Le programme de la formation
UE Obligatoires
-
Calculabilité et Complexité
Calculabilité et Complexité
Ects : 5
Enseignant responsable :
REMY BELMONTE
Volume horaire : 36
Description du contenu de l'enseignement :
Volume horaire : CM : 18h TD : 18h
This course is designed for graduate students in the first year. We aim to understand the following notions and theory : the concept of language in computer science, and grammar and automata as ways ofdescribing a language, the mathematical models of computations including finite(-state) automata, Turing ma-chine and its variants, the distinction between (Turing-)recognizability versus decidability, and examples of un-decidable languages. reducibility, Cook-Levin Theorem, P versus NP. proof techniques from automata and computation theory. possibly further topics in complexity theory.
Pré-requis recommandés :
An undergraduate-level understanding of basic mathematics and algorithms isassumed. A background in automata theory is appreciated, but not assumed.
Bibliographie-lectures recommandées
Michael Sipser (2012), Introduction to the Theory of Computation (3rd edition). CengageLearning, ISBN 978-1133187790.
-
Algorithmique et programmation avancée
Algorithmique et programmation avancée
Ects : 5
Enseignant responsable :
ERIC BEN-HAMOU
Volume horaire : 36
Description du contenu de l'enseignement :
Volume horaire : CM : 18h TD : 18h
Objective : The goal of this course is to introduce certain paradigms of algorithmics allowing to design general algorithm data structures for efficient data management as well as for optimization. Contents :
- Linked list
- Stack
- Hash tables
- Binary trees
- AVL Trees
- Graph traversal, topological sort
- Dystra, hamiltonian path
- Decision trees
The concepts will be implemented in python 3.
Pré-requis recommandés :
- knowledge of python
- knowledge of data complexity
Compétences à acquérir :
undefined
Mode de contrôle des connaissances :
- Mid-term project on data efficiency for selected data (for example in 2021, we used bitcoin data)
- Final project presentation on a fully implemented dynamic website using an advanced data structure
- Final exam on paper
-
Anglais 1
Anglais 1
Ects : 2
Volume horaire : 19.5
Description du contenu de l'enseignement :
Expression orale / écrite : anglais des affaires, faire un compte rendu oral en public, rédiger des lettres, rapports, résumés de conférences, et participer à des 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.
-
Intelligence artificielle
Intelligence artificielle
Ects : 3
Enseignant responsable :
PAOLO VIAPPIANI
Volume horaire : 36
Description du contenu de l'enseignement :
Volume horaire : CM : 18h TD : 18h
Ce cours est une introduction à l'intelligence artificielle. Son but est d'introduire un large spectre de techniques.
- Recherche dans des graphes d'états (recherche non-informée et recherche informée avec A*)
- Recherche locale
- Recherche contigente et avec observations partielles
- Problème de satisfaction de contraintes (CSP)
- Jeux (minimax et élagage alpha-beta)
- Planification
- IA et décision
Compétences à acquérir :
Compétences de base en intelligence artificielle
Bibliographie-lectures recommandées
Stuart Russell and Peter Norvig. Artificial Intelligence: A Modern Approach. Pearson.
-
Théorie des graphes
Théorie des graphes
Ects : 5
Enseignant responsable :
ANDRE ROSSI
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.
Compétences à acquérir :
See below.
UE Complémentaires
-
Décision collective, décision multicritère
Décision collective, décision multicritère
Ects : 4
Enseignant responsable :
HASSAN AISSI
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
Système et algorithmes répartis
Ects : 4
Enseignant responsable :
JOYCE EL HADDAD
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.
-
Théorie des jeux
Théorie des jeux
Ects : 5
Enseignant responsable :
FELIPE GARRIDO LUCERO
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.
-
Mathématiques pour les sciences des données
Mathématiques pour les sciences des données
Ects : 5
Enseignant responsable :
ALEXANDRE VERINE
Volume horaire : 36
Description du contenu de l'enseignement :
Volume horaire : CM : 18h TD : 18h
Introduction aux mathématiques pour les sciences des données. Optimisation convexe Méthodes d’ordre 1 Descente de Gradient Analyse de la convergence Descente de Gradient Stochastique Analyse de la convergence Méthodes d’ordre 2 Newton, L-BFGS Optimisation sous contraintes Gradient projeté Notion de lagrangien, dualité Conditions KKT Méthodes lagrangiennes Statistiques pour les sciences des données Notion de risque empirique Cas de la régression: Décomposition biais-variance Borner le risque Théorème central de la limite Inégalités de concentration (Markov, Chernoff)
-
Programmation Objet avancée
Programmation Objet avancée
Ects : 4
Enseignant responsable :
HOSSEIN KHANI
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.
-
Modélisation des processus
Modélisation des processus
Ects : 3
Enseignant responsable :
MEHDI ACHELI
Volume horaire : 30
Description du contenu de l'enseignement :
Volume horaire : CM : 15h TD : 15h
Processus métiers (Workflow) : définitions et concepts de base, systèmes de gestion de processus métiers, exemple de produits, avantages de ces systèmes. Modélisation des processus métiers : approches basées respectivement sur les Réseaux de Petri et les diagrammes (UML, EPC), la notation BPMN. Cycle de vie d’un processus métier : conception, modélisation, exécution, surveillance et optimisation. Interopérabilité des systèmes de processus métiers : architecture des systèmes de gestion de processus, description des interfaces proposées pour standardisation. Développement d’une application de processus métiers par apprentissage d’un logiciel de gestion des processus métiers (par exemple Oracle BPM suite.
Compétences à acquérir :
Étudier la modélisation des processus métier et les systèmes qui permettent leur automatisation dans les entreprises.
UE Obligatoires
-
Éthique en informatique et protection des données
Éthique en informatique et protection des données
Ects : 1
Enseignant responsable :
STEPHANE AIRIAU
Volume horaire : 9
Description du contenu de l'enseignement :
- Validité des données et pièges statistiques
- Propriété des données
- Les systèmes de régulation de la protection des données
- Les textes applicables dans l'Union européenne et en France : les grands principes et définitions juridiques de la protection des données à caractère personnel
- Nudge theory
- Conséquences sur la société (privacy, surveillance, ’ossification’…)
Compétences à acquérir :
Objectif de ce cours est de sensibiliser les étudiants au regard de techniques de manipulation et d’introduire à la problématique de la protection et traitement des données et à ses conséquences sur les individus.
-
Systèmes de gestion de bases de données
Systèmes de gestion de bases de données
Ects : 3
Enseignant responsable :
DARIO COLAZZO
Volume horaire : 36
Description du contenu de l'enseignement :
Volume horaire : CM : 18h TD : 12h TP : 6h
Nous sommes inondés de données, qu'il s'agisse de données sur le Web, de données collectées à partir de différents silos des entreprises, ou de données traités par des laboