François Chung, Ph.D.

Tag: simulation informatique

Modélisation des processus et des décisions métier

Modélisation des processus et des décisions métier

Formation HPI, MOOC 2021. Cette formation en ligne présente les concepts de modélisation des processus métier à l'aide du standard BPMN (Business Process Model and Notation). Basée sur une compréhension approfondie du BPMN, la dernière partie de la formation couvre les modèles de décision utilisant DMN (Decision Model and Notation). Les modèles de décision complètent les modèles de processus en représentant des décisions concrètes et opérationnelles, à la fois avec leur structure et leur logique de décision.

Semaine 1: Introduction à la gestion des processus métier

Sujets principaux:

  • Définir les processus métier;
  • Modèles de processus métier;
  • Interaction des processus métier;
  • Modèles et instances;
  • Cycle de vie des processus métier.

Semaine 2: Modélisation de base des processus métier

Sujets principaux:

  • Activités de processus;
  • Passerelles exclusives et parallèles;
  • Passerelles inclusives et boucles;
  • Événements de début, intermédiaires et de fin;
  • Concurrence.

Semaine 3: Analyse du comportement des modèles de processus

Sujets principaux:

  • Comportement du processus;
  • Solidité structurelle;
  • Simulation des processus métier;
  • Réseaux de Petri et analyse de processus;
  • Vérification de la solidité.

Semaine 4: Modélisation avancée des processus métier

Sujets principaux:

  • Sous-processus et événements limites;
  • Modificateurs d'activité;
  • Passerelle évènementielle exclusive;
  • Modélisation des organisations;
  • Modèles d'allocation des ressources.

Semaine 5: Les données dans les modèles de processus métier

Sujets principaux:

  • Organisation des modèles de processus;
  • Données et flux de données;
  • Sémantique de l’exécution des données;
  • Données structurées et sous-processus;
  • Conformité du cycle de vie des objets.

Semaine 6: Modélisation des décisions métier

Sujets principaux:

  • Implémentation des décisions;
  • Diagrammes des exigences de décision;
  • Sémantique des tables de décision;
  • Analyse des tables de décision;
  • Cohérence des processus et des décisions.

Références

Articles associés

ArchiMate 3 en pratique (formation Orsys)
Diagrammes de classe UML (formation edX)

En savoir plus

BPMN - Business Process Model and Notation
DMN - Decision Model and Notation
openHPI - Hasso Plattner Institute

Informatique et physique quantique

Informatique et physique quantique

Formation Udemy, MOOC (2020). Cette formation en ligne présente l'informatique quantique comme la prochaine vague de l'industrie informatique. Les ordinateurs quantiques sont exponentiellement plus rapides que les ordinateurs classiques d'aujourd'hui. Les problèmes jugés trop difficiles à résoudre, tel que le craquage du cryptage RSA, sont désormais possibles grâce aux ordinateurs quantiques. La formation porte principalement sur l'analyse du comportement des circuits quantiques.

Section 1: Introduction

Sujets principaux:

  • Pourquoi apprendre l'informatique quantique?
  • En quoi l'informatique quantique est-elle différente?

Section 2: Cryptographie quantique

Sujets principaux:

  • Expériences de polarisation photonique;
  • Théorème de non-clonage;
  • Encodage XOR;
  • Chiffrement avec secret partagé à usage unique;
  • Codage des données en polarisation photonique.

Section 3: Fondations

Sujets principaux:

  • Probabilité;
  • Nombres complexes;
  • Algèbre matricielle;
  • Multiplication matricielle;
  • Circuits logiques.

Section 4: Modèle mathématique pour la physique quantique

Sujets principaux:

  • Modélisation de la physique avec les mathématiques;
  • Probabilités soustractives via nombres complexes;
  • Modélisation de la superposition avec des matrices.

Section 5: Physique quantique des états de spin

Sujets principaux:

  • Représentation matricielle de l'état quantique;
  • Vecteur d'état;
  • Expériences avec spin.

Section 6: Modélisation mathématique des états de spin 

Sujets principaux:

  • Analyse des expériences;
  • Notation Dirac bra-ket;
  • Comportement aléatoire.

Section 7: Transformations d'état réversibles et irréversibles

Sujets principaux:

  • Mesure des transformations irréversibles;
  • Transformations d'état réversibles.

Section 8: Systèmes multi-qubit

Sujet principal:

  • Systèmes multi-qubit.

Section 9: Intrication quantique

Sujet principal:

  • Intrication quantique.

Section 10: Modèle de calcul quantique

Sujets principaux:

  • Circuits quantiques;
  • Portes réversibles;
  • Portes CNOT et CCNOT;
  • Portes Fredkin et universelle;
  • Superposition et intrication sur les portes quantiques.

