Descriptif des cours
Bloc fondamental 1
- Algorithmic and advanced programming
Algorithmic and advanced programming
Ects : 5
Enseignant responsable :
Volume horaire : 36
Description du contenu de l'enseignement :
Explore advanced algorithmic design in the intensive course, Algorithms and Advanced Programming. Participants delve into cutting-edge concepts, optimization strategies, and intricate problem-solving methods, fostering a deep understanding of complex computational challenges. The program aims to equip individuals with the skills necessary to navigate the dynamic landscape of algorithmic innovation, making it a valuable experience for those seeking mastery in advanced computer science. Here is a possible list of contents, which might change according to the current trends or the lecturer's inclinations.
- Greedy Algorithms and Matroids
- Dynamic Programming
- Graph Algorithms I: Efficient Problem Solving
- Graph Algorithms II: Complex Problem Challenges
- Computational Geometry
- Stable Marriage
- Introduction to Integer Programming
Pré-requis recommandés :
- knowledge of python
- knowledge of basic algorithms (sorting, shortest paths algorithms, minimum spanning tree algorithms...)
Compétences à acquérir :
Develop proficiency in designing and implementing advanced algorithms
Mode de contrôle des connaissances :
- A programming project during the semester
- A final exam on paper
Bibliographie-lectures recommandées
- Introduction to Algorithms, third edition, Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest, and Clifford Stein. MIT Press.
- Combinatorial Optimization, William Cook, William Cunningham, William Pulleyblank, Alexander Schrijver. Wiley.
- Graph theory
Graph theory
Ects : 5
Enseignant responsable :
Volume horaire : 36
Description du contenu de l'enseignement :
Volume horaire : CM : 18h TD : 18h
This class provides a presentation and study of some structures and graph problems which have important applications in practice.
We will start with basic notions (isomorphism, graph decomposition and special graphs), followed by paths, cycles, and trails, vertex degrees and counting (extremal problems, graphic sequences), directed graphs (orientations and tournaments). We will continue by studying matchings including Hall's theorem and the stable marriage theorem of Gale and Shapley. If time permits, we will also look at Tutte's theorem on perfect matchings. Next, we will look at connectedness and structure such as Menger's theorem. After this, we will consider planar graphs, looking at Kuratowski's characterization of planarity and Euler's formula. Finally, we will study in important notion in graph theory: graph coloring. We will look at Brooks' classical theorem, look at the Four Color Theorem and prove the 5-color theorem. Time permitting, at the end of the course we will look at Ramsey theory and/or the probabilistic method.
- Mathematics for data science
Mathematics for data science
Ects : 5
Enseignant responsable :
Volume horaire : 36
Description du contenu de l'enseignement :
Volume horaire : CM : 18h TD : 18h
Data science relies heavily on mathematical concepts from analysis, linear algebra and statistics. In this course, we will investigate the theoretical foundations of data science, through two axes. The first part of the course will focus on (convex) optimization problems. Optimization is indeed at the heart of the key advances in machine learning, as it provides a framework in which data science tasks can be modeled and solved. The second part of the course will be concerned with statistical tools for data science, that are instrumental in studying the underlying distribution of data. We will cover statistical estimation in connection with regression tasks, as well as concentration inequalities for random vectors and random matrices.
Pré-requis obligatoire :
Basic knowledge of linear algebra and real analysis.
Compétences à acquérir :
- Identify and exploit convexity for sets, functions, and optimization problems.
- Derive optimality and duality results for convex optimization formulations.
- Analyze properties of statistical estimators according to the data at hand.
- Apply concentration inequalities to random vectors and matrices.
En savoir plus sur le cours :
www.lamsade.dauphine.fr/~croyer/teachMDS.html
Bibliographie-lectures recommandées
References: S. Boyd et L. Vandenberghe, Convex optimization (2004) M. Mahoney, J. C. Duchi, A. C. Gilbert (eds), The mathematics of data (2018) J. A. Tropp, An introduction to matrix concentration inequalities (2015)
- Anglais 1
Anglais 1
Ects : 2
Volume horaire : 19.5
UE Complémentaires S1
- Décision collective, décision multicritère
Décision collective, décision multicritère
Ects : 5
Enseignant responsable :
Volume horaire : 36
Description du contenu de l'enseignement :
Volume horaire : CM : 18h TD : 18h
Introduction au processus de décision Introduction à la théorie du choix social Procédures d ’ agrégation multicritères de type critère de synthèse Procédures d ’ agrégation multicritères de type relation de surclassement, Illustration des méthodes sur des cas réel
Compétences à acquérir :
Présenter les principales familles de méthodes d’agrégation multicritère existantes et mise en œuvre de telles méthodes dans des situations réelles de décision.
