème

Application du langage R à la transcriptomique : travaux de groupes, approche par projets, approche interactive, approche par situation problème, approche déductive, étude de cas, utilisation de logiciels

Langues d'enseignement

Introduction à la programmation R : français, anglais

Application du langage R à la transcriptomique : français, anglais

Supports

Introduction à la programmation R : copies de présentations, notes d'exercices

Application du langage R à la transcriptomique : copies de présentations, notes d'exercices, Resources et scripts disponible via un répertoire GitHub public

Ressources bibliographiques

Introduction à la programmation R

- Collection de "cheat sheets" pour la programmation R, la manipulation de données, et la production de figures scientifiques: https://www.rstudio.com/resources/cheatsheets/ 
- Guide pour la création et validation de figures scientifiques: https://www.data-to-viz.com

- Grolemund, Garrett, and Hadley Wickham. 2017. R for Data Science. Sebastopol, CA: O’Reilly Media.

Application du langage R à la transcriptomique

- Collection de "cheat sheets" pour la programmation R, la manipulation de données, et la production de figures scientifiques: https://www.rstudio.com/resources/cheatsheets/ 
- Guide pour la création et validation de figures scientifiques: https://www.data-to-viz.com

Évaluation et pondération

Méthode d'évaluation : note globale à l'UE

Langues d'évaluation : français, anglais

Modalités d'évaluation :

La note finale est définie comme suit :

  • 40 % pour l'AA Introduction à la programmation R:
    • Évaluation continue
    • Réalisation d'un projet (dans la mesure où la progression du cours le permet)
  • 60 % pour l'AA Application du langage R à la transcriptomique
    • Une évaluation de la participation tout au long du cours (présence, attention, motivation, questions, réponses, etc.)
    • Une présentation sera réalisée à partir d’un cas concret de données "patients": de la compréhension, du traitement, de l'analyse jusqu'à l'interprétation, le tout entièrement codé en R.

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

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 #2440 intitulée :

Project management

Master en Sciences de l'Ingénieur industriel / orientation Informatique / Cycle 2 Bloc 1

Master en Sciences de l'Ingénieur industriel orientation Life data technologies / Cycle 2 Bloc 1

Informations

Responsable d'UE : Nicolas BOUILLON

Bloc : MA1 Info, MA1 LDT

Période : 1er quadrimestre

Durée : 15 h

Crédits : 1 ects

UE Prérequises : aucune

UE Corequises : aucune

Activité d'apprentissage (AA)

Connaissances et compétences préalables

Connaissance préalable de l'anglais (niveau moyen)

Contribution aux objectifs du référentiel de compétences de l'ARES

Acquis d'apprentissage spécifiques

Focalisation sur les habilités d'analyse, synthèse et jugement

Contenu de l'AA

1)Definitions of Project & Project Management
2)Methodologies
3)The Agile way of working
4)Classical vs Agile project management
5)The REAL life
6)Risk Management

Répartition des heures

15 h de théorie

Méthodes d'enseignement

Cours magistral, approche interactive, approche par situation problème

Langues d'enseignement

Anglais

Supports

Copies de présentations, notes de cours

Ressources bibliographiques

-

Évaluation et pondération

Méthode d'évaluation : note globale à l'UE

Langues d'évaluation : anglais

Modalités d'évaluation :

Examen oral en Anglais

1 question choisie au hasard pour 9 points

1 question choisie par l'enseignant pour 9 points

2 vrais ou faux choisis au hasard pour 1 point chacun: 1/2 pt si correct, 1/2 si l'explication courte est correcte, 0/1 si incorrect

Département des Sciences et technologies

2026-2027

Avenue Victor Maistriau 8a
7000 Mons

Fiche ects de l'unité d'enseignement #3487 intitulée :

Business intelligence

Master en Sciences de l'Ingénieur industriel / orientation Informatique / Cycle 2 Bloc 1
- option Intelligence artificielle et Big Data
- option Intelligence artificielle et Big Data - Passerelle

Master en Sciences de l'Ingénieur industriel orientation Life data technologies / Cycle 2 Bloc 1

Informations

Responsable d'UE : Samuel CREMER

Bloc : MA1 Info, MA1 LDT

Période : 1er quadrimestre

Durée : 33 h

Crédits : 3 ects

UE Prérequises : aucune

UE Corequises :

  • Bases de données avancées

Activités d'apprentissage (AA)

Connaissances et compétences préalables

Techniques de programmation avancées 1 (BA2)

