Statistical and Financial Engineering - Master's Year 2

UE fondamentales

• Anglais des affaires
  Close

  Anglais des affaires

  Ects : 2

  Lecturer :

  • CATHERINE PIOLA

  Total hours : 18

  Overview :

  1. Présentation des concepts et outils utilisés en management de projet, illustrée par des exemples concrets portant sur des projets, notamment dans le domaine de la Data Science.2. Réalisation en groupe d’un projet de communication.

  Learning outcomes :

  Amener les étudiants à développer des stratégies qui leur permettent d’améliorer leurs compétences langagières, à l’écrit comme à l’oral. Un contenu lié à la recherche d’emploi et au monde du travail est abordé au moyen de simulations et d’exercices de compréhension, de production et d’écoute.

• Decentralized & Crypto Finance : new era of financial services
  Close

  Decentralized & Crypto Finance : new era of financial services

  Ects : 2

  Lecturer :

  • REMY OZCAN

  Total hours : 15
• Deep learning
  Close

  Deep learning

  Ects : 2

  Lecturer :

  • GABRIEL TURINICI

  Total hours : 18

  Overview :

  1/ Deep learning: major applications, key references, general background

   

  2/ Types of approaches: supervised, reinforcement, unsupervised

   

  3/ Neural networks: presentation of the main components—neurons, operations, loss function, optimization, architecture

   

  4/ Focus on stochastic optimization algorithms, convergence proof of SGD

   

  5/ Convolutional neural networks (CNNs): filters, layers, architectures

   

  6/ Techniques: backpropagation, regularization, hyperparameters

   

  7/ Networks for sequences: RNN, LSTM, Attention, Transformer

   

  8/ Generative networks (GAN, VAE)

   

  9/ Programming environments for neural networks: TensorFlow, Keras, PyTorch, and hands-on work with the examples covered in class

   

  10/ Stable Diffusion, LLMs

   

  11/ Ethical and alignment perspectives

  Require prerequisites :

  python, mathematics: algebra, probabilities, numerical analysis

  Learning outcomes :

  introduction to deep learning

  Learn more about the course :

  turinici.com

  Bibliography-recommended reading

  turinici.com

• Introduction à l'apprentissage supervisé
  Close

  Introduction à l'apprentissage supervisé

  Ects : 3

  Lecturer :

  • PATRICE BERTRAND

  Total hours : 21

  Overview :

  1- Analyse factorielle discriminante 2- Analyse discriminante linéaire et quadratique 3- Classification bayésienne à l'aide de modèles génératifs de mélange 4- Classifieur bayésien et classifieur bayésien naïf 5- Sélection de modèles de mélange parcimonieux 6- Arbres de décision 7- Forêts aléatoires L'ensemble de ces méthodes enseignées est illustré par des démonstrations du logiciel R sur des jeux de données réel (principalement Analyse Discriminante linéaire et quadratique, Classification bayésienne gaussienne, Classifieur bayésien naïf, Forêts aléatoires).

  Require prerequisites :

  Algèbre Linéaire (calcul matriciel), Analyse Factorielle (cadre général et cas de l'Analyse en Composantes Principales), Théorie élémentaire des probabilités

   

  Learning outcomes :

  Ce cours présente les méthodes élémentaires d'apprentissage supervisé suivantes : analyse factorielle discriminante, classification bayésienne à l'aide de modèles génératifs de mélange, arbres de décision et forêts aléatoires. Les propriétés théoriques et différentes formulations de ces méthodes sont présentées. Leurs mises en oeuvre, ainsi que celles de leurs variantes, sont illustrées à l'aide de traitements de données effectués avec le logiciel R. L'objectif de ce cours est l'acquisition de la maîtrise de ces méthodes élémentaires d'apprentissage supervisé.

