Microprogramme en science des données et analytique d’affaires (2^e cycle)

- Calcul distribué et parallèle
- Apprentissage supervisé
- Apprentissage son¿supervisé
- Apprentissage par renforcement
- Systèmes de recommandations
- Prise de décision séquentielle

Programmation linéaire
L'algorithme du simplexe
Analyse de sensibilité et dualité
Programmation linéaire en nombres entiers et ses applications
Algorithmes de branchements et coupes
Notions fondamentales et algorithmes en programmation non linéaire
Convexité conditions KKT et optimalité
Algorithmes basés sur le gradient et sur la méthode de Newton
Heuristiques et métaheuristiques

Principes fondamentaux de modélisation et d'inférence statistique
Modèles linéaires
Modèles linéaires généralisés
Modèles pour données longitudinales et corrélées
Introduction à l'analyse de survie

1. Programmation séquentielle et analyse algorithmique.
2. Calcul parallèle avec mémoire partagée (utilisation de fils threads).
3. Calcul parallèle synchronisé sans mémoire partagée (utilisation de MPI).
4. Calcul distribué (utilisation de hadoop/spark).

- Bases de l'apprentissage supervisé et non supervisé.
- Réduction de la dimensionnalité (composantes principales et analyse factorielle).
- Analyse de regroupements hiérarchique et non hiérarchique.
- Bases de la modélisation prédictive : division de l'échantillon validation-croisée bootstrap.
- Modèles paramétriques pour la modélisation prédictive.
- Règles d'association (analyse du panier de la ménagère).
- Méthode de partitionnement récursif de base : CART forêt aléatoire importance des variables boosting d'arbres.
- Autres sujets : machines à vecteur de support méthodes des plus proches voisins analyse de survie de base données manquantes.

1 : Introduction à la modélisation mathématique

2 : Implantation d'un modèle d'optimisation avec un logiciel approprié

3 : Modèles linéaires

4 : Modèles de réseau

5 : Modèles linéaires en nombres entiers et techniques de linéarisation

6: Applications (e.g. problèmes de localisation problèmes de distribution problèmes d'horaire etc.)

7 : Modèles d'optimisation à objectifs multiples

8 : Modèles de programmation stochastique

9 : Modèles de programmation dynamique

Santé (affectation horaires et localisation collecte et distribution diagnostic planification)
Sports et événements sportifs (optimisation de la performance analyse de risque fiabilité organisation d'événements calendriers routage)
Énergie (transport distribution et utilisation modèles techno-économiques globaux optimisation de problèmes de grande taille optimisation non convexe)
Environnement (optimisation multicritères et multi-objectifs analyse par enveloppement de données optimisation stochastique optimisation robuste)
Affaires publiques et défense nationale (localisation et couverture prévention et détection répartition et équité)
Aide humanitaire et gestion de crises (réseaux logistiques routage transport distribution et stockage simulation heuristiques systèmes d'aide à la décision)
Transport et distribution (tournées transport sur demande apprentissage optimisation par simulation)
Gestion des ressources humaines (horaires couverture modélisation de conventions collectives horaires rotatifs heuristiques et métaheuristiques)
Gestion académique (planification et affectation coloration des graphes heuristiques systèmes intégrés)
Gestion de la relation clients (données massives systèmes de reconnaissance segmentation gestion du revenu optimisation bi-niveaux)
Production et chaînes d'approvisionnement (problèmes de diète réseaux d'approvisionnement concurrence hiérarchie logistique inverse théorie des jeux).

Optimisation stochastique avec ou sans dérivées
Processus de décision markoviens et programmation dynamique
Programmation dynamique approximative
Apprentissage par renforcement
Réseaux neuronaux et apprentissage par renforcement profond
Programmation stochastique à deux étapes / multi-étapes
Conception de politiques pour des problèmes séquentiels

La nature des données textuelles
Le prétraitement du texte : tokenisation et lemmatisation
Les modèles sac-de-mots les modèles thématiques et la classification naïve
Les modèles de langage N-grams (modèles de Markov)
Les modèles de Markov cachés et l'étiquetage grammatical
Les représentations distribuées et la sémantique vectorielle
Les modèles de langage neuronaux récurrents les LSTMs et la génération de texte
Les modèles de langage Transformers et la modélisation du langage masqué
Les modèles encodeurs et la recherche sémantique
Les modèles encodeurs-décodeurs le résumé de texte et la traduction