Traitement de l'information (BA3)

Contribution aux objectifs du référentiel de compétences de l'ARES

Acquis d'apprentissage spécifiques

Être capable d'automatiser des flux de données à destination de l'informatique décisionnelle en utilisants des serveurs de bases de données, des ETL (Extract Transform Load) et des solutions de reporting

Contenu des AA

Analyse et extraction de données

  • Formats des données
  • API
  • Workflows
  • Utilisation d'un ETL (Extract Transform Load)

OLAP and reporting

  • Data Warehouse
  • OLAP et cubes multidimensionnels
  • Modélisation (Star-Schema, Snowflakes, etc.)
  • Utilisation d'un outil de reporting

Répartition des heures

Analyse et extraction de données : 3 h de théorie, 18 h d'exercices/Labos

OLAP and reporting : 5 h de théorie, 7 h d'exercices/Labos

Méthodes d'enseignement

Analyse et extraction de données : cours magistral, travaux de groupes, approche par projets, approche interactive, approche par situation problème, approche avec TIC

OLAP and reporting : cours magistral, travaux de groupes, approche par projets, approche interactive, approche par situation problème, approche avec TIC

Langues d'enseignement

Analyse et extraction de données : français

OLAP and reporting : français, anglais

Supports

Analyse et extraction de données : copies de présentations

OLAP and reporting : copies de présentations

Ressources bibliographiques

Analyse et extraction de données

  • Thomas C. Hammergren and Alan R. Simon: Data Warehousing forDummies (2nd Edition). Wiley Publishing, 2009
  • Paulraj Ponniah: Data Warehousing. Fundamentals for IT professionals(2nd Edition). John Wiley & Sons, 2010
  • Oded Maimon, Lior Rokach (Eds.): The Data Mining and KnowledgeDiscovery Handbook (2nd Edition). Springer, 2010

OLAP and reporting

  • Thomas C. Hammergren and Alan R. Simon: Data Warehousing forDummies (2nd Edition). Wiley Publishing, 2009
  • Paulraj Ponniah: Data Warehousing. Fundamentals for IT professionals(2nd Edition). John Wiley & Sons, 2010
  • Oded Maimon, Lior Rokach (Eds.): The Data Mining and KnowledgeDiscovery Handbook (2nd Edition). Springer, 2010

Évaluation et pondération

Méthode d'évaluation : note globale à l'UE

Langues d'évaluation : français, anglais

Modalités d'évaluation :

Les étudiants devront réaliser un projet en groupe et l'accompagner d'un rapport. Ces 2 délivrables seront évalués ainsi que la participation/implication des étudiants durant les heures dédiées au 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 #3492 intitulée :

Programmation scientifique

Master en Sciences de l'Ingénieur industriel / orientation Informatique / Cycle 2 Bloc 1

Master en Sciences de l'Ingénieur industriel orientation Life data technologies / Cycle 2 Bloc 1

Informations

Responsable d'UE : Jean-Sébastien LERAT

Bloc : MA1 Info, MA1 LDT

Période : 1er quadrimestre

Durée : 24 h

Crédits : 2 ects

UE Prérequises : aucune

UE Corequises : aucune

Activité d'apprentissage (AA)

Connaissances et compétences préalables

Maîtrrise de la programmation procédirale, impérative et orientée objets

Connaissances mathématiques acquises dans les activités des blocs précédents

Contribution aux objectifs du référentiel de compétences de l'ARES

Acquis d'apprentissage spécifiques

Contenu de l'AA

  • Recherche reproductible (randomness)
  • Erreurs numériques : overflow/underflow, erreurs d'arrondi, conditionnement, perte de mémorie, addition/logarithme
  • R : langage, test d'hypothèses (t-test, Wilcoxon, Regression), graphique, RStudio
  • Julia : langage, séries temporelles, valeurs manquantes, équations différentielles, algorithmes d'optimisation, graphique

Répartition des heures

8 h de théorie, 16 h d'exercices/Labos

Méthodes d'enseignement

Cours magistral, approche interactive, approche avec TIC, étude de cas, utilisation de logiciels

Langues d'enseignement

Français, anglais

Supports

Copies de présentations

Ressources bibliographiques

Gandrud, C. (2018). Reproducible research with R and R studio. Chapman and Hall/CRC.
Wickham, H., Çetinkaya-Rundel, M., & Grolemund, G. (2023). R for data science. " O'Reilly Media, Inc.".
Grolemund, G. (2014). Hands-on programming with R: Write your own functions and simulations. " O'Reilly Media, Inc.".
Verzani, J. (2011). Getting started with RStudio. " O'Reilly Media, Inc.".
Kronthaler, F., & Zöllner, S. (2021). Data analysis with RStudio. An Easygoing Introduction, 7-131.
Horton, N. J., & Kleinman, K. (2015). Using R and RStudio for data management, statistical analysis, and graphics. CRC Press.