  Learn more about the course :

  Examen

  Bibliography-recommended reading

  - Benzecri, J.-P. (1980) Pratique de l'analyse des données. Dunod. Paris. - Bouveyron, C., Celeux, G., Murphy, T.,& Raftery, A. (2019) Model-Based Clustering and Classification for Data Science: With Applications in R, Cambridge Series in Statistical and Probabilistic Mathematics, Cambridge: Cambridge University Press. - Breiman,L., Friedman, J.H., Olshen,R., and Stone, C.J. (1984). Classification and Regression Trees, Wadsworth & Brooks/Cole Advanced Books & Software, Pacific California. - Hastie, T., Tibshirani, R., Friedman, J. (2009) The Elements of Statistical Learning : Data Mining, Inference, and Prediction, Second Edition, Springer Series in Statistics. - James, G., Witten, D., Hastie, T., Tibshirani, R., Taylor, J., (2023) An Introduction to Statistical Learning: With Applications in Python, Springer International Publishing. - Lebart, L., Piron, M. , Morineau, A. (2006) (4ème edition, refondue) Statistique Exploratoire Multidimensionnelle, 480 pages, Dunod. - Saporta, G. (2006), Probabilités, Analyse des données et Statistique, 656 pages, Technip.

• Introduction à l'assurance vie et non vie
  Close

  Introduction à l'assurance vie et non vie

  Ects : 2

  Lecturer :

  • MICHEL GERMAIN

  Total hours : 21

  Overview :

  1. Définir les termes et les acteurs d’une opération d’assurance2. Donner des éléments statistiques sur le secteur de l’assurance3. Rappeler des éléments de probabilité et de mathématiques financières4. Déterminer la tarification des engagements vie et non vie5. Exposer les formes de garanties proposées en vie et en non vie 6. Calculer les engagements techniques des contrats d'assurance7. Étudier la gestion du risque au niveau de l’organisme assureur8. Donner des notions de comptabilité et de réglementation propre à l'assurance9. Présenter les principes de la réassurance10. Étudier la notion de solvabilité d’un organisme assureur et quelques éléments prudentiels

  Learning outcomes :

  Présenter les principaux modèles de l’assurance vie et non vie.

• Introduction au Machine learning
  Close

  Introduction au Machine learning

  Ects : 2

  Lecturer :

  • PIERRE BRUGIERE

  Total hours : 18

  Overview :

  1. Supervised and unsupervised learning 2. Calibration versus prediction: how to avoid over-fitting 3. Measure of the complexity of a model according to Vapnik-Chervonenkis 4. Vapnik-Chervonenkis's inequality and the control of the prediction error 5. Maximum margin SVMs and Gap tolerant classifiers 6. C-SVMs and duality 7. SVMs with kernels and Mercer's theorem 8. The simplex case 9. Mu-SVM, duality and reduced convex envelopes 10. Single class SVMs, anomaly detections and clustering 11. An introduction to Bootstrap, decision trees and random forests 12. Ridge Regression, penalization, and yield curve smoothing 13. The Representer theorem, Lasso, parsimony and duality.

  Recommended prerequisites :

  Algèbre linéaire, calcul différentiel et optimisation au niveau M1

  Require prerequisites :

  Algèbre linéaire et calcul différentiel

  Learning outcomes :

  Théorie du statistical learning. Comprendre comment utiliser les Supports Vectors Machines pour l'apprentissage supervisé et non supervisé. Quelques application des méthodes de regressions pénalisées. Application à des problèmes de crédit et de courbe des taux.

  Assessment :

  Examen

  Bibliography-recommended reading

  [1] Pierre Brugiere: hal.archives-ouvertes.fr/cel-01390383v2 [2] Wolfgang Karl Härdle, Rouslan Moro, Linda Hoffmann : Learning Machines Supporting Bankruptcy Prediction, SFB 649 Discussion Paper 2010-032 [3] Dave DeBarr and Harry Wechsle: Fraud Detection Using Reputation Features SVMs, and Random Forests [4] Trevor Hastie, Robert Tibshirani, Jerome Friedman: The Elements of Statistical Learning [5] Christopher Bishop: Pattern Recognition and Machine Learning [6] Andriy Burkov: The Hundred-Page Machine Learning Book

• Méthodes actuarielles
  Close

  Méthodes actuarielles

  Ects : 3

  Lecturer :

  • MARC DOMANGE

  Total hours : 21

  Overview :

  1. Instruments et marchés (marchés monétaires, marchés obligataires) 2. Mesure et couverture du risque de taux (duration, convexité, ACP) 3. Reconstitution de la structure par terme des taux (modèles à splines, modèles paramétriques) 4. Théories de la structure par terme des taux (anticipations pures, prime de risque pure, segmentation, anticipations biaisées) 5. Gestion passive (tracking error, échantillonnage stratifié) 6. Gestion active (roll-down, barbell, bullet, butterfly) 7. Produits dérivés de taux (futures& swaps)

  Learning outcomes :

  Fournir une explication détaillée de la structure par terme des taux et apporter un éclairage sur les différentes stratégies de gestion et leur mise en œuvre.

• Méthodes pour les modèles de régression
  Close

  Méthodes pour les modèles de régression

  Ects : 3

  Lecturer :

  • PATRICE BERTRAND

  Total hours : 21

  Overview :

  L'objectif de ce cours est de présenter aux étudiants des connaissances fondamentales, sur la régression d'un point de vue théorique ainsi que sur le code lié à ce domaine.

  • Rappels sur les projections dans un espace vectoriel. Projections dans l'espace L2 des variables aléatoires de carré intégrable. Cas multi-varié.
  • Présentation de la régression linéaire avec des hypothèses minimales. Risques empirique et de généralisation. Théorème de Frisch-Waugh-Lovell. Coefficients de détermination centré et non centré.
  • Propriétés statistiques des estimations MCO (Moindres Carrés Ordinaires) avec les hypothèses standard de normalité : tests sur les coefficients, théorème de Gauss-Markov. Cas où les hypothèses standard ne sont pas vérifiées : estimateur des moindres carrés généralisé, biais endogène, variables instrumentales.
  • Régularisation et sélection de modèles : régressions Ridge et Lasso, régression bayésienne et estimateur de la régression Ridge, validation croisée, critères de validation (AIC, BIC, Cp-Mallows,...).
  • Analyse de différents modèles linéaires gaussiens multivariées sous R ou Python à partir de jeux de données réelles.

  Require prerequisites :

  Notions de base en Algèbre linéaire, Probabilité et Statistiques

  Learning outcomes :

  A la suite de ce module, les étudiants seront capables de comprendre la régression d'un point de vue théorique et de coder les différentes procédures étudiées. Ils auront le recul nécessaire pour préselectionner des procédures adaptées à la spécifité du jeu de données et sélectionner celles ayant les meilleures performances de généralisation.

  Assessment :

  Examen

• Méthodologie en gestion globale des Risques : VaR
  Close

  Méthodologie en gestion globale des Risques : VaR

  Ects : 3

  Lecturer :

  • DENIS BERTIN

  Total hours : 21

  Overview :

  1. Introduction et définition de la Value at Risk 2. Méthodes et méthodologies de calcul 3. Choix de distribution de probabilité pour positions optionnelles 4. Mesure de risque de marché et RiskMetrics 5. Risque de crédit et exigences réglementaires 6. Risque de corrélation défavorable, liquidité et xVA 7. Expected Shortfall et VaR sur Valeurs extrêmes

  Learning outcomes :

  Clarifier la notion de risque et présenter les principales techniques et méthodes de VaR permettant de mesurer, analyser et prédire le risque.Le risque de marché fera l’objet d’’une attention particulière au travers de l’analyse de la VaR. Les méthodes de gestion globale du risque de marché lorsque les sources d’incertitudes sont multiples seront également étudiées.

• Processus Stochastiques
  Close

  Processus Stochastiques

  Ects : 3

  Lecturer :

  • EMMANUEL LEPINETTE

  Total hours : 30

  Overview :

  1. Processus stochastiques, processus à variations finies. 2 Intégrale stochastique, processus d'Ito, calcul stochastique. 3. EDS; exemples en finance.

  Recommended prerequisites :

  Processus stochastiques en temps discret, martingales.

  Require prerequisites :

  Calcul de probabilités (bases de la théorie de la mesure, notion d'espérance conditionnelle, modes de convergence des variables aléatoires, filtration, martingales)

  Learning outcomes :

  Approfondir les notions de processus stochastiques, équations différentielles stochastiques (EDS) , lien avec les équations aux dérivées partielles (e.d.p) et applications à la finance

  Assessment :

  CC(30%) + Examen(70%)

• SAS, R et Python
  Close

  SAS, R et Python

  Ects : 3

  Lecturer :

  • LAURENT ALLO
  • GREGOIRE DE LASSENCE

  Total hours : 24

  Overview :

  • Les bases de la data (les formats des fichiers, la BI ...)
  • Les environnements de données (Big Data, Distribué ...)
  • Les étapes de la Data Analyse
  • WebScraping et API (Beautiful Soup)
  • Data Manipulation et Analyse avec Pandas et Polars
  • Versioning du code et hébergement du code (Git et Github)
  • Data Visualisation Théorique & Pratique (Seaborn)
  • Introduction à l'IA et script python

  Require prerequisites :

  Python

  Learning outcomes :

  • Etre à l'aise avec les environnements de données
  • Savoir utiliser le bon outil en fonction du besoin
  • Savoir travaillé à plusieurs sur un projet Data
  • Avoir une bonne vision de la donnée en entreprise

  Assessment :

  Projet en groupe + QCM

• Solvabilité II
  Close

  Solvabilité II

  Ects : 2

  Lecturer :

  • LOUIS-ANSELME DE LAMAZE

  Total hours : 18

  Overview :

  1. Introduction au contexte de solvabilité 2. Présentation du calcul de solvabilité 3. Dispositifs de gestion des risques (ORSA) 4. Analyse prospective& introduction à l’appétence aux risques

  Learning outcomes :

  Fournir aux étudiants des connaissances sur le contrôle prudentiel des organismes d’assurances. Leur permettra d’appréhender la complexité des problèmes comptables et les mécanismes d’évaluation du ratio de solvabilité. Le fonctionnement et l’approche de la gestion des risques dans le secteur de l’assurance seront présentés dans ce nouveau contexte.

UE complémentaires voie QRF

• Modélisation stochastique du risque de crédit
  Close

  Modélisation stochastique du risque de crédit

  Ects : 2

  Lecturer :

  • EMMANUEL LEPINETTE

  Total hours : 21

  Overview :

  Le modèle de Merton, les modèles à intensité.

  Recommended prerequisites :

  Calcul stochastique + théorie des probabilités+ Python.

  Require prerequisites :

  Calcul stochastique + théorie des probabilités+ Python.

  Learning outcomes :

  Comprendre et savoir implémenter en Python, les principaux modèles de la littérature.

  Assessment :

  CC (30%) + Examen final (70%)

  Bibliography-recommended reading

  Cours auto-suffisant.

• Statistiques et dynamique des produits dérivés
  Close

  Statistiques et dynamique des produits dérivés

  Ects : 2

  Lecturer :

  • GABRIEL TURINICI

  Total hours : 21

  Overview :

  1/ Approches en probabilité historique (gestion de portefeuille classique), portefeuilles optimaux, beta, arbitrage, APT

  2/ Valuation de produits dérivés et probabilité risque neutre

  3/ Delta hedging en pratique, trading de volatilité

  4/ Assurance du portefeuille: stop-loss, CPPI, CRP - Constant Mix, Buy & Hold

  5/ Options exotiques ou cachées: ETF short,

  6/ Si le temps permet: approches machine learning en gestion dynamique du portefeuille

  Recommended prerequisites :

  python, calcul stochastique, produits dérivés

  Require prerequisites :

  algèbre niveau L2-L3

  Learning outcomes :

  approche pratique et empirique (programmation Python) de la gestion de portefeuille, des produits dérivés et de la gestion de risques tout en se basant sur une formalisation stochastique avancée

