Différences

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

--- cours_de_l_ed:start [2018/09/10 09:31]
sonia
+++ cours_de_l_ed:start [2021/10/12 11:26]
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
-**Artificial Intelligence: from Machine Learning to Data Science**
+**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.
-Content:
-Machine Learning addresses the question of how to develop computer systems that improve their performance automatically with experience. It is the core technologies at the basis of modern Artificial Intelligence and of all of its spectacular breakthrough in the last ten years. It is also at the core of the emerging field of Data Science. This course deals with the foundations of machine learning based Artificial Intelligence and of its more recent success which has led to the development of Data Science. The whole process allowing the extraction of knowledge from data will be presented: data preparation and visualization, model generation via the use of a Machine Learning framework, results analysis. The course mainly focuses on classification tasks: non-supervised via the learning algorithm known as k-means, supervised via the presentation of several learning algorithms (k-nearest neighbors, random forest, support vector machines, artificial neural networks). A particular attention is given to practical work: the detailed process (dimension reduction, cross-validation, visualization, fine tuning of hyper-parameters, ...) is studied and well-known toolboxes are introduced (Scikit-Learn, Keras).
-Team: Hachem Kadri, Rémi Eyraud, Liva Ralaivola (nom.prenom@lis-lab.fr)
+Programme :
-* The course will be given in English. It is possible to be in French if all the PhD Students registered to the course are francophones.
-**Homotopie et homologie du calcul**
+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.
-Résumé :
+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.
-Ce cours entre naturellement dans ce cadre, car il présente des liens profonds entre différents domaines des mathématiques et de l’informatique théorique :réécriture de mots : présentations convergentes d’un monoïde (ou d’une catégorie); algèbre homologique : groupes d’homologie d’un monoïde (ou d’une catégorie);
+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:
-groupes de tresses et généralisations : familles de Garside dans un monoïde (ou une catégorie) ; catégories supérieures et algèbre homotopique : type de dérivation fini et résolutions polygraphiques.
-Cette approche a été initiée par Craig Squier (1987) : en montrant que les paires critiques de la réécriture définissent des générateurs de l’homologie en dimension 3,
+- Problèmes NP-difficiles et leur application
-il peut construire un monoïde finement présentable pour lequel le problème du mot est décidable, mais qui n’admet aucune présentation convergente finie.
+- Algorithmes existants des problèmes NP-difficiles
-La méthode a été généralisée à la dimension quelconque par Yuji Kobayashi (1990), puis reformulée dans un cadre homotopique par Craig Squier lui-même (1994).
+- Principe de l'apprentissage automatique et de l'apprentissage par renforcement en particulier
-Elle a été adaptée au cas des groupes gaussiens par Patrick Dehornoy et Yves Lafont en 2003, ce qui permet, par exemple, de calculer l’homologie des groupes de tresses.
+- Intégration de l'apprentissage automatique dans les algorithmes des problèmes NP-difficiles
-La réécriture de mots a aussi été généralisée au cas des 2-présentations par Albert Burroni (1993) et Yves Lafont (2003). En suivant cette voie,
+- Etude de cas
-François Métayer a introduit la notion de résolution polygraphique (2003), qui est la version homotopique des résolutions libres (2009).
-C’est aussi ce qu’on appelle un remplacement cofibrant en algèbre homotopique.
-Ce cours (24h) aura lieu au second semestre. Les publics visés sont d’abord les doctorants issus des masters recherche de mathématiques générales et d’informatique théorique,
+---------------------------
-puis les étudiants de ces masters (qui auront déjà suivi des cours fondamentaux), et tous les collègues intéressés par ce domaine. Selon le niveau des étudiants et des collègues,
-je ferai des rappels, dans l’esprit de mon cours intensif de 2008 : Algèbre et géométrie de la réécriture (Ecole Jeunes Chercheurs en Informatique Mathématique, CIRM, 2018)
+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**
-**"Entrelacs aléatoires"**, cours de 24H, Responsable Bruno Schapira , de Janvier à mi-Mars
+**Planning** :
-Nous présenterons le modèle d’entrelacs aléatoires, ainsi que certaines de ses propriétés notamment de connectivité. Cela sera
+janvier : de 10h à 11h30 et de 13h30 à 15h30 (HK)
-également l’occasion d’introduire des outils fondamentaux de théorie élémentaire du potentiel ainsi que sur les processus de Poisson.
+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)
-**"Introduction à la Théorie du Contrôle Géométrique"**, cours de 20H, Responsable Francesca Chittaro, de Février à mi-Avril
+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.
-. Rappel de géométrie différentielle : variétés, fibré tangent, fibré cotangent, sous-variétés.
+Programme :
-. 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.
+Data Science & ML: an introduction (HK) [TD/TP
-. Systèmes commandes : définition, ensembles atteignables, contrôlabilité. Systèmes linéaires et bilinéaires.
+Basics of Python programming and Scikit-learn]
-. Equivalence des systèmes contrôlés, linéarisation par feedback.
+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]
+-------------------------
+Pr Thierry ARTIERES
+Deep Learning
+**Date et lieu à définir** cours sur 6 jours
+Programme :
+.Perceptron et perceptron multicouches
+.Architectures denses et convolutionnelles
+.Architectures profondes classiques
+.Conception de systèmes, réutilisation de l’existant et transfert learning
+.Réseaux récurrents, mécanismes d’attention et Transformers
+.Apprentissage de représentations et embeddings
+.Génération de données et Adversarial Learning Ressources
-**"Histoire de la Pensée Scientifique - Une introduction"**, cours de 24H, Responsable Stéphane Ballet, de  mi-Mai à début Juillet
-{{:cours_de_l_ed:ed184-histpenseeballet.pdf|}}
 **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