![]() | Programme d’études 2024-2025 | English | |
![]() | Advanced Optimization for Data Science | ||
Unité d’enseignement du programme de Master : ingénieur civil en informatique et gestion , à finalité spécialisée en Artificial Intelligence and Decision Aid (MONS) (Horaire jour) à la Faculté Polytechnique |
| Code | Type | Responsable | Coordonnées du service | Enseignant(s) |
|---|---|---|---|---|
| UI-M1-IRIGIA-103-M | UE Obligatoire | VANDAELE Arnaud | F151 - Mathématique et Recherche opérationnelle |
|
| Langue d’enseignement | Langue d’évaluation | HT(*) | HTPE(*) | HTPS(*) | HR(*) | HD(*) | Crédits | Pondération | Période d’enseignement |
|---|---|---|---|---|---|---|---|---|---|
| Anglais | 26 | 34 | 0 | 0 | 0 | 5 | 5.00 | 2e quadrimestre |
| Code(s) d’AA | Activité(s) d’apprentissage (AA) | HT(*) | HTPE(*) | HTPS(*) | HR(*) | HD(*) | Période d’enseignement | Pondération |
|---|---|---|---|---|---|---|---|---|
| I-MARO-232 | Topics in Convex Optimization | 8 | 16 | 0 | 0 | 0 | Q2 | |
| I-MARO-303 | First-Order Methods for Large Scale Machine Learning | 6 | 12 | 0 | 0 | 0 | Q2 | |
| I-MARO-018 | Optimization & Operational Research | 12 | 6 | 0 | 0 | 0 | Q2 |
| Unité d'enseignement |
|---|
Objectifs par rapport aux acquis d'apprentissage du programme
Acquis d'apprentissage de l'UE
voir les AA
Contenu de l'UE : descriptif et cohérence pédagogique
Note globale.
Une note minimum à atteindre dans chacune des AA sera communiquée.
Compétences préalables
Analyse Numérique, Optimisation linéaire et non linéaire, capacité d'implémentation
Type(s) et mode(s) d'évaluations Q2 pour l'UE
Commentaire sur les évaluations Q2 de l'UE
Note globale.
Une note minimum à atteindre dans chacune des AA sera communiquée.
Méthode de calcul de la note globale pour l'évaluation Q2 de l'UE
Note globale.
Une note minimum à atteindre dans chacune des AA sera communiquée.
Type(s) et mode(s) d'évaluations Q3 pour l'UE
Commentaire sur les évaluations Q3 de l'UE
Note globale.
Une note minimum à atteindre dans chacune des AA sera communiquée.
Méthode de calcul de la note globale pour l'évaluation Q3 de l'UE
Note globale.
Une note minimum à atteindre dans chacune des AA sera communiquée.
Types d'activités
| AA | Types d'activités |
|---|---|
| I-MARO-232 |
|
| I-MARO-303 |
|
| I-MARO-018 |
|
Mode d'enseignement
| AA | Mode d'enseignement |
|---|---|
| I-MARO-232 |
|
| I-MARO-303 |
|
| I-MARO-018 |
|
Supports principaux non reproductibles
| AA | Supports principaux non reproductibles |
|---|---|
| I-MARO-232 | Sans objet |
| I-MARO-303 | Slides et autres supports disponibles sur Moodle |
| I-MARO-018 | Sans objet |
Supports complémentaires non reproductibles
| AA | Support complémentaires non reproductibles |
|---|---|
| I-MARO-232 | Sans objet |
| I-MARO-303 | Bottou, L., Curtis, F. E., & Nocedal, J. (2018). Optimization methods for large-scale machine learning. Siam Review, 60(2), 223-311. Newton, D., Yousefian, F., & Pasupathy, R. (2018). Stochastic Gradient Descent: Recent Trends. In Recent Advances in Optimization and Modeling of Contemporary Problems (pp. 193-220). INFORMS. |
| I-MARO-018 | Sans objet |
Autres références conseillées
| AA | Autres références conseillées |
|---|---|
| I-MARO-232 | Sans objet |
| I-MARO-303 | Sans objet |
| I-MARO-018 | Sans objet |