  Assessment :

  voir CC

  Learn more about the course :

  turinici.com

  Bibliography-recommended reading

  Voir turinici.com

UE fondamentales

• Culture Financière et pratique de Bloomberg
  Close

  Culture Financière et pratique de Bloomberg

  Ects : 2

  Lecturer :

  • PIERRE BRUGIERE
  • DENIS BERTIN

  Total hours : 15

  Overview :

  1. Le bilan d’une entreprise et les différentes catégories de titres 2. Les actions, la dette, la dette hybride, le Tier 1, le Tier 2, le Tier 3 3. Les obligations convertibles, les mandatory convertibles 4. Les opérations en capital, les augmentations de capital, les FRESHs les Cocos 5. Les rachats d’actions, simples ou structurés 6. Les dividendes cash ou scrip, formules d’ajustements des dérivés 7. Les activités ECM, DCM, EQL, M&A 8. Séances pratiques sur Bloomberg : · construction de tableaux de bords en temps réel (BDP) · analyses historiques (BDH) · analyse financière · spreadsheets et templates Bloomberg

  9. Mini projet de gestion de portefeuille

  Learning outcomes :

  Connaitre les principales notions de corporate finance, analyser des données financières sur Bloomberg, faire un mini projet en gestion de portefeuille

• Pratique des options
  Close

  Pratique des options

  Ects : 2

  Lecturer :

  • BERTRAND FAUCHER

  Total hours : 18

  Overview :

  1. Mise en situation concrète du métier de trading (market making) 2. Pricing des options complexes à partir de celui des options vanilles 3. Les risques dans la vraie vie 4. Au-delà des grecques

  Learning outcomes :

  - Comprendre les responsabilités d’un market maker d’options - Maîtriser les implications concrètes au-delà des équations de la gestion d’un portefeuille d’options - Acquérir des réflexes afin de repérer rapidement les principales sources de risques

• Python et pratique de la Data Science
  Close

  Python et pratique de la Data Science

  Ects : 2

  Lecturer :

  • Pierre FIHEY

  Total hours : 18

  Overview :

  • Préparation des données, EDA. Traitement des classes déséquilibrées
  • Scrapping de données
  • Apprentissage non supervisé (Clustering, Réduction de dimensions)
  • Apprentissage supervisé (Classification, Régression)
  • Deep Learning (ANN, RNN, LSTM)
  • Natural Language Processing (De Bag Of Words aux Transformers) L'objectif de ce cours est de rappeler la théorie derrière les principaux algorithmes de ML, Deep Learning et NLP avant de mettre en pratique l'ensemble de ces algorithmes dans un projet appliqué à la prédictions de mouvements de stocks financiers.

  Learning outcomes :

  Connaissances des principaux algorithmes de Machine Learning, Deep Learning et Natural Language Processing. Savoir implémenter ces méthodes et comparer leurs performances. Projet combinant l'ensemble de ces méthodes, appliqué à la finance.

  Assessment :

  Projet (Code + Rapport)

UE complémentaires voie QRF

• Implémentation de modèles multivariés en finance et assurance
  Close

  Implémentation de modèles multivariés en finance et assurance

  Ects : 2

  Lecturer :

  • EMMANUEL LEPINETTE

  Total hours : 18

  Overview :

  La dépendance à travers les copules, applications dans divers problèmes, mesures de risques dans des problèmes multivariés, problème de sur-réplication dans des problèmes multivariés. Divers exemples d'implémentations numériques multi-dimensions.

  Recommended prerequisites :

  Cours de calcul stochastique, de bonnes bases en théorie des probabilités, des notions en algorithmique et Python.

  Require prerequisites :

  Cours de calcul stochastique, de bonnes bases en théorie des probabilités, des notions en algorithmique et Python.

  Learning outcomes :

  Savoir modéliser un problème issu de la finance ou de l'assurance, savoir le résoudre er l'implementer en Python.