- Système et algorithmes répartis-SAR
Système et algorithmes répartis-SAR
Ects : 5
Enseignant responsable :
Volume horaire : 36
Description du contenu de l'enseignement :
Volume horaire : CM : 18h TD : 18h
Les applications réparties s'exécutent sur un ensemble de machines connectées en réseau. Elles représentent un ensemble de composants qui coopèrent pour réaliser un objectif commun en utilisant le réseau comme un moyen d'échanger des données. Ce cours vise à présenter les concepts élémentaires des systèmes et les algorithmes associés aux environnements répartis Introduction aux systèmes répartis et à l ’ algorithmique répartie. Présentation du modèle de répartition basé sur les échanges de messages. Présentation des concepts liés à la communication : contrôle de flux, synchronisation de processus, relation de causalité, réseaux FIFO. Présentation des concepts liés au temps et à la concurrence : horloges logiques, exclusion mutuelle.
Pré-requis recommandés :
- Systèmes d'Exploitation
- Réseau
Compétences à acquérir :
Introduction aux systèmes répartis.
- Game theory
Game theory
Ects : 5
Enseignant responsable :
Volume horaire : 36
Description du contenu de l'enseignement :
Volume horaire : CM : 18h TD : 18h
We study some basic models and results on non-cooperative game theory. The course is divided in five parts: 1. Introduction to game theory: Notations and basic concepts 2. Zero-sum games: Mixed extension of finite games and their value 3. N-player games: Nash equilibrium, their existence and complexity 4. Potential games: Congestion games and price of anarchy 5. Repeated games: Uniform games and the Folk theorem
Compétences à acquérir :
The student will know the basic concepts on non-cooperative game theory.
- Programmation Objet avancée
Programmation Objet avancée
Ects : 5
Volume horaire : 36
Description du contenu de l'enseignement :
Volume horaire : CM : 18h TD : 13h30 TP : 4h30
Présenter les techniques de la programmation orienté object avancé. Rappels des principaux concepts de la programmation objet : classes, héritage, interface. Application au traitement des collections. Modélisation objet et exemple de modèles de conception (design patterns) Programmation parallèle en Java (multi-threading, synchronisation) Bonne pratique de la programmation (gestionnaire de sources, debuggage, etc.)
Compétences à acquérir :
java: Streaming, Serialization, Maven, Git, Enumeration, Type parametrée, Heritage, Polymorphism, Encapsulation.
- Computational Methods in Optimization
Computational Methods in Optimization
Ects : 5
Volume horaire : 36
Description du contenu de l'enseignement :
Optimization is a powerful mathematical paradigm to model real-world problems. Convex formulations are the preferred optimization model, since the associated problems can be solved efficiently. This course will focus on efficient algorithms for solving convex optimization problems that arise in numerous areas, and particularly in data science. The major part of the course will dive into interior-point methods, that form the main paradigm used in state-of-the-art solvers. We will cover the key theoretical guarantees of these methods, as well as their implementation details. Other convex programming algorithms will be presented through numerical sessions, with a focus on conic and semidefinite formulations arising in data science and discrete mathematics.
Compétences à acquérir :
- Formulate or reformulate a problem into one of the main classes of convex optimization problems.
- Understand the main properties of interior-point methods for such convex problems.
- Adapt a basic interior-point framework to a specific problem.
Bibliographie-lectures recommandées
G. C. Calafiore and L. El Ghaoui, Optimization models (2014) H. Wolkowicz, R. Saigal, L. Vandenberghe (eds), Handbook of Semidefinite Programming (2000) S. J. Wright, Primal-dual interior point methods (1996)
Bloc fondamental 2
- Combinatorial optimization
Combinatorial optimization
Ects : 5
Enseignant responsable :
Volume horaire : 39
Description du contenu de l'enseignement :
We start the course with the geometry of polyhedra and polytopes. Next we will study the matching polytope in bipartite graphs, and then in general graphs.
