Master Mathématiques et Applications : Acsyon

Description

Un stage complémentaire à la formation est un stage d'une durée minimum de 4 semaines, non prévu dans la maquette de formation et dont le sujet est validé en amont par un membre de l'équipe pédagogique, et qui donne lieu à une restitution. Ce stage peut s'effectuer entre la L3 et le M1 ou entre le M1 et le M2. Le bonus obtenu peut être au maximum 0.33 points sur la moyenne du semestre suivant la restitution du stage.

Prérequis

Notions de base d'algorithmique.

Description

Méthodes de recherche avec heuristique dans un espace d'états ; Les problèmes de satisfaction de contraintes (CSP) ; Algorithmes pour les jeux ; Représentation des connaissances et systèmes experts ; Techniques d'apprentissage ; Introduction aux réseaux de neurones.

Langue

Français

Objectif

Ce cours offre une base solide sur les différentes méthodes d'intelligence artificielle appliquées dans des domaines aussi variés que la résolution de problèmes dans de grands espaces de recherche, la résolution de systèmes de satisfactions de contraintes ou le raisonnement incertain.

Ce module permettra aux étudiants de maîtriser ces diverses méthodes et algorithmes d'IA et pourront les mettre en pratique sur des situations réelles qu'ils travailleront durant les séances de Travaux Pratiques.

Bibliographie

• Intelligence artificielle Stuart Russel et Peter Norvig Edition Perason, (2010)
• Mooc (sur Youtube) : Cours Intelligence artificielle par Hugo Larochelle (Quebec Canada): https://www.youtube.com/watchv=stuU2TK3t0Q&list=PL6Xpj9I5qXYGhsvMWM53ZLfwUInzvYWsm

Prérequis

Basic numerical linear algebra and differential calculus. The software OCTAVE will be used for the numerical computations. Note that MATLAB can be equivalently used. Examples and solutions will be given with the OCTAVE/MATLAB syntax. The modeling language AMPL will be installed on your computer during the first week. You will be given a free trial license to install this software.

Description

The goal is to learn how to effectively solve an optimization problem. We will see how to modelize an optimization problem and to compute an optimal solution in some concrete situations. We will basically work on optimality conditions of an optimization problem. We will recall the optimality conditions and how to numerically solve them. Outline of the course: Review on some tools from linear algebra, differential calculus and convexity - Warm-up with Matlab/Octave - Introduction to optimization - Modeling languages - First steps with AMPL - Unconstrained optimization - Least-squares problems - Linear programming- Nonlinear programming.

Langue

anglais

Objectif

Learn to solve an optimisation problem numerically.

Bibliographie

Fourer, R., Gay, D.M., Kernighan, B.W.: AMPL: A Modeling Language for Mathematical Program- ming, 2nd edn. Brooks/Cole, Pacific Grove (2002)

Description

Initiation à l'algorithmique et à la programmation.Algorithmes en arithmétique, algorithmes de tri.Analyse des coûts des algorithmes.Programmation en langage C.

Prérequis

Aucun

Description

l s'agit d'un projet "en autonomie" mais conduit sous la responsabilité d'un enseignant. On peut travailler en groupes (2 ou 3 étudiants).

Objectif

La production de ce module, au Semestre 1 (partie "Initiation à la Recherche"), sera un rapport qui sera ensuite évalué par les enseignants. Pour la suite du travail (Semestre 2, partie "Projet Scientifique"), le rendu est un rapport et une soutenance orale.

Prérequis

Bases sur les espaces vectoriels normés et de topologie

Description

Ce cours est une introduction à l’analyse convexe en dimension finie. La première partie de ce cours porte sur les aspects géométriques et topologiques des ensembles convexes, en introduisant notamment les théorèmes les plus classiques (théorèmes de projection et de séparation) et leurs applications (théorème bipolaire, théorèmes de Farkas et de Minkowski, etc.). La seconde partie de ce cours est consacrée à l’analyse des fonctions convexes, plus particulièrement à leurs régularités (continuité, différentiabilité, sous-différentiabilité), et à la notion de fonction conjuguée de Legendre-Fenchel.

Langue

Français

Objectif

L'objectif de ce cours est que, à la fin de la 1ère année du Master ACSYON, l'étudiant maîtrise parfaitement les outils de l'analyse convexe (aussi bien les notions que les principaux théorèmes vus en classe) qui lui permettront d'affronter dans de bonnes conditions les problèmes d'optimisation convexes abordés en 2ème année du Master ACSYON, en particulier dans le module "Splitting methods for convex optimization".

Bibliographie

De nombreux cours de Master sont dédiés à l'analyse convexe, parmi lesquels :

• Pascal Bianchi. Éléments d'analyse convexe et optimisation.
• Philippe Bich. Analyse fonctionnelle et convexe.
• Patrick Cheridito. Convex analysis.
• Joseph Lehec. Analyse convexe approfondie.
• Pierre Maréchal. Éléments d'analyse convexe.
• Stanislaw Szarek. Analyse convexe.

Description

Evaluation de performance et analyse de programmes :* Dénombrabilité, procédé diagonal de Cantor, alphabets, langages.

• Modèles de calcul, machines de Turing, machines à registres.
• Calculabilité. Décidabilité. Problème de l'arrêt.
• Complexité, classes P, NP, problèmes NP-complets, réductions polynomiales, problème SAT.

Langue

Français

Prérequis

Notions de base d'algorithmique.