  Assessment :

  CC (30%)+examen final (70%)

  Bibliography-recommended reading

  Le cours est auto-suffisant.

• Modélisation stochastique de la courbes de taux
  Close

  Modélisation stochastique de la courbes de taux

  Ects : 3

  Lecturer :

  • IMEN BEN TAHAR

  Total hours : 21

  Overview :

  1. Quelques outils de calcul stochastique : rappels 2. Généralités sur les taux d'intérêt 3. Produits de taux classiques 4. Modèle LGM à un facteur 5. Modèle BGM (Brace, Gatarek et Musiela) / Jamishidian 6. Modèles à volatilité stochastique

  Learning outcomes :

  Ce cours est consacré aux modèles de taux d’intérêts à temps continu. Au travers de nombreux exemples, on décrira leurs utilisations pour évaluer les produits dérivés sur taux d’intérêt.

UE complémentaires voie MDB

• Data Science pour le Business
  Close

  Data Science pour le Business

  Ects : 2

  Lecturer :

  • BASSEM GHARBI
  • PIERRE FISZ
  • BAN ZHENG

  Total hours : 21
• Machine Learning, Transformer et NLP
  Close

  Machine Learning, Transformer et NLP

  Ects : 2

  Lecturer :

  • DIDIER JEANNEL

  Total hours : 18

  Overview :

  1. Introduction au Traitement Automatique du Langage Naturel (NLP)

  • Définition et enjeux du NLP
  • Applications du NLP dans l'industrie et la recherche
  • Évolution des approches NLP : des modèles classiques aux Transformers

  2. Modélisation des Textes

  • Représentation des textes : Bag of Words, TF-IDF
  • Limites des représentations classiques
  • Introduction aux Word Embeddings

  3. Pré-traitement du Texte

  • Tokenization : règles et techniques
  • Utilisation des expressions régulières (REGEX) pour le nettoyage des textes
  • Stemming et lemmatisation : différences et usages
  • Suppression des stopwords et normalisation des textes

  4. Techniques de Word Embeddings

  • Introduction aux embeddings contextuels et statiques
  • Présentation des modèles GloVe et Word2Vec
  • Comparaison et utilisation des embeddings dans le NLP

  5. Sentiment Analysis

  • Utilisation des lexiques de sentiments
  • Visualisation des sentiments avec des graphiques
  • Approches non supervisées pour l'analyse des sentiments
  • Classification Naïve Bayes appliquée à l'analyse de sentiments

  6. Introduction aux Transformers

  • Architecture des Transformers : concepts clés
  • Attention et auto-attention : mécanismes et visualisation
  • Applications générales des Transformers (traduction, résumé, génération de texte)
  • Présentation de l'environnement Hugging Face

  7. Utilisation des Transformers

  • Panorama des modèles de Transformers : BERT, GPT, T5, etc.
  • Visualisation des mécanismes d'attention
  • Entraînement et fine-tuning d'un Transformer
  • Pipelines NLP avec Hugging Face : classification, résumé, traduction

  8. Application aux Résumés de Texte

  • Types de résumé auto matique : extractif vs. abstractive
  • Comparaison des modèles de résumé
  • Métriques d'évaluation : ROUGE, BLEU, METEOR
  • Implémentation pratique d'un modèle de résumé avec Transformers

  9. Projet Final et Évaluation

  • Mise en œuvre d'un projet appliqué utilisant les Transformers
  • Présentation des résultats et discussion
  • Évaluation finale du cours

  Evaluation

  • Examen en salle informatique (100%)

  Learning outcomes :

  Comprendre des NLPs et les Transformers

  Assessment :

  Examen en salle informatique 100%

• Recent Advances in Data Sciences
  Close

  Recent Advances in Data Sciences

  Ects : 3

  Lecturer :

  • THEO LOPES QUINTAS

  Total hours : 21

  Overview :

  Le domaine du Machine Learning et du Deep Learning évoluant sans cesse plus rapidement, il est essentiel d'avoir des bases solides dans ces deux domaines pour naviguer dans les nombreux articles de recherche du domaine. Nous traiterons de notions réinterprétés ou présentés entre 2017 et 2023 à la lumière d'articles plus anciens.