 

Nazarathy, Y., & Klok, H. (2021). Statistics with Julia: fundamentals for data science, machine learning and artificial intelligence. Springer Nature.
Klok, H., & Nazarathy, Y. (2019). Statistics with julia: Fundamentals for data science, machine learning and artificial intelligence.
Heitzinger, C. (2022). Algorithms with JULIA: Optimization, Machine Learning, and Differential Equations Using the JULIA Language. Springer Nature.
Kaminski, B. (2023). Julia for Data Analysis. Manning Publications .
Kumar Dash, S. (2021). Hands-On Julia Programming: An Authoritative Guide to the Production-Ready Systems in Julia. BPB Publications.
Lauwens, B., & Downey, A. (2019). Think Julia: How to Think Like a Computer Scientist." O'Reilly Media, Inc.".

Évaluation et pondération

Méthode d'évaluation : note globale à l'UE

Langues d'évaluation : français, anglais

Modalités d'évaluation :

100% Travail à réaliser pour l'examen (dont travaux durant l'année)

Département des Sciences et technologies

2026-2027

Avenue Victor Maistriau 8a
7000 Mons

Fiche ects de l'unité d'enseignement #3495 intitulée :

Intelligence artificielle

Master en Sciences de l'Ingénieur industriel / orientation Informatique / Cycle 2 Bloc 1
- option Automation et Systèmes embarqués
- option Intelligence artificielle et Big Data
- option Gestion

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

Master en Sciences de l'Ingénieur industriel orientation Life data technologies / Cycle 2 Bloc 1

Informations

Responsable d'UE : Jean-Sébastien LERAT

Bloc : MA1 Info, MA0 Info, MA1 LDT

Période : 2e quadrimestre

Durée : 24 h

Crédits : 2 ects

UE Prérequises : aucune

UE Corequises : aucune

Activités d'apprentissage (AA)

Connaissances et compétences préalables

Maîtrise des concepts de programmations

Maîtrises de concepts mathématiques du bachelier

Contribution aux objectifs du référentiel de compétences de l'ARES

Acquis d'apprentissage spécifiques

Contenu des AA

Intelligence artificielle

  • Définition de la terminologie (intelligence artificielle, agent, environnement, rationalité, ...)
  • Résolution de problème par exploration (heuristique, environnement complexe, contraintes, backtracking, théorie des jeux ...)
  • Connaissances, raisonnement et planification (agent basé sur les connaissances, logique du premier ordre, inférence, représentation de connaissances, planification automatique, ...)
  • Incertitudes (quantification, raisonnement probabiliste, prise de décision, processus de décision markovien, multi-agents, programmation probabiliste)

Machine learning

  • Définition de la terminologie (machine learning, data mining, deep learning, ...)
  • Régression linéaire
  • Formulation logique
  • Modèles probabilistes
  • Chaîne de markov
  • Logique floue
  • Apprentissage par renforcement
  • Métaheuristique

Répartition des heures

Intelligence artificielle : 7 h de théorie, 4 h d'exercices/Labos, 1 h de travaux

Machine learning : 7 h de théorie, 4 h d'exercices/Labos, 1 h de travaux

Méthodes d'enseignement

Intelligence artificielle : cours magistral, approche par projets, approche interactive, approche par situation problème, approche avec TIC, utilisation de logiciels

Machine learning : cours magistral, approche par projets, approche interactive, approche par situation problème, approche avec TIC, utilisation de logiciels

Langues d'enseignement

Intelligence artificielle : français, anglais

Machine learning : français, anglais

Supports

Intelligence artificielle : copies de présentations

Machine learning : copies de présentations

Ressources bibliographiques

Intelligence artificielle

Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach, Global Edition, 4th Foundations, vol. 19.

Osborne, M. J. (2009). An Introduction to Game Theory: International ed. NY: Oxford University PressInc.

Shoham, Y. & Leyton-Brown, K. (2008). Multiagent Systems: Algorithmic, Game-Theoretic, and Logical Foundations. Cambridge University Press

Machine learning

Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach, Global Edition, 4th Foundations, vol. 19.

