v2.11.0 (5687)

Cours scientifiques - APM_5OD42_TA : Introduction à la recherche opérationnelle

Domaine > Applied Maths.

Descriptif

Ce cours présente des liens entre la recherche opérationnelle et la science des données ainsi que l'application d'algorithmes à des graphes de très grande taille.

Objectifs pédagogiques

Mettre en avant les liens grandissants entre les techniques de recherche opérationnelle et de science des données ainsi que leur application à des grands graphes.

31.5 heures en présentiel (9 blocs ou créneaux)
réparties en:
  • Contrôle : 4
  • Travaux dirigés en salle info : 2
  • Petite classe : 4
  • Cours magistral : 1
  • Stage de communication : 11

effectifs minimal / maximal:

6/40

Diplôme(s) concerné(s)

Parcours de rattachement

Pour les étudiants du diplôme Diplôme d'Ingénieur de l'Ecole Nationale Supérieure de Techniques Avancées

MAP-RO
OROC-RO-PM

Format des notes

Numérique sur 20

Littérale/grade européen

Pour les étudiants du diplôme Master 2 Data Sciences

Le rattrapage est autorisé (Max entre les deux notes)
  • le rattrapage est obligatoire si :
    Note initiale < 7
  • le rattrapage peut être demandé par l'étudiant si :
    7 ≤ note initiale < 10

Pour les étudiants du diplôme Diplôme d'Ingénieur de l'Ecole Nationale Supérieure de Techniques Avancées

Vos modalités d'acquisition :

 Travaux pratiques et examen écrit

Le rattrapage est autorisé (Max entre les deux notes écrêté à une note seuil)
  • le rattrapage est obligatoire si :
    Note initiale < 6
  • le rattrapage peut être demandé par l'étudiant si :
    6 ≤ note initiale < 10
L'UE est acquise si Note finale >= 10
  • Crédits ECTS acquis : 1.5 ECTS
  • Scientifique acquis : 1.5

Le coefficient de l'UE est : 1

La note obtenue rentre dans le calcul de votre GPA.

L'UE est évaluée par les étudiants.

Programme détaillé

1 - 6 séances d'introduction à la recherche opérationnelle pour les étudiants n'ayant pas vu au moins une des notions suivantes précédemment : problèmes de plus courts chemin et d'arbre couvrant dans des graphes, programmtation linéaire, algorithme du simplex, programmation linéaire en nombres entiers, algorithme de branch-and-bound.

2 - Présentation d'une méthode de machine learning se résolvant optimalement par programmation linéaire en nombres entiers.

3 - Application d'algorithmes de recherche à des graphes de très grande taille.

4 - (pour les étudiants MPRO) Introduction au machine learning et à ses applications.

Mots clés

Optimisation discrète, graphes, grande dimension, résolution de problèmes

Méthodes pédagogiques

CM, TD, Projet
Veuillez patienter