Cours Algorithmique et Python (Master 1 Bio-Informatique)

Introduction à l'algorithmique (Master 1 Bio-Informatique)

Ce cours, conçu pour les étudiants de Master 1 Bio-Informatique à l'Université de Bordeaux, présente des implémentations en Python de structures telles que piles, files et listes chaînées pour traiter des jeux de données biologiques.

Les chapitres combinent des démonstrations formelles (preuves par invariant pour les algorithmes itératifs) et des exemples de code Python illustrant la gestion de la pile d'exécution lors d'appels récursifs.

Mise en garde : la section sur les algorithmes statistiques et l'apprentissage machine expose les principes et limites, sans détailler les techniques avancées d'entraînement ni l'optimisation de réseaux profonds.

Ce que vous allez apprendre

• Configurer un environnement Python (venv, pip) pour profiler la consommation de mémoire et tracer l'allocation des objets en RAM.
• Des preuves d'invariants permettant d'établir la correction d'algorithmes de tri et de recherche, avec exemples sur la recherche dichotomique.
• Implémenter et manipuler des piles et des files en Python, puis comparer leurs performances en O(1) et O(n) sur des opérations push/pop et enqueue/dequeue.
• Analyse pratique de la récursivité : suivi de la pile d'exécution et transformation en version itérative pour éviter les débordements de pile.
• Principes de base du machine learning appliqués à des jeux de données biologiques simples, y compris l'évaluation statistique des erreurs.

Prérequis

• Connaissances élémentaires en Python (savoir écrire des fonctions et manipuler listes et dictionnaires).
• Notions de programmation impérative et compréhension de la gestion mémoire (allocation d'objets, références).
• Volonté d'aborder des raisonnements mathématiques nécessaires aux preuves d'algorithmes (invariants et complexité temporelle).

Aperçu des modules

• Fonctionnement d'un ordinateur : architecture CPU et organisation de la mémoire pour expliquer l'impact des accès mémoire sur la complexité.
• L'algorithmique : comparaison entre algorithmes classiques prouvés et approches statistiques basées sur des données d'entraînement.
• Langage Python : variables, références et outils de traçage pour visualiser l'exécution et repérer les fuites mémoire.
• Piles, files et listes chaînées : implémentations, invariants et cas d'utilisation en bio-informatique pour manipuler séquences et reads.
• Récursivité et gestion de la pile d'exécution : exemples concrets de fonctions récursives et transformation en boucles explicites.
• Techniques de recherche dans les tableaux : recherche linéaire et recherche dichotomique appliquées à des tables de correspondance.
• Recherche d'éléments : algorithmes de localisation d'éléments et vérification de présence dans collections indexées.

Applications pratiques

• Analyse de complexité pour optimiser un algorithme de filtrage de séquences en O(n log n) au lieu de O(n²).
• Exemples de scripts Python pour profiler la mémoire lors du traitement de listes de lectures séquencées.
• Études de cas : utilisation de la recherche dichotomique pour accélérer la localisation d'éléments dans des tables triées.

Pour qui ce PDF?

Destiné aux étudiants en informatique et bio-informatique (niveau Master 1) ainsi qu'aux autodidactes intéressés par la mise en œuvre en Python d'algorithmes classiques et par l'analyse de leurs garanties formelles.

Questions fréquentes

Qu'est-ce que l'algorithmique?

Dans ce cours, l'algorithmique désigne l'étude de méthodes précises — par exemple la recherche dichotomique ou les parcours de liste — permettant de formaliser et prouver la correction d'un traitement sur des données.

Quels types d'algorithmes sont abordés dans ce cours?

Le contenu privilégie les algorithmes prouvés (tri, recherche dichotomique, manipulation de piles) et présente en plus une introduction aux algorithmes statistiques utilisée pour comparer performances et erreurs.

Quelle est la différence entre un algorithme classique et un algorithme statistique?

Les algorithmes classiques fournissent des garanties formelles sur le comportement (complexité et correction), alors que les algorithmes statistiques estiment des résultats à partir d'échantillons et mesurent un taux d'erreur empirique.

Quels langages de programmation sont utilisés dans ce cours?

Le langage principal est Python, avec des exemples concrets de fonctions, de gestion de références et d'outils de profiling intégrés au langage.

Le cours inclut-il une introduction à l'informatique?

Oui : il contient des sections sur l'architecture matérielle, la mémoire et une annexe d'introduction à Python adaptée au niveau Master 1.

Est-ce que ce cours couvre les notions de machine learning?

Le cours propose une introduction aux algorithmes statistiques et à l'apprentissage machine, en explicitant principes et limites sans entrer dans les méthodes d'entraînement avancées.

Mis à jour le 09/03/2026