Derniers contenus

Les algorithmes des $k$ plus proches voisins, ID3, et des $k$ moyennes sont à connaître. Il faut savoir expliquer le principe des algorithmes, savoir en donner un pseudo-code simple, les appliquer sur des exemples, et évaluer la pertinence des les utiliser dans diverses situations.

Dans un cadre plus général concernant les algorithmes d'apprentissage (et pas nécessairement ceux du cours), il faut savoir ce qu'est une matrice de confusion et comment s'en servir pour évaluer une méthode de classification par apprentissage supervisé ; il faut connaître le principe général (pas besoin d'une définition formelle) du surapprentissage et du sous-apprentissage (pensez aux $k$ plus proches voisins et au cas de surapprentissage et sous-apprentissage sur cet algorithme pour vous aider à vous en rappeler).

Toutes les ondes électromagnétiques

Propagation dans le vide, dans un milieu ohmique et dans un plasma

Champs aux interfaces : réflexion sur un métal, modes de cavité 1D

Champs dans un milieu DLHI (remplacer epsilon_0 par epsilon_0 x epsilon_r

Ondes électromagnétiques dans le vide : ondes planes OPPM, polarisation rectiligne et circulaire. Poynting.

Ondes dans un milieu ohmique

Colles du vendredi : on ajoute les ondes dans un plasma

Le chapitre de synchronisation est terminé, on pourra commencer à donner des exercices utilisant ces notions.

On peut demander d'identifier si un code présente un problème (interblocage, famine, attente active), ou de montrer qu'il n'en contient pas (il faut alors montrer que toute exécution est correcte). On peut demander de réfléchir à une solution à un problème de synchronisation, en demandant de proposer les éléments de synchronisation à utiliser (mutex, sémaphores, données globales). Les algorithmes de Peterson et de la Boulangerie sont toujours à connaître.