Compétences à acquérir :
Theoretical foundation of polyhedral combinatorics
Bibliographie-lectures recommandées
Reference text: Alexander Schrijver, “ A course in Combinatorial Optimisation ” available at homepages.cwi.nl/~lex/files/dict.pdf
- Computer ethics et data protection
Computer ethics et data protection
Ects : 1
Enseignant responsable :
Volume horaire : 9
Description du contenu de l'enseignement :
Presentation of ethical problem situations or dilemmas regarding information systems and the processing of personal data. Reminder of national and European GDPR and AI Act regulations. Team reflection on ethical issues in professional situations.
Compétences à acquérir :
To be an IT professionnal aware of the ethical issues induced by the processing of personal data, the use of AI and the social and societal responsibility of information systems managers
- Data base management system
Data base management system
Compétences à acquérir :
Savoir gérer les données, qu'il s'agisse de données sur le Web, de données collectées à partir de différents silos des entreprises, ou de données traitées par des laboratoires scientifiques (par exemple dans le cadre de la bio-informatique, les sciences de la Terre, la sociologie, l'économétrie, etc.) Couvrir les techniques internes des systèmes de gestion de base de données (SGBD) qui sont responsables de l'optimisation de l ’ évaluation de requêtes SQL.
- Anglais 2
Anglais 2
Ects : 2
Enseignant responsable :
Volume horaire : 18
Description du contenu de l'enseignement :
Fournir aux étudiants les outils linguistiques nécessaires pour fonctionner efficacement dans l'entreprise et avec leurs partenaires européens. Expression orale / écrite : anglais des affaires, faire un compte rendu oral en public, rédiger, lettres, rapports, résumé de conférences, réunions. Préparation au TOEIC : Test of English for International Communication. Traduction économique : Familiariser les étudiants avec la terminologie économique à partir de thèmes d'actualité. Travail en laboratoire et/ou en salle audiovisuelle à partir de documents authentiques.
Compétences à acquérir :
Fournir aux étudiants les outils linguistiques nécessaires pour fonctionner efficacement dans l'entreprise et avec leurs partenaires européens.
- Machine Learning
Machine Learning
Ects : 5
Enseignant responsable :
Volume horaire : 36
Description du contenu de l'enseignement :
Volume horaire : CM : 18h TD : 18h
- Introduction
- What is Machine Learning
- A simple method: k-nearest neighbors
- Evaluation of classifiers
- Maximum Likelihood and Maximum A posteriori
- Generative Learning
- Maximizing the Likelihood of the examples
- Linear Discriminant Analysis and Naive Bayes
- Discriminative Learning
- Maximizing the likelihood and the a posteriori probability of labels
- Logistic Regression
- Stochastic gradient descent (SGD)
- SGD for generalized linear models
- Beyond linearity: kernelization of the SGD
- Unsupervised Learning
- Learning latent models: the Expectation-Maximization Algorithm
- clustering: k-means, DBscan
- Learning probability density functions: mixtures of gaussians
- Introduction to Bayesian Learning
- Bayesian Linear Regression
- Laplace method
- Introduction to Neural Networks
Pré-requis recommandés :
- Connaissances de base en Statistiques et Algèbre Linéaire
Compétences à acquérir :
Understand most useful machine learning algorithms
Mode de contrôle des connaissances :
CC+Examen
Bibliographie-lectures recommandées
- Friedman, Tibshirani, Hastie. The Elements of Statistical Learning - Chloé Azencott. Introduction au Machine Learning - Cornuéjols, Miclet. Apprentissage artificiel: Concepts et algorithmes
- Introduction
UE Complémentaires S2
- Logistique et gestion de production
Logistique et gestion de production
Ects : 5
Enseignant responsable :
- BENJAMIN MALLO
Volume horaire : 36
Description du contenu de l'enseignement :
Cet enseignement a pour objet de sensibiliser les étudiants du master M1 MIAGE à quelques grandes problématiques de gestion de la production.
