Enseignement

Enseignement

  • 2021- 2022: TELECOM Nancy, Université de Lorraine, , France (ATER)
    • Algorithmique et résolution de problèmes (1A)
      • TD 1: Complexité Algorithmique
      • TD 2: Récursivité sur les chaînes
      • TD 3: Dichotomie et Sac à Dos
      • TD 4: Pyramides
      • TD 5: Récipients
      • TD 6: Dérécursivation
      • TD 7: Programmation Dynamique et Mémoisation
    • Bases de données (1A)
      • TD 1: Modélisation conceptuelle et logique des données
        • Modélisation Entité-Association
        • Modèle relationnel
      • TD 2: Manipulation des Données
        • Algèbre relationnelle
        • Calcul relationnel de tuples
        • Dépendances fonctionnelles et normalisation
      • TPs:
        • Première rencontre avec une base de données (PosteGreSql)
        •  Langage SQL
    • Programmation WEB (1A)
    • Fouille de Données et Extraction de Connaissances (3A IAMD)
      • TP 1 : Préparation des données et sélection d’attributs (Weka)
      • TP2 : Classification supervisée (Weka et Python)
        • Arbres de décision
        • Classification basée sur des règles
      • TP 3 : Classification supervisée (Weka et Python)
        • Méthodes ensemblistes
        • Comparaison avec les arbres de décision et la classification basée sur des règles
      • TP 4: Classification non supervisée (Weka et Python)
        • K-means,
        • DBSCAN,
        • Hierarchical clustering
      • TP 5: Clustering (Weka)
        • Vectorisation de textes  pour la fouille de données
      • TP 6 : Motifs fréquents et règles d’association (Weka)
        • Algorithme Apriori
      • TP 7 : Motifs séquentiels fréquents (SPMF)
        • GSP, SPADE, BIDE+, CloSpan
      • TP 8: Vectorisation de documents textuels (Weka)
        • FPGrowth, Apriori
      • TP 9: Text Mining (Python et Stanford Parser)
        • NLP, NLTK
    • Intelligence Artificielle Avancée (3 IAMD, IL, LE et IMSD)
      • Chapitre 1: Introduction à l’apprentissage profond
      • Chapitre 2: Les réseaux de neurones convolutionnels (CNN)
      • Chapitre 3: Les réseaux de neurones réccurents et génératifs (RNN et GAN)
      • Chapitre 4: Graph Deep Representation Learning (GCN et GAE)
          • TP1: Prise en main de Pandas et Sickit-Learn
          • TP2: Classification Supervisée
          • TP3: Évaluation des performances dans la classification et la régression
          • TP4: Comparaison des méthodes d’apprentissage automatique
          • TP5: Introduction au Deep Learning
          • TP6: Apprentissage de représentation avec les Auto-Encodeurs (AEs)
          • TP7: Les réseaux de neurones convolutifs, génératifs et récurrents
          • TP8: Graph Deep Representation Learning: Graph Autoencoder (GAE)
    • Intelligence artificielle ( 2 A)
      • TD1: Résolution de problèmes (Modélisation, algorithmes A*, min-max et alpha-beta)
      • TD2: Algorithmes génétiques
      • TD3: Problèmes de satisfaction de contraintes (CSP)
      • TD4: Processus décisionnels markoviens
      • TD5: Arbres de décision
      • TD6: Réseaux de neurones artificiels (Algorithme de rétropropagation)
      • TD7: Visualisation d’informations
      • TP: Fouille de Données
  • 2020- 2021: IDMC, Université de Lorraine, , France (Postdoc)
  • Exploiter et Analyser les Données (FC Data Scientist)
    • Chapitre 1: Introduction à l’analyse des données (ACP, visualisation)
    • Chapitre 2: Traitement d’images (extraction de caractéristiques, segmentation et classification)
    • Chapitre 3: Les réseaux de neurones convolutionnels (CNN)
    • TP sur la classification d’images (Keras et Python)
  • 2020- 2021: TELECOM Nancy, Université de Lorraine, , France (Postdoc)
    • Intelligence Artificielle Avancée (3 IAMD, IL, LE et IMSD)
      • Chapitre 1: Introduction à l’apprentissage profond
      • Chapitre 2: Les réseaux de neurones convolutionnels (CNN)
      • Chapitre 3: Les réseaux de neurones réccurents et génératifs (RNN et GAN)
      • Chapitre 4: Graph Deep Representation Learning (GCN et GAE)
          • TP1: Prise en main de Pandas et Sickit-Learn
          • TP2: Classification Supervisée
          • TP3: Évaluation des performances dans la classification et la régression
          • TP4: Comparaison des méthodes d’apprentissage automatique
          • TP5: Introduction au Deep Learning
          • TP6: Apprentissage de représentation avec les Auto-Encodeurs (AEs)
          • TP7: Les réseaux de neurones convolutifs, génératifs et récurrents
          • TP8: Graph Deep Representation Learning: Graph Autoencoder (GAE)

      Intelligence artificielle ( 2 IL)

      • TD1: Résolution de problèmes (Modélisation, algorithmes A*, min-max et alpha-beta)
      • TD2: Algorithmes génétiques
      • TD3: Problèmes de satisfaction de contraintes (CSP)
      • TD4: Processus décisionnels markoviens
      • TD5: Arbres de décision
      • TD6: Réseaux de neurones artificiels (Algorithme de rétropropagation)
      • TD7: Visualisation d’informations
      • TP: Fouille de Données
  • 2019-2020, Faculté des Sciences, Aix-Marseille University, France (Postdoctoral Researcher)
    Data Science ( Master 1 Signal and Image Processing)
  • 2017-2018: Research Assistant (ATER), IUT of Paris Descartes University, France (ATER)
  • Introduction aux systèmes informatiques (Lab Works, 1 DUT Computer Science)
  • Réseaux informatiques (Lab Works, 1 DUT Computer Science)