Talbi, E.G. (2009). Metaheuristics: From Design to Implementation. Wiley

Nowak, M.A. (2006). Evolutionary Dynamics. Harvard University Press

Mohri, M., Rostamizadeh, A., & Talwalkar, A. (2018). Foundations of machine learning. MIT press.

Évaluation et pondération

Méthode d'évaluation : note globale à l'UE

Langues d'évaluation : français, anglais

Modalités d'évaluation :

20% d'évaluation continue non remédiable

80% d'examen oral

Note : un concours d'intelligence artificiel est organisé dans le cadre du cours. Les étudiants qui ont réalisé un travail remarquable (évalué par l'enseignant sur base du travail et du résultat au concours) peuvent obtenir une note et être dispensé de l'examen oral (la note du travail est alors assimilée à celle de l'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 #2362 intitulée :

Sequençage nouvelle génération

Master en Sciences de l'Ingénieur industriel orientation Life data technologies / Cycle 2 Bloc 1

Informations

Responsable d'UE : John RIVIERE

Bloc : MA1 LDT

Période : 2e quadrimestre

Durée : 30 h

Crédits : 3 ects

UE Prérequises : aucune

UE Corequises : aucune

Activité d'apprentissage (AA)

Connaissances et compétences préalables

Notions de biologie moléculaire et génie génétique.

Contribution aux objectifs du référentiel de compétences de l'ARES

Acquis d'apprentissage spécifiques

- Comprendre les principes fondamentaux du Séquençage Nouvelle Génération (NGS)
- Comprendre les différentes technologies disponibles aujourd’hui (Illumina, IonTorrent,…)
- Comprendre les bases des protocoles (matériel de départ, construction des librairies, séquençage, validation
des résultats, interprétation,…)

Contenu de l'AA

(1) Rappel des notions de base de manipulation d’ADN, construction de librairies,… 
(2) Présentation des nouvelles méthodes de séquençage d’ADN:
(2.1) La méthode de séquençage par détection de protons («Post-light» Ion Torrent technologie) 
(2.2) La méthode de séquençage par synthèse, terminateurs réversibles (Illumina et Qiagen)
(2.3) Les techniques Pacific Biosciences et Oxford Nanopore
(3) Applications : 
(3.1) Réalisation d'un séquençage ciblé sur une plateforme Illumina MiSeq (extraction d'ADN, PCR cible, Index PCR, sequençage).

Répartition des heures

5 h de théorie, 15 h d'exercices/Labos, 5 h de travaux, 5 h de séminaires

Méthodes d'enseignement

Cours magistral, travaux de groupes, activités pédagogiques extérieures, étude de cas, utilisation de logiciels

Langues d'enseignement

Français, anglais

Supports

Copies de présentations, notes de cours, protocoles de laboratoires

Ressources bibliographiques

Les ressources bibliographiques sont reprises dans les notes de cours.

Évaluation et pondération

Méthode d'évaluation : note globale à l'UE

Langues d'évaluation : français

Modalités d'évaluation :

- Examen écrit : travail de groupe sur base d'une étude de cas (les consignes de rédaction seront fournies aux étudiants). Représente 70 % de la note finale. 

- Présentation orale le jour de l'examen afin de défendre le rapport d'étude de cas (des membres extérieurs pourraient être invités lors de cette présentation). Représente 30 % de la note finale.

Département des Sciences et technologies

2026-2027

Avenue Victor Maistriau 8a
7000 Mons

Fiche ects de l'unité d'enseignement #2365 intitulée :

Informatique pour le séquençage

Master en Sciences de l'Ingénieur industriel orientation Life data technologies / Cycle 2 Bloc 1

Informations

Responsable d'UE : Vincent BRANDERS

Bloc : MA1 LDT

Période : 2e quadrimestre

Durée : 60 h

Crédits : 5 ects

UE Prérequises : aucune

UE Corequises : aucune

Activités d'apprentissage (AA)

Connaissances et compétences préalables

Séquencage nouvelle génération1 et services web bioinformatique
 

High-throughput sequencing algorithms :

Contribution aux objectifs du référentiel de compétences de l'ARES

Acquis d'apprentissage spécifiques

Capacité à définir le processus adéquat pour traiter des données NGS dans le cadre d'une recherche en particulier.
Aptitude à exploiter les ressources existantes pour les intégrer à un projet de recherche.