Le programme de cette unité d’enseignement est organisé en deux parties :
Partie 1 : planification et gestion des stocks
• Introduction : cette première partie du programme vise à familiariser les étudiants avec les concepts fondamentaux de la gestion de la production et de la chaîne logistique. Un tour d’horizon des principales problématiques traitées dans ce domaine sera proposé
• Gestion des stocks et des approvisionnements : la maîtrise des stocks est un enjeu stratégique pour les entreprises industrielles et de distribution. Les principales politiques de gestion des stocks appliquées aux demandes indépendantes seront abordées dans cette partie
• Planification industrielle : les processus de planification sont au cœur des décisions de pilotage des flux amont et aval dans les chaînes logistiques. La MRP, étudiés dans le cadre de cette partie du programme, reste la méthode de planification la plus diffusée dans le secteur industriel à travers les principaux ERP
Partie 2 : pilotage opérationnel des flux
Cette partie traite des problématiques d’ordonnancement de la production. Les principales configurations d’atelier, contraintes et objectifs d’ordonnancement seront abordées dans cette partie du cours qui introduira également les principes de modélisation et de résolution de certains problèmes standard et de modèles de prévisions.
Compétences à acquérir :
A l’issus de ce cours, les étudiants auront acquis les compétences suivantes :
• Identifier la typologie d’un système productif et les enjeux industriels associés
• Choisir une politique de stock adaptée au contexte industriel
• Dimensionner les paramètres d’une politique de stock
• Planifier les besoins en matières et ressources
• Modéliser et résoudre un problème d’ordonnancement
Mode de contrôle des connaissances :
• Préparation et participation aux TD pour 50% de la note finale
• Examen sur table comptant pour 50% de la note finale
Bibliographie-lectures recommandées
• P. Vallin, D. Vanderpooten, Aide à la décision, Ellipses, 2e édition 2002 • V. Giard, Gestion de la production et des flux, Economica, 3e édition, 2003 • G. Baglin, O. Bruel, A. Garreau, M. Grief, L. Kerbache et C. Van Delft, Management industriel et logistique, Economica, 5e édition, 2007 • M. L. Pinedo, Scheduling : Theory, Algorithms, and Systems, Springer, 4th edition, 2012 • S. Berbain, P. Vallin, Supply Chain, Ellipses, 1ère édition 2021
- Decision under uncertainty
Decision under uncertainty
Ects : 5
Enseignant responsable :
Volume horaire : 36
Description du contenu de l'enseignement :
* Complete uncertainty (non-probabilistic): definitions of decision in uncertainty, presentation of classical criteria for decision in uncertainty (MaxMin, Min Max Regret, Hurwicz, Laplace, etc.)
* Sequential Decision (Probabilistic Uncertainty): EU Model, Decision Trees (Trees Containing Decision Nodes, Random Nodes, and Terminal Nodes), and solving these problems by dynamic programming
* Introduction to non-EU, RDEU and CEU models.
* Elicitation/Learning of decision-making models.
* Markov Decision Process
* Probability, independence, Bayes' rule
* Reasoning in Bayesian Networks (Exact and Approximate Inferences)
--------------------
* Incertain complet (non probabiliste) : définitions de la décision dans l'incertain, présentation des critères classiques de décision dans l'incertain (MaxMin, Min Max Regret, Hurwicz, Laplace, etc.)
* Décision séquentielle (incertain probabiliste) : modèle EU, arbres de décision (arbres contenant des noeuds décision, noeuds hasard et noeuds terminaux), et la résolution de ces problèmes par programmation dynamique
* Introduction aux modèles non-EU, RDEU et CEU.
* Elicitation et apprentissages des modèles décisionnels
* Processus de Décision de Markovien
* Rappel probabilité, indépendance, règle de Bayes
* Raisonnement dans les Réseaux Bayésiens (inférences exactes et approchées)
Pré-requis recommandés :
An introduction to decision theory.
Compétences à acquérir :
Introduce students to the main techniques of decision-making under uncertainty.
Présenter aux étudiantes et étudiants les techniques principales de la decision dans l’incertain.
Mode de contrôle des connaissances :
The course is evaluated by a written exam as well as a programming project.
