Bioinformatics & Modeling · Sorbonne UniversitéBioinformatique & Modélisation · Sorbonne Université
Biological Data · Artificial Intelligence · Mathematical ModelsDonnées Biologiques · Intelligence Artificielle · Modèles Mathématiques
La première année du Master BIM fournit un socle solide en informatique — statistiques, apprentissage automatique, éléments d'intelligence artificielle et algorithmique — complété par des bases de biologie pour les étudiants en informatique, de la programmation avancée pour les étudiants en biologie, une introduction à la bioinformatique et des outils mathématiques pour modéliser des systèmes biologiques complexes.
The first year of BIM provides a solid foundation in computer science—including statistics, machine learning, elements of artificial intelligence and algorithms—together with basic biology for computer-science students, advanced programming for biology students, an introduction to bioinformatics, and mathematical tools for modeling complex biological systems.
Certains cours de M1 sont communs à plusieurs parcours du Master d'Informatique, et de nombreux enseignements réunissent les étudiants BIM issus de l'Informatique et du BMC. Cette diversité de parcours favorise les échanges scientifiques entre étudiants.
Some M1 courses are shared with other Computer Science specializations, and many are taken jointly by BIM students from Computer Science and BMC. This mix of backgrounds encourages scientific exchange between students.
Expand “more…” for course descriptionsCliquer sur « détails… » pour les descriptions
| AcronymAcronyme | NameIntitulé | ECTS | DescriptionDescription | StatusStatut |
|---|---|---|---|---|
| AAGB | Tree and graph algorithms in bioinformatics Algorithmes sur les arbres et les graphes en bioinformatique |
6 | Mandatory Obligatoire |
|
This course is divided into two parts: one introduces fundamental concepts of molecular and cellular biology to computer science students and advanced programming to biology students, and a second part that tackles bioinformatics challenges through algorithmic modeling and data analysis, covering topics such as DNA sequencing, phylogenetic reconstruction, genome rearrangements, and the study of biological networks. Ce cours est divisé en deux parties : l'une présente aux étudiants en informatique les concepts fondamentaux de la biologie moléculaire et cellulaire et aux étudiants en biologie la programmation avancée, et l'autre aborde les défis de la bioinformatique à travers la modélisation algorithmique et l'analyse de données, couvrant des sujets tels que le séquençage de l'ADN, la reconstruction phylogénétique, les réarrangements génomiques et l'étude des réseaux biologiques. | ||||
| MAPSI | Probabilistic and Statistical Models and Algorithms for Computer Science Modèles et Algorithmes Probabilistes et Statistiques pour l'Informatique |
6 | Mandatory Obligatoire |
|
An introduction to probability and statistics for computer science: random variables, moments, distributions and Markov chains, with applications in bioinformatics, artificial intelligence and imaging. Ce cours introduit les concepts fondamentaux de la probabilité et des statistiques pour l'informatique, en couvrant des notions clés telles que les variables aléatoires, les moments et les distributions. Il met l'accent sur leurs applications avancées en bioinformatique, intelligence artificielle et imagerie, en illustrant des techniques comme les chaînes de Markov à travers des exemples concrets. | ||||
| DALAS | Datascience, Learning and Applications Data Science, Apprentissage et Applications |
6 | Mandatory Obligatoire |
|
This course covers the full data-science workflow, from data acquisition and processing to training and evaluating machine-learning models, with emphasis on practical and experimental aspects. Ce cours couvre l’ensemble du processus de la science des données, de l’acquisition et du traitement des données à l’entraînement et l’évaluation de modèles de Machine Learning, en mettant l’accent sur les aspects techniques et expérimentaux plutôt que théoriques. | ||||
| SDED | Dynamical Systems
and Differential Equations Systèmes Dynamiques
et Equations Différentielles |
6 | Mandatory Obligatoire |
|
This course provides an introduction to numerical
methods for ordinary differential equations (ODEs), applied to
modeling in biology and deep learning. Ce cours propose une introduction aux méthodes
numériques pour les équations différentielles ordinaires (EDO),
appliquées à la modélisation en biologie et à l’apprentissage profond. | ||||
| BIMA | Fundamentals of Image Processing Bases du Traitement des Images |
6 | Optional (mandatory for Digital Health track) Optionel (obligatoire pour filière Santé Numérique) |
|
The goal of this course is to introduce fundamental image processing methods (acquisition, sampling, enhancement, spatial and frequency filtering, edge detection, segmentation, etc.) and provide practical applications for specific problems. Le but de cette UE est de présenter les méthodes fondamentales de traitement d’images (acquisition, échantillonnage, amélioration, filtrage spatial et fréquentiel, détection de contours, segmentation, etc.) et de donner un certain nombre d’applications pratiques sur des problèmes spécifiques. | ||||
| MOGPL | Modeling, Optimization, Graphs, and Linear Programming Modélisations, Optimisation, Graphes, et Programmation Linéaire |
6 | Optional Optionel |
|
This course introduces graphs and linear programming as modeling tools for solving optimization and decision problems, focusing on the study of models and the analysis of fundamental algorithms in combinatorial optimization. Cette UE est destinée à introduire les graphes et la programmation linéaire comme outils de modélisation et de résolution de problèmes d'optimisation ou de décision. Elle a pour objet l'étude de modèles et l'analyse d'algorithmes fondamentaux de l'optimisation combinatoire. | ||||