Contenu des AA

Exploitation des ressources bioinformatiques

L'amplification du recours aux techniques NGS dans tous les pans de la recherche biologique aboutit à l'engorgement quotidien de ce type de données dans leur différentes phases de maturation ; données brutes, filtrées,nettoyées, assemblées, corrigées. Nous allons adresser ces questions en puisant abondamment au sein des banques afin de répéter les différentes étapes de finalisation allant des données brutes initiales pour finir par un résultat d'analyse complet : génome complet, analyse des variations dans le profil d'expression par exemple. Nous allons "rejouer" les travaux effectués lors des stages/TFEs des étudiants des annéesprécédentes lorsque les dites données sont rendues publiques.

High-throughput sequencing algorithms

  • Rappels du séquençage à haut débit (NGS) et à ses applications.
  • Algorithmes d’alignement de séquences (Needleman-Wunsch, Smith-Waterman, BLAST).
  • Concepts de k-mers et leur utilisation dans l’assemblage de génomes (graphes de De Bruijn, filtres de Bloom).
  • Assemblage de novo et problèmes liés aux séquences répétitives dans les génomes.
  • Gestion des erreurs de séquençage, et méthodes de correction des erreurs (ex. : normalisation digitale, correction des erreurs par k-mers).
  • Étude des structures de données pour les séquences et indexage : arbres de suffixes, tries, et index de suffixes.

Répartition des heures

Exploitation des ressources bioinformatiques : 10 h de théorie, 20 h d'exercices/Labos

High-throughput sequencing algorithms : 15 h de théorie, 15 h d'exercices/Labos

Méthodes d'enseignement

Exploitation des ressources bioinformatiques : cours magistral, travaux de groupes, approche interactive, utilisation de logiciels

High-throughput sequencing algorithms : cours magistral, approche par projets, approche interactive

Langues d'enseignement

Exploitation des ressources bioinformatiques : français

High-throughput sequencing algorithms : français

Supports

Exploitation des ressources bioinformatiques : notes de cours, activités sur eCampus

High-throughput sequencing algorithms : copies de présentations

Ressources bibliographiques

Exploitation des ressources bioinformatiques

-

High-throughput sequencing algorithms

Ukkonen, E. « On-line construction of suffix trees. » Algorithmica, 1995.

Margaret Dayhoff et al. « Atlas of protein sequence and structure », 1966

Pevzner, P. « Computational Molecular Biology: An Algorithmic Approach », MIT Press, 2000

Fedoroff, N. « Transposable elements, epigenetics, and genome evolution. » Science, 2012

Évaluation et pondération

Méthode d'évaluation : note globale à l'UE

Langues d'évaluation : français

Modalités d'évaluation :

La note finale est définie comme suit :

  • 50% pour Exploitation des ressources bioinformatiques
    • La note est déterminée par un examen oral avec exercices pratiques
  • 50% pour High-throughput sequencing algorithms
    • La note est déterminée par un 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 #2366 intitulée :

Annotation d'un génome

Master en Sciences de l'Ingénieur industriel orientation Life data technologies / Cycle 2 Bloc 1

Informations

Responsable d'UE : Thomas SIMON

Bloc : MA1 LDT

Période : 2e quadrimestre

Durée : 30 h

Crédits : 2 ects

UE Prérequises : aucune

UE Corequises : aucune

Activité d'apprentissage (AA)

Connaissances et compétences préalables

Utilisation et Administration de Unix

Anglais

Sequencage Nouvelle Génération, Analyse d'un génome

Contribution aux objectifs du référentiel de compétences de l'ARES

Acquis d'apprentissage spécifiques

Traiter, analyser et évaluer les annotations par structures et fonctions de génomes prokaryotique via des logiciels et pipelines (NCBI annotation, Prokka, EggNOG-mppe, Artemis)

Traiter, analyser et évaluer les annotations par structures et fonctions de génomes Eukaryotique via des logiciels et pipelines (Maker, Busco, Jbrowse)

Utiliser des resources en ligne tel que Galaxy Project pour automatiser et maintenir une reproductibilité.