  Les séances serons organisée par thème :

  1. Bon départ d'un réseau de neurones
  2. Calibration en Machine Learning
  3. Mise à jour moderne des poids d'un réseau de neurones
  4. Avancées des Large Language Models pour les réseaux de neurones en général
  5. Tokenization et impacts

  Pour chaque séances plusieurs TP avec PyTorch serons proposés pour manipuler le cours. Les séances restante seront dédiés à la préparation d'une soutenance finale portant sur une ou plusieurs des notions abordées dans les 5 séances.

  Require prerequisites :

  Machine Learning et Deep Learning, mathématiques niveau master 1 maths

  Learning outcomes :

  • Lecture, implémentation et critique d'un papier de recherche en Machine Learning
  • Utilisation de PyTorch et Latex
  • Capacité de synthèse et de vulgarisation de notions complexe en Machine Learning
  • Culture générale sur le domaines et les acteurs

  Assessment :

  Soutenance d'un sujet de recherche proposé, avec rédaction d'un rapide compte-rendu, des slides et un notebook.

  Bibliography-recommended reading

  • Machine Learning et Deep Learning
    • Hands-on Machine Learning with Scikit-Learn , Aurélien Géron, O'Reilly
    • Deep Learning avec TensorFlow , Aurélien Géron, O'Reilly
    • Deep Learning with Python , François Chollet, Manning
  • Culture générale
    • Weapons of Math Destruction , Cathy O'Neil, Crown Books
    • Quand la machine apprend , Yann Le Cun, Odile Jacob
    • De l'autre côté de la machine : Voyage d'une scientifique au pays des algorithmes, Aurélie Jean, Édition de l'observatoire
• Renforcement Learning
  Close

  Renforcement Learning

  Ects : 2

  Lecturer :

  • GABRIEL TURINICI

  Total hours : 21

  Overview :

  1/ Introduction to reinforcement learning 2/ Theoretical formalism: Markov Decision Processes (MDPs), value function (Bellman equation and Hamilton–Jacobi–Bellman equation), etc. 3/ Common strategies illustrated with the “multi-armed bandit” example 4/ Deep learning strategies: Q-learning, DQN 5/ Deep learning strategies: SARSA and variants 6/ Deep learning strategies: Actor–Critic and variants 7/ Various Python implementations 8/ Ethical perspectives, the alignment problem, recent approaches and applications

  Recommended prerequisites :

  tensorflow, keras, pytorch

  Require prerequisites :

  python, numérical analysis

  Learning outcomes :

  Introduction to reinforcement learning and deep reinforcement learning, with an empirical machine learning perspective: main algorithms, practical implementations (gymnasium)

  Learn more about the course :

  turinici.com

  Bibliography-recommended reading

  turinici.com

Conduite de projets et mémoire - 15 ECTS

• Conduite de projet et Mémoire
  Close

  Conduite de projet et Mémoire

  Ects : 15

  Lecturer :

  • PIERRE BRUGIERE
  • OLIVIER SOUSSAN

  Total hours : 18

  Overview :

  1. Présentation des concepts et outils utilisés en management de projet, illustrée par des exemples concrets portant sur des projets, notamment dans le domaine de la Data Science. 2. Réaliser en groupe un projet de communication (maintien du site web, présence sur les réseaux sociaux, brochure du master, participation à des forums) 3. Exposer en public son mémoire d’apprentissage

  Coefficient : 12 (mémoire) + 3 (projets)

  Learning outcomes :

  Familiariser les étudiants aux méthodes de communication dans le cadre d’un projet concret et leur apprendre les bases de la communication en entreprise (oral et écrit). Suivre le mémoire d’apprentissage

  Assessment :

  Controle continu + mémoire en fin d'année