| LRC | Logics and Knowledge Representation Logique et Représentation des Connaissances |
6 | Optional Optionel |
|
This course introduces the fundamental concepts of knowledge representation, focusing on logic-based and graphical languages. It explores how the nature of the represented knowledge influences the choice of appropriate tools. Cette UE présente les notions de base de représentation des connaissances, en particulier les langages basés sur la logique ou les langages graphiques. Nous verrons que la nature des connaissances représentées peut amener à favoriser des outils différents. | ||||
| MODEL | Modeling and Numerical and Symbolic Algorithms Modélisation et algorithmes numériques et symboliques |
6 | Optional Optionel |
|
This course covers numerical and symbolic computation, including exact, multi-precision and floating-point representations. Applications include cryptology, AI and engineering, with attention to both reliability and computational efficiency. Ce cours explore les algorithmes de calcul numérique et symbolique, en se concentrant sur les modèles de représentation des nombres (exacte/multi-précision et approchée/flottante) et leurs applications dans des domaines tels que la cryptologie, l’intelligence artificielle et l’ingénierie, tout en évaluant leur fiabilité et leur efficacité à travers des analyses théoriques et des implémentations pratiques. | ||||
| COMPLEX | Complexity, Probabilistic and Approximate Algorithms Complexité, Algorithmes Probabilistes et Approchés |
6 | Optional Optionel |
|
This course introduces computational complexity, including the classes P and NP and NP-completeness. It also presents randomized and approximation algorithms as practical approaches to difficult computational problems. Ce cours explore la complexité computationnelle en distinguant les problèmes "faciles", solvables en temps polynomial, des problèmes "difficiles", hors de portée des ordinateurs actuels, en introduisant les classes de complexité P et NP, la NP-complétude, ainsi que des stratégies pratiques comme les algorithmes randomisés et d’approximation pour résoudre efficacement les problèmes complexes. | ||||
Expand “more…” for course descriptionsCliquer sur « détails… » pour les descriptions
| AcronymAcronyme | NameIntitulé | ECTS | DescriptionDescription | StatusStatut |
|---|---|---|---|---|
| SBAS | Statistics in Bioinformatics and Sequence Algorithms Statistiques en bioinformatique et algorithmes sur les séquences |
6 | Mandatory Obligatoire |
|
This course introduces students to statistical concepts and approaches in bioinformatics, covering a wide range of biological sequence analysis problems and their algorithmic solutions, with a focus on applied statistics in bioinformatics and the use of statistical methods for sequence analysis. Cette UE introduit les étudiants aux concepts et approches statistiques en bioinformatique, en couvrant une large gamme de problèmes d’analyse des séquences biologiques et leurs solutions algorithmiques, avec un focus sur les statistiques appliquées en bioinformatique et l'utilisation de méthodes statistiques pour l'analyse des séquences. | ||||
| DeepLife | Deep Learning in Life Sciences Deep Learning en Sciences de la Vie |
6 | Mandatory Obligatoire |
|
DeepLife is a 4EU+ course taught in collaboration with Heidelberg, Warsaw, Prague and Milan. It introduces deep-learning applications in biomedicine, including single-cell genomics, protein bioinformatics and biomedical image analysis. Dans le cadre de l'initiative Seed4EU+ au sein de l'alliance 4EU+, le cours DeepLife, mené en collaboration avec Heidelberg, Varsovie, Prague et Milan, offre un aperçu des applications de l'apprentissage profond en biomédecine, en mettant l'accent sur la génomique unicellulaire, la bioinformatique des protéines et l'analyse d'images biomédicales. | ||||
| MMCN | Mathematical and Computational Models in Neuroscience Modèles mathématiques et computationnels en neurosciences |
6 | Classical track Filière classique |
|
This course introduces mathematical and computational models in neuroscience, covering stochastic dynamic systems, theoretical analysis, and biostatistical methods to study information processing, learning, and memory, with a focus on canonical models and hands-on computational exercises. Cette UE introduit les modèles mathématiques et computationnels en neurosciences, en abordant les systèmes dynamiques stochastiques, l’analyse théorique et les méthodes biostatistiques pour l’étude du traitement de l’information, de l’apprentissage et de la mémoire, avec un focus sur les modèles canoniques et des exercices pratiques en computation. | ||||
| IG3D | 3D Computer Graphics Informatique graphique 3D |
6 | Digital Health track Filière Santé Numérique |
|
This course introduces the domain of 3D computer graphics, including geometric modeling and processing, image synthesis, with implementation in OpenGL and C/C++. Ce cours introduit le domaine de l'informatique graphique 3D, y compris la modélisation et le traitement géométriques, la synthèse d'images, avec une implémentation en OpenGL et C/C++. | ||||
| IDLE | Introduction to Deep Learning Introduction au Deep Learning |
3 | Mandatory Obligatoire |
|
This course presents a practical introduction to modern deep-learning techniques. Ce cours propose une introduction pratique aux techniques modernes d’apprentissage profond. | ||||
| pBIM | BIM project Projet BIM |
6 | Mandatory Obligatoire |
|
The objective of this project is to deepen the concepts covered in the course and explore research in bioinformatics through software development or usage, as well as biological data analysis. L'objectif de ce projet est d'approfondir les notions du cours et d'explorer la recherche en bioinformatique à travers le développement ou l'utilisation de logiciels, ainsi que l'analyse de données biologiques. | ||||
| English | 3 | — | Mandatory Obligatoire |
|