Contenu de l'AA

Utilisation des jeux de données de génomes d’eucaryotes disponible sur Ensembl, pour les traiter, analyser et évaluer via des logiciels et des pipelines (NCBI annotation, Ensembl, IGV, Exonerate…)

Répartition des heures

8 h de théorie, 12 h d'exercices/Labos, 10 h de travaux

Méthodes d'enseignement

Cours magistral, travaux de groupes, étude de cas, utilisation de logiciels

Langues d'enseignement

Français, anglais

Supports

Copies de présentations, notes de cours, tuto en ligne (github et galaxyproject)

Ressources bibliographiques

Prokka; 10.1093/bioinformatics/btu153

eggNOG-mapper; https://doi.org/10.1101/2021.06.03.446934

NCBI pipeline; https://doi.org/10.1093/nar/gkw569

Artemis; https://doi.org/10.1093/bioinformatics/16.10.944

Maker; https://doi.org/10.1186/1471-2105-12-491

Busco; https://doi.org/10.1093/bioinformatics/btv351

Jbrowser; https://doi.org/10.1186/s13059-016-0924-1

Galaxy training; https://training.galaxyproject.org/training-material/topics/genome-annotation/tutorials/annotation-with-maker/tutorial.html
Github training; https://github.com/RVanDamme/Prokaryotic_annotation

Ensembl: 10.1093/nar/30.1.38

Exonerate: https://doi.org/10.1186/1471-2105-6-31

IGV: https://doi.org/10.1038/nbt.1754

Évaluation et pondération

Méthode d'évaluation : note globale à l'UE

Langues d'évaluation : français, anglais

Modalités d'évaluation :

Travail continu 40%, Non rémédiable

Présentation oral du travail de groupe 40%, rémédiable

Rapport ecrit du travail de groupe 20%, rémédiable

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 #2368 intitulée :

Analyse bioinformatique du protéome

Master en Sciences de l'Ingénieur industriel orientation Life data technologies / Cycle 2 Bloc 1

Informations

Responsable d'UE : Aline LEONET

Bloc : MA1 LDT

Période : 2e quadrimestre

Durée : 20 h

Crédits : 2 ects

UE Prérequises : aucune

UE Corequises : aucune

Activité d'apprentissage (AA)

Connaissances et compétences préalables

Cours de protéomique BA3

Contribution aux objectifs du référentiel de compétences de l'ARES

Acquis d'apprentissage spécifiques

Comprendre les méthodes d'analyse qualitative et quantitative des protéines en spectrométrie de masse.

Traiter, analyser, interpréter les résultats de jeux de donnés issus d'un spectromètre de masse, protéomique, via des logiciels Trans Proteomic pipeline; Skyline, X!tendem, MaxQuant..

Contenu de l'AA

Rappel de l'orginie des données en protéomique et présentation des méthodes d'analyse quantitative des proteines en spectrometrie de masse.

Utiliser des jeux de données issus d'analyseurs en spectrometrie de masse, pour traiter, analyser, interpreter les résultats via des logiciels, Trans Proteomic pipeline, Skyline,.. découverte de l'univers "PROTEOMICS"

Répartition des heures

8 h de théorie, 12 h d'exercices/Labos

Méthodes d'enseignement

Cours magistral, approche par projets, approche par situation problème

Langues d'enseignement

Français

Supports

Copies de présentations, notes d'exercices

Ressources bibliographiques

-

Évaluation et pondération

Méthode d'évaluation : note globale à l'UE

Langues d'évaluation : français

Modalités d'évaluation :

Evaluation 100% via la réalisation et présentation d'un projet.

Département des Sciences et technologies

2026-2027

Avenue Victor Maistriau 8a
7000 Mons

Fiche ects de l'unité d'enseignement #2438 intitulée :

Préparation au milieu professionnel

Master en Sciences de l'Ingénieur industriel / orientation Géomètre / Cycle 2 Bloc 1

Master en Sciences de l'Ingénieur industriel / orientation Informatique / Cycle 2 Bloc 1

Master en Sciences de l'Ingénieur industriel / orientation Construction / Cycle 2 Bloc 1

Master en Sciences de l'Ingénieur industriel orientation Life data technologies / Cycle 2 Bloc 1

Informations

Responsable d'UE : Julie LENAERTS

Bloc : MA1 Geo, MA1 Info, MA1 Co, MA1 LDT

Période : 2e quadrimestre

Durée : 10 h

Crédits : 1 ects

UE Prérequises : aucune

UE Corequises : aucune

Activité d'apprentissage (AA)

Connaissances et compétences préalables

Néant

Contribution aux objectifs du référentiel de compétences de l'ARES

Acquis d'apprentissage spécifiques

Milieux professionnel : s’informer sur le milieu professionnel, adapter sa communication.