Bibliographie-lectures recommandées
* von Neumann, John and Oskar Morgenstern,Theory of Games and Economic Behaviour, Princetown University Press, 1947. * Savage, Leonard J., The Foundations of Statistics, Dover, 1954. * Puppe, C., Distorted probabilities and choice under risk (Vol. 363). Springer Science & Business Media, 1991. * Barbera, S., Hammond, P.J., & Seidl, C. Editors, Handbook of Utility Theory: Volume 2: Extensions. Springer Science & Business Media, 1998. * Barbera, S., Hammond, P.J., & Seidl, C. Editors, Handbook of Utility Theory: Volume 1: Principles. Springer Science & Business Media, 1998.
- Logic theory
Logic theory
Ects : 5
Enseignant responsable :
Volume horaire : 36
Description du contenu de l'enseignement :
- Revision of fundamental concepts of classical logic (propositional and first-order logic) that will be necessary for this course
- Proofs of soundness and completeness of propositional and first-order logic
- Decidability of propositional logic
- Undecidability of first-order logic
- Gödel’s incompleteness theorems (without proofs)
- Modal logic: main systems and proofs using tableaux method
- Formal verification by model-checking:
- Linear-time Temporal Logic (LTL)
- Computation Tree Logic (CTL)
Pré-requis recommandés :
Classical logic (propositional and first-order)
Compétences à acquérir :
In the first part of the course, students will learn some key results in classical logic and logical metatheory: soundness, completeness and (un)decidability of classical logic.
The second part of the course will focus on some non-classical logics, namely modal logic and temporal logics. Temporal logics will be used in formal verification by model-checking (the process to verify the correctness of computer systems concerning some specified behaviour).
Mode de contrôle des connaissances :
Written exam
- ML Project/Data science
ML Project/Data science
Ects : 5
Enseignant responsable :
Volume horaire : 36
Description du contenu de l'enseignement :
Volume horaire : CM : 18h TD : 18h
Syllabus: Complément du cours de Machine Learning : Introduction aux SVM, arbres de décision, random forest, systèmes de recommandation, rappels dur la libraire Numpy et introduction à la librairie Pandas. Mise en oeuvre des différentes techniques et algorithmes (régression, SVM, clustering, random forest, recommandations) sur données réelles et artificielles.
Projet : Travail en groupe, mise en oeuvre sur des données réelles d'un dataset réel choisi par les étudiants.
Compétences à acquérir :
Mise en oeuvre en Python des techniques présentées dans le cours de machine learning, pour familiariser les étudiants avec les outils de programmation scientifique (numpy, pandas scikit learn).
Bloc stage
- Stage
Stage
Ects : 4
Formation année universitaire 2025 - 2026 - sous réserve de modification
Modalités pédagogiques
La formation débute la dernière semaine d'août et la présence en cours est obligatoire. Les enseignements de la première année du Master mention Informatique parcours Informatique, Décision et Données sont organisés en semestre 1 et 2. Chaque semestre est constitué d’un bloc fondamental et d’UE complémentaires auxquels s’ajoute un bloc stage pour le semestre 2. A chaque UE est associé un certain nombre de crédits européens (ECTS) ; à chaque semestre est associée la somme des ECTS associés aux UE composant le semestre.
Les modalités de contrôles des connaissances sont communiquées lors de la rentrée.
Stages et projets tutorés
Le stage se déroule en entreprise ou dans un centre de recherche et peut être éventuellement remplacé par un mémoire encadré par un enseignant de l’université pour une durée de trois à quatre mois. Le sujet de ce stage doit nécessairement comporter une part substantielle de conception et d’analyse, ainsi que de la réalisation. Le sujet du stage doit être validé par le responsable de stage avant le début du stage.
A l’issue du stage, la rédaction d'un rapport est requise. Le rapport doit être remis en trois exemplaires : un exemplaire au maître de stage et deux exemplaires au secrétariat. Le rapport doit être remis au plus tard 8 jours avant le début de la session de soutenances.
Des programmes nourris par la recherche
Les formations sont construites au contact des programmes de recherche de niveau international de Dauphine, qui leur assure exigence et innovation.
La recherche est organisée autour de 6 disciplines toutes centrées sur les sciences des organisations et de la décision.
En savoir plus sur la recherche à Dauphine