Description

Les générateurs de systèmes experts ; Les algorithmes génétiques ; Introduction aux réseaux bayésiens ; Intelligence artificielle distribuée: Introduction aux systèmes multiagents ; Systèmes Intelligents à base de colonies de fourmis

Langue

Français

Objectif

Au terme de cette activité, l'étudiant(e) aura acquis des connaissances sur :

• Permettre aux étudiants de maîtriser les concepts fondamentaux de l’apprentissage automatique et d’appliquer ces notions à des problèmes concrets.
• Leur faire acquérir des connaissances sur les techniques d’apprentissage supervisé et non supervisé.

Bibliographie

Apprentissage artificiel, concepts et algorithmes, Eyrolles.

Description

Afin d'encourager l'implication des étudiants au développement de la vie sur le campus, un bonus d'un maximum de 0.33 point par an pourra leur être accordé sur la moyenne d'un semestre de printemps. Par exemple, cette implication pourra être : la création d'associations ou de fédérations, l'organisation de manifestations culturelles, le développement d'outils pour le suivi des anciens étudiants, la participation à l'organisation des dispositifs de communication sur le campus (forum, rencontre avec lycées, écoles, entreprises...), la participation active aux conseils et études permettant l'amélioration de la vie étudiante... Ce projet devra être validé par une commission en début d'année et donner lieu à un rapport et une présentation orale pour que le bonus soit validé.

Description

Les étudiants suivant les cours de François Langue Etrangère (FLE) peuvent bénéficier d'un bonus maximum de 0.33 point sur la moyenne du semestre de printemps de leur formation.

Description

Introduction à la théorie des jeux :

• Concepts de solution

• Jeux sous forme normale : stratégies dominantes/dominée

• Équilibre de Nash
• Critère de Pareto
• Stratégies mixtes et jeux à somme nulle

• Jeux sous forme extensive : équilibres corrélés

• Jeux répétés

Langue

Français

Description

Un stage complémentaire à la formation est un stage d'une durée minimum de 4 semaines, non prévu dans la maquette de formation et dont le sujet est validé en amont par un membre de l'équipe pédagogique, et qui donne lieu à une restitution. Ce stage peut s'effectuer entre la L3 et le M1 ou entre le M1 et le M2. Le bonus obtenu peut être au maximum 0.33 points sur la moyenne du semestre suivant la restitution du stage.

Prérequis

Algèbre linéaire de premier cycle. Bases de l'analyse.

Description

Ce cours à pour but d'être une introduction à l'apprentissage statistique en travaillant sur des exemples concret de régression ou de classification. C’est également une introduction à l’utilisation du langage Python pour le calcul scientifique. Dans une première partie, nous étudions la résolution de problèmes d’apprentissages supervisés en utilisant les bibliothèques Numpy et Scikit-Learn. Puis, dans une seconde partie, nous étudions les réseaux de neurones artificiel et leur manipulation via Python et le logiciel Tensorflow.

Objectif

• Se familiariser avec le langage Python et les libairies : Numpy, Pandas, Scikit-learn et Tensorflow
• Savoir résoudre des problèmes d'apprentissage supervisé simple avec Python
• Apprendre à manipuler des réseaux de neurones artificiel avec Tensorflow et Keras

Bibliographie

GÉRON, Aurélien. Hands-on machine learning with Scikit-Learn, Keras, and Ten-sorFlow: Concepts, tools, and techniques to build intelligent systems. O’Reilly Media, 2019. HASTIE, Trevor, TIBSHIRANI, Robert, FRIEDMAN, Jerome H., et al. The elements of statistical learning: data mining, inference, and prediction. New York : springer, 2009.

Description

Apprentissage et pratique de la langue anglaise générale et de l’anglais scientifique de spécialité. Cet apprentissage cible la pratique de l’écrit et de l’oral.

Objectif

L'accent est tout particulièrement mis sur la langue et la communication individuelle et en interaction.  Compétences développées : Niveau de langue B2/ C1

• Comment acquérir/ approfondir le lexique spécifique au domaine.

• Améliorer la maîtrise du système phonologique (prononciation, intonation, accentuation).

• Atteindre un niveau élevé de correction grammaticale.

• Comprendre des articles ou des conférences scientifiques.

• Présenter oralement des projets avec aisance, clarté et précision.

• Savoir débattre et argumenter de façon convaincante en langue générale et de spécialité

• Rédiger des textes clairs et structurés sur des sujets généraux et de spécialité.

Description

Initiation au droit de l'Informatique: propriété intellectuelle, loi « Informatique et Libertés », Loi Godfrain, législation sur la cryptographie... ; Introduction à la conduite de projet Informatique.

Description

Un stage complémentaire à la formation est un stage d'une durée minimum de 4 semaines, non prévu dans la maquette de formation et dont le sujet est validé en amont par un membre de l'équipe pédagogique, et qui donne lieu à une restitution. Ce stage peut s'effectuer entre la L3 et le M1 ou entre le M1 et le M2. Le bonus obtenu peut être au maximum 0.33 points sur la moyenne du semestre suivant la restitution du stage.

Description

Les étudiants suivant les cours de Français Langue Etrangère (FLE) peuvent bénéficier d'un bonus maximum de 0.33 point sur la moyenne du semestre de printemps de leur formation.

Description

Afin d'encourager l'implication des étudiants au développement de la vie sur le campus, un bonus d'un maximum de 0.33 point par an pourra leur être accordé sur la moyenne d'un semestre de printemps. Par exemple, cette implication pourra être : la création d'associations ou de fédérations, l'organisation de manifestations culturelles, le développement d'outils pour le suivi des anciens étudiants, la participation à l'organisation des dispositifs de communication sur le campus (forum, rencontre avec lycées, écoles, entreprises...), la participation active aux conseils et études permettant l'amélioration de la vie étudiante... Ce projet devra être validé par une commission en début d'année et donner lieu à un rapport et une présentation orale pour que le bonus soit validé.