Contenu de l'AA

en fonction des entreprises

Répartition des heures

10 h d'AIP

Méthodes d'enseignement

Présentation des entreprises

Langues d'enseignement

Français

Supports

Notes de cours

Ressources bibliographiques

-

Évaluation et pondération

Méthode d'évaluation : note globale à l'UE

Langues d'évaluation : français

Modalités d'évaluation :

Consignes : Présence, remise du CV et participation à minimum 5 entretiens : obligatoire.

L'UE est validée ou non si les consignes sont respectées.

Département des Sciences et technologies

2026-2027

Avenue Victor Maistriau 8a
7000 Mons

Fiche ects de l'unité d'enseignement #2441 intitulée :

Génie génétique

Master en Sciences de l'Ingénieur industriel orientation Life data technologies / Cycle 2 Bloc 1

Informations

Responsable d'UE : Aurélie SEMOULIN

Bloc : MA1 LDT

Période : 2e quadrimestre

Durée : 46 h

Crédits : 4 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

Au terme de l’unité d'enseignement, l'étudiant(e) devra être capable :

Contenu des AA

Génie génétique

Les concepts et théories suivants seront abordés :

  • Bases fondamentales du génie génétique (prérequis) ;
  • Les outils de la biologie moléculaire ;
  • Amplification génique ;
  • Séquençage de l’ADN ;
  • Fonction des gènes et expression des protéines recombinantes ;
  • Régulation de l’activité des gènes chez les procaryotes et eucaryotes ;
  • L’ADN recombinant et ses applications industrielles ;
  • Introduction à la bio-informatique et conscientisation à la bio-éthique.

Laboratoire de génie génétique

Initiation aux techniques de biologie moléculaire (transformation bactérienne, extraction et dosage d'ADN, amplification PCR, isolement d'ADN par électrophorèse sur agarose et visualisation).

Répartition des heures

Génie génétique : 28 h de théorie, 8 h d'exercices/Labos

Laboratoire de génie génétique : 10 h d'exercices/Labos

Méthodes d'enseignement

Génie génétique : cours magistral, travaux de groupes

Laboratoire de génie génétique : travaux de groupes

Langues d'enseignement

Génie génétique : français

Laboratoire de génie génétique : français

Supports

Génie génétique : copies de présentations

Laboratoire de génie génétique : protocoles de laboratoires

Ressources bibliographiques

Génie génétique

Griffiths, Wessler, Lewotin, Gelbart, Suzuki et Miller, L’analyse génétique, de boeck éditions, Paris 2006.
Reece, Urry, Cain, Wasserman, Minorsky et Jackson, Campbell : Biologie, Pearson éditions, Québec 2012.
Bibliographie complète disponible sur connectED.

Laboratoire de génie génétique

-

Évaluation et pondération

Méthode d'évaluation : note globale à l'UE

Langues d'évaluation : français

Modalités d'évaluation :

La note d'UE est calculée sur base d'une moyenne géométrique calculée sur base des pondérations suivantes :

  - 4 points de pondération pour le cours de génie génétique

  - 1 point de pondération pour le laboratoire de génie génétique

La note de l'activité d'apprentissage “cours de génie génétique” sera établie sur base d'une moyenne arithmétique pondérée des activités suivantes :
Note AA = EO*0,8+PEO*0,2
EO Examen oral : 80 % ;
PEO Présentation écrite et orale d’un article scientifique : 20 % (10 % pour la qualité du contenu du résumé et 10 % pour la qualité du contenu de la défense suite à la présentation).

La note de l'activité d'apprentissage “laboratoire de génie génétique” sera calculée sur base d'une évaluation qui portera sur les capacités de l'étudiant à rédiger les rapports en lien direct avec chacune des séances de travaux pratiques.
Attribution d'un facteur sur la note pouvant aller de 0,9 à 1,1 en fonction du comportement au laboratoire.

Concernant les dispositions complémentaires, se référer à la fiche ECTS de la HELHa relative au même cours.

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 #3489 intitulée :

Architectures parallèles

Master en Sciences de l'Ingénieur industriel / orientation Informatique / Cycle 2 Bloc 1

Master en Sciences de l'Ingénieur industriel orientation Life data technologies / Cycle 2 Bloc 1

Informations

Responsable d'UE : Samuel CREMER

Bloc : MA1 Info, MA1 LDT

Période : 2e quadrimestre

Durée : 27 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

Contenu des AA

Parallélisme : théorie

  • Classification du parallélisme
  • Évolution du parallélisme
  • Systèmes hétérogènes
  • High Performance Computing

Parallélisme : laboratoires

Introduction théorique (en anglais) :