Section 11: Programmation quantique avec Microsoft Q#

Sujets principaux:

  • Architecture matérielle du simulateur Q#;
  • Mesure des états de superposition;
  • Effet de superposition sur les portes quantiques;
  • Porte de Toffoli;
  • Programmation d'ordinateurs quantiques.

Section 12: Expérience quantique d’IBM

Sujet principal:

  • Expérience quantique d’IBM.

Section 13: Conclusion

Sujet principal:

  • Accélération revisitée.

Références

Formation

Articles associés

Digital Annealer (projet Fujitsu)
DataNews 2020 (FR) (article de magazine, version française)
DataNews 2020 (NL) (article de magazine, version néerlandaise)

En savoir plus

Spécialisation en science des données

Spécialisation en science des données

Formation Coursera, MOOC (2020). Cette spécialisation couvre les concepts et les outils nécessaires à la science des données, de la formulation des bonnes questions à la réalisation d'inférences et la publication des résultats. Les sujets abordés incluent l'utilisation de R pour nettoyer, analyser et visualiser les données, utiliser GitHub pour gérer des projets en science des données et effectuer une analyse de régression, des moindres carrés et des inférences à l'aide de modèles de régression.

Cours 1: Boîte à outils du data scientist

Sujets principaux:

  • Fondamentaux de la science des données;
  • R et Rstudio;
  • Contrôle de version et GitHub;
  • R Markdown, raisonnement scientifique et big data.

Cours 2: Programmation en R

Sujets principaux:

  • Contexte et mise en route;
  • Programmation avec R;
  • Fonctions de boucle et débogage;
  • Simulation et profilage de code.

Cours 3: Obtenir et nettoyer les données

Sujets principaux:

  • Recherche de données et lecture de différents types de fichiers;
  • Systèmes de stockage de données;
  • Organisation, fusion et gestion des données;
  • Manipulation de texte et de données en R.

Cours 4: Analyse exploratoire des données

Sujets principaux:

  • Graphiques analytiques et représentation graphique en R;
  • Lattice et ggplot2;
  • Réduction dimensionnelle des données;
  • Techniques d'analyse de cluster.

Cours 5: Recherche reproductible

Sujets principaux:

  • Concepts, idées et structure;
  • Markdown et knitr;
  • Check-list de la recherche reproductible;
  • Analyse de données factuelles.

Cours 6: Inférence statistique

Sujets principaux:

  • Probabilité et espérance mathématique;
  • Variabilité, distribution et asymptote;
  • Intervalles, tests et valeur-p;
  • Tests de puissance, bootstrap et permutation.

Cours 7: Modèles de régression

Sujets principaux:

  • Moindres carrés et régression linéaire;
  • Régression linéaire et multivariée;
  • Résidus et diagnostics;
  • Régression logistique et de Poisson.

Cours 8: Apprentissage automatique

Sujets principaux:

  • Prédiction, erreurs et validation croisée;
  • Paquet caret;
  • Arbres de décision et forêts aléatoires;
  • Régression régularisée et combinaison de prédicteurs.

Cours 9: Développement de produits de données

Sujets principaux:

  • Shiny, GoogleVis et Plotly;
  • R Markdown et Leaflet;
  • Paquets R et Swirl.

Références

Articles associés

Fondamentaux de Spark (formation Cognitive Class)
Fondamentaux de Hadoop (formation Cognitive Class)
AWS: fondations et apprentissage automatique (formation AWS)

En savoir plus

DataNews 2020 – Article de magazine

DataNews 2020 (FR) – Article de magazine

Publication

François Chung; Combler le fossé quantique, aujourd’hui; DataNews, 2, p. 5, 2020.

Abstract

L’informatique quantique permettra de solutionner des problèmes complexes, impossibles à résoudre avec les ordinateurs d’aujourd’hui. Le Digital Annealer de Fujitsu offre une alternative à l’informatique quantique encore trop coûteuse et difficile à exécuter.

Références

Publication

Articles associés

Informatique et physique quantique (formation Udemy)
DataNews 2020 (NL) (article de magazine, version néerlandaise)
Digital Annealer (projet Fujitsu)

En savoir plus

DataNews 2020 – Article de magazine

DataNews 2020 (NL) – Article de magazine

Publication

François Chung; De kwantumkloof dichten, vandaag de dag; DataNews, 2, p. 5, 2020.

Abstract

Kwantuminformatica biedt een oplossing voor complexe problemen, die niet kunnen opgelost worden met de huidige computersystemen. De Digital Annealer van Fujitsu biedt een alternatief voor de kwantuminformatica, die momenteel nog te duur en te moeilijk uit te voeren is.

Références

Publication

Articles associés

Informatique et physique quantique (formation Udemy)
DataNews 2020 (FR) (article de magazine, version française)
Digital Annealer (projet Fujitsu)

En savoir plus