Descriptif

Ce cours présente des liens entre la recherche opérationnelle et la science des données.

Résolution exacte de problèmes de machine learning (2 séances)

Un modèle de machine learning est dit interprétable s'il est possible pour un humain de comprendre comment il prend ses décisions. Actuellement, les modèles les plus performants sont très complexes et donc peu interprétables (exemple : réseaux de neurones). Cependant, l'interprétabilité joue parfois un rôle primordial dans l'acceptation des utilisateurs. Il sera, par exemple, difficile de faire changer les méthodes de travail d'experts tels que des médecins via un algorithme de type boite noire.

Ainsi, il devient intéressant d'étudier des modèles de classification plus aisément interprétables tels que les règles d'association ou les arbres de décisions. Dans cette partie du cours, nous verrons qu'il est possible de trouver des modèles de ce type par la résolution exacte de programmes linéaires en nombres entiers

Mots-clés : PLNE, Interprétabilité, Liste de décision, Arbres de classification

(cette dernière partie sera remplacée cette année, plus de détails à venir)
Algorithmes pour les grands graphes de terrain (3 séances)

Comprendre la structure des réseaux est crucial dans de nombreux contextes, allant de la conception de protocoles à l'optimisation et à la prévision de l'évolution de ceux-ci. Dans ce contexte, la théorie des graphes fournit un ensemble de concepts importants permettant de caractériser la structure des réseaux en pratique.

Comment classer des pages web par popularité ? Comment constituer des listes d'amis automatiquement sur Facebook ? Quels produits recommander à un utilisateur sur Amazon ? Nous verrons quelques algorithmes de graphe et comment les implémenter pour qu'ils passent à l’échelle.

Mots-clés : Graphes de grande taille, Complexité

Examen écrit (1 séance)