  • Le parallélisme
  • Les graphes de dépendance
  • Multithreading
  • General-purpose Computing on GPU avec CUDA

Laboratoires (en anglais) :

  • Rappel des notions de pointeurs et des allocations dynamiques
  • Parallélisation naïve d'un algorithme séquentiel
  • Parallélisation du même algorithme en tenant compte des spécificités du matériel utilisé
  • Introduction à la programmation sur GPU avec CUDA

Répartition des heures

Parallélisme : théorie : 9 h de théorie

Parallélisme : laboratoires : 18 h d'exercices/Labos

Méthodes d'enseignement

Parallélisme : théorie : cours magistral, approche interactive, approche avec TIC, étude de cas, utilisation de logiciels

Parallélisme : laboratoires : cours magistral, approche interactive, approche par situation problème, approche avec TIC, étude de cas, utilisation de logiciels

Langues d'enseignement

Parallélisme : théorie : français, anglais

Parallélisme : laboratoires : français, anglais

Supports

Parallélisme : théorie : copies de présentations, syllabus

Parallélisme : laboratoires : copies de présentations, syllabus

Ressources bibliographiques

Parallélisme : théorie

  • High performance computing, M. Loudikes, C. Severance et K. Dowd, O'Reilly, 1998
  • Distributed Computing: fundamentals, simulations, and advanced topics, H. Attiya, Wiley-Blackwell, 2004 

Parallélisme : laboratoires

  • « Algorithmique parallèle. » Arnaud Legrand et Yves Robert. (Dunod, 2003)
  • « Initiation au parallélisme. » Gengler, Ubéda et Desprez (Masson 1996)
  • "Professional CUDA C Programming", John Cheng, Max Grossman, Ty McKercher (Wrox 2014)
  • "Programmin with POSIX Threads", David R. Butenhof (Addison-Wesley Professional 2005

Évaluation et pondération

Méthode d'évaluation : note globale à l'UE

Langues d'évaluation : français, anglais

Modalités d'évaluation :

Pour cette UE il n'y a pas de notes aux AA. La note finale de l'UE sera calculée sur base de :

  • 80% Un examen combinant les 3 AA (en français)
  • 20% Un rapport de laboratoire à remettre (en anglais et non remédiable en seconde session)

L'épreuve étant intégrée entre les 3 AA, aucune dispense partielle de l'UE n'est possible.

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 #3493 intitulée :

Compléments en Big Data

Master en Sciences de l'Ingénieur industriel / orientation Informatique / Cycle 2 Bloc 1
- option Intelligence artificielle et Big Data
- option Intelligence artificielle et Big Data - Passerelle

Master en Sciences de l'Ingénieur industriel orientation Life data technologies / Cycle 2 Bloc 1

Informations

Responsable d'UE : Samuel CREMER

Bloc : MA1 Info, MA1 LDT

Période : 2e quadrimestre

Durée : 30 h

Crédits : 2 ects

UE Prérequises : aucune

UE Corequises :

  • Bases de données avancées

Activité d'apprentissage (AA)

Connaissances et compétences préalables

Cours de Bases de données avancées (MA1 Q1)

Contribution aux objectifs du référentiel de compétences de l'ARES

Acquis d'apprentissage spécifiques

Etre capable de choisir, de déployer et d'utiliser les technologies les plus a adaptées à un problèem donné pour des problématiques de type Big Data

Contenu de l'AA

Après un rappel téhorique sur les paradigmes et concepts du Big Data, le cours sera essentielment pratique et centré sur la création d'un pipeline de données mélangeant différentes technologies comme le streaming de données, le map reduce, les wide column stores, les document stores, les moteurs de recherche, etc.

Répartition des heures

6 h de théorie, 24 h d'exercices/Labos

Méthodes d'enseignement

Cours magistral, travaux de groupes, approche interactive, approche par situation problème, approche avec TIC, étude de cas, utilisation de logiciels

Langues d'enseignement

Français, anglais

Supports

Copies de présentations, protocoles de laboratoires

Ressources bibliographiques

-

Évaluation et pondération

Méthode d'évaluation : note globale à l'UE

Langues d'évaluation : français, anglais

Modalités d'évaluation :

Les étudiants devront réaliser un ou plusieurs projets durant les heures de cours. Ce ou ces projets seront accompagnés de rapports en anglais. L'évaluation portera sur la qualité des délivrables réalisés ainsi que l'implication des étudiants pendant les heures de cours.

Fiche indisponible

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

Consulter la version de l'année 2025-2026