Différences

Ci-dessous, les différences entre deux révisions de la page.

--- cours_de_l_ed:start [2017/11/23 11:12]
sonia
+++ cours_de_l_ed:start [2021/10/12 10:33]
sonia
@@ Ligne 1: / Ligne 1: @@
 Sur cette page sont indiqués les cours spécialement offerts par l'ED 184 à l'attention des doctorants et des enseignants-chercheurs, ainsi que les cours proposés par proposés par le collège doctoral de l'AMU ou d'autres organismes particulièrement intéressants d'un point de vue disciplinaire pour les doctorants de notre ED.
+**COURS DE l'ED**
+Trois cours de 24h chacun vous seront proposés prochainement. Les inscriptions sont dès à présent possible sur l'adum.
-----
+-----------------------------
+Pr Chu-min LI
-**COURS ED 2018**
+A partir du **lundi 22 novembre 2021** sur le campus de St Jérôme
+**Planning** : 8 séances de 2,5H (1H cours, 1,5H TD) réparties sur quatre semaines.
+Deux séances par semaine le mardi et le jeudi de 9h30 à 12h00.
-**"Entrelacs aléatoires"**, cours de 24H, Responsable Bruno Schapira , de Janvier à mi-Mars
-Nous présenterons le modèle d’entrelacs aléatoires, ainsi que certaines de ses propriétés notamment de connectivité. Cela sera
-également l’occasion d’introduire des outils fondamentaux de théorie élémentaire du potentiel ainsi que sur les processus de Poisson.
-**"Introduction à la Théorie du Contrôle Géométrique"**, cours de 20H, Responsable Francesca Chittaro, de Février à mi-Avril
+Programme :
-. Rappel de géométrie différentielle : variétés, fibré tangent, fibré cotangent, sous-variétés.
+Les problèmes NP-difficiles se trouvent dans beaucoup d'applications industrielles et académiques et il faut apporter des solutions à ces problèmes malgré la NP-difficulté. Il y actuellement deux types d'algorithmes dans la résolution pratique de ces problèmes: algorithmes heuristiques ou méta-heuristiques et algorithmes complets ou exacts. Un point en common de ces algorithmes est qu'ils ont en général besoin de prendre des décisions à chaque étape de la résolution. Beaucoup d'effort ont été faits dans la littérature pour améliorer la pertinence de ces décisions qui est cruciale pour la performance pratique de ces algorithmes. Mais assurer les meilleures décisions à chaque étape de la résolution pourrait être aussi difficile que le problème lui-même.
-. Equation différentielles survariétés:champs dévecteurs,flots et groupes de difféomorphismes.
-. Familles de champs de vecteurs : crochets et algèbre de Lie, orbite d’un famille de champs de vecteurs, Théorèmes de Rashevski-Chow et de Frobenius.
-. Systèmes commandes : définition, ensembles atteignables, contrôlabilité. Systèmes linéaires et bilinéaires.
-. Equivalence des systèmes contrôlés, linéarisation par feedback.
+L'apprentissage automatique est un outil puissant de l'intelligence artificielle qui a fait ses preuves dans beaucoup de domaines, permettant par exemple à un programme de battre les meilleurs joueurs du jeu de GO humains. Une tendance apparaît ainsi dans la littérature pour utiliser l'apprentissage automatique pour aider les algorithmes des problèmes NP-difficiles à prendre et améliorer des décisions à chaque étape de la résolution.
-**"Histoire de la Pensée Scientifique - Une introduction"**, cours de 24H, Responsable Stéphane Ballet, de  mi-Mai à début Juillet
+L'objectif de ce cour est d'enseigner le principe d'application de l'apprentissage automatique pour améliorer les algorithmes des problèmes NP-difficile. Le contenu du cours est le suivant:
-{{:cours_de_l_ed:ed184-histpenseeballet.pdf|}}
+- Problèmes NP-difficiles et leur application
+- Algorithmes existants des problèmes NP-difficiles
+- Principe de l'apprentissage automatique et de l'apprentissage par renforcement en particulier
+- Intégration de l'apprentissage automatique dans les algorithmes des problèmes NP-difficiles
+- Etude de cas
+---------------------------
+Pr Hachem KADRI/Giuseppe DI MOLFETTA
+A partir du **17 janvier sur le campus de St Charles, Frumam 2ème étage dans la salle de séminaire**
+**Planning** :
+janvier : de 10h à 11h30 et de 13h30 à 15h30 (HK)
+janvier : de 10h à 11h30 et de 13h30 à 15h30 (GM)
+janvier : de 10h à 11h30 et de 13h30 à 15h30 (GM)
+janvier : de 10h à 11h30 et de 13h30 à 15h30 (HK)
+janvier : de 10h à 11h30 et de 13h30 à 15h30 (HK)
+janvier : de 10h à 11h30 et de 13h30 à 15h30 (GM)
+Les séances du matin sont des séances de CM et celles de l'après-midi sont des TD/TP. Les inscrits aux cours doivent apporter leurs machines.
+Programme :
+Data Science & ML: an introduction (HK) [TD/TP
+Basics of Python programming and Scikit-learn]
+Quantum information theory : fundamentals
+(DMG) [TD/TP Density matrix and separability]
+Gate model, Quantum Amplitude Amplification,
+Variational circuits (DMG) [TD/TP Searching]
+Quantum machine learning: an overview (HK)
+[TD/TP Quantum perceptron]
+Classical-Quantum Hybrid Learning Algorithms
+(HK) [TD/TP Quantum Kernels and SVM]
+Quantum Assisted Learning and beyond (GDM)
+[TD/TP Quantum Bandit]
+-------------------------
 **Tous les doctorants qui souhaitent suivre  ces cours doivent impérativement s'enregistrer dans l'adum, la formation est en ligne.**

Ecole Doctorale 184

Outils pour utilisateurs

Outils du site

Différences

Outils de la page