Matériel et exécution

Toute abstraction a un prix, et il se paie en cycles et en défauts de cache.

  • Introduction to CS Fundamentals (Hardware)

    • Série d'ateliers
    • En ligne
    • 2 h
    • Ingénieurs et dirigeants
    • 30 participants
    • OLIVESOFT
    • Slides (.pptx)

    Série d'ateliers en deux parties, animée pour OLIVE-LEARN (le programme de formation interne d'OLIVESOFT), retraçant le mouvement des données depuis les architectures matérielles parallèles jusqu'aux portes logiques.

    Partie 1 : exécution efficace et calcul parallèle

    • Exécution des données et du code : pipeline d'instructions du CPU, hiérarchie mémoire (caches L1/L2/L3), et comment le DMA, les cartes réseau et les APU déchargent le cœur principal du déplacement des données.
    • Calcul parallèle et liaisons Python : modèles d'exécution SIMD, SIMT et MIMD, en montrant comment du code Python de haut niveau (vectorisation NumPy, threads GPU PyTorch) cible le matériel vectoriel sous-jacent.

    Partie 2 : calcul au niveau du circuit

    • Stockage des données et arithmétique construits depuis les bascules SR/D jusqu'aux registres 4 bits, aux additionneurs et à une unité arithmétique et logique.
  • Assembly Programming Workshop

    • Atelier pratique
    • Sur site
    • 4 h
    • Étudiants ingénieurs
    • 60 participants
    • Securinets ENIS
    • Dépôt GitHub

    Un atelier pratique sur l'exécution matérielle et la manipulation de données de bas niveau, montrant l'écart de performance entre Python de haut niveau et l'assembleur sur machine nue.

    • Architecture bus et mémoire : transferts de données sur le bus système, ordre des octets (boutisme), E/S mappées en mémoire et alignement des registres.
    • Assembleur ARM et gestion de la pile : pression sur les registres, opérations bit à bit, cadres de pile, exécution conditionnelle et exercices de code guidés.
    • Comparaison Python et assembleur ARM : doubles implémentations montrant comment les abstractions de haut niveau introduisent un surcoût mémoire et de pile par rapport à la manipulation directe des registres.
    • Jeu sur machine nue : en extension, un casse-briques implémenté en assembleur x86, en C et en C++ pour comparer contrôle mémoire manuel et vitesse d'exécution.

Algorithmes et langage

Passer de la force brute à la bonne complexité, dès la première ligne de Python.

  • Introduction to Competitive Programming

    • Atelier
    • Sur site
    • 4 h
    • Étudiants ingénieurs
    • 40 participants
    • IEEE Student Branch ENIS

    Une session de live coding menant les participants du raisonnement par force brute à la résolution optimisée fondée sur les patrons.

    • Exercices sur les techniques de base : problèmes LeetCode résolus en direct avec sommes préfixes, recherche dichotomique et stratégies à deux pointeurs, convertissant des approches en O(N2) en solutions en O(N) et O(log N).
    • Raisonnement sur la complexité : décomposition de l'analyse Big-O en temps et en espace pour du code itératif et récursif avec retour sur trace, y compris les bornes inférieures théoriques du tri sous différentes hypothèses (O(N log N) contre O(N) quand le minimum et le maximum sont connus).
    • Feuille de route d'entraînement : un parcours d'auto-formation à travers NeetCode, Codeforces, HackerRank, Competitive Programming 4, CLRS et le cours d'algorithmique de Sedgewick sur Coursera.
  • Introduction to Python

    • Atelier
    • En ligne
    • 2 h
    • Étudiants ingénieurs
    • 12 participants
    • IEEE Student Branch ENIS

    Une session fondatrice menant les étudiants de la syntaxe Python à l'analyse de jeux de données réels et à leur représentation graphique.

    • Mise en place de l'environnement : configuration de PyCharm avec des environnements virtuels isolés (venv), pour établir des flux de travail propres et reproductibles.
    • Langage et structures de données : syntaxe Python, logique d'état dynamique et structures natives (listes, tuples, dictionnaires) comme briques d'organisation des données.
    • Fichiers et visualisation : lecture de fichiers CSV avec les gestionnaires de contexte (with open) et le module csv, puis tracé des données obtenues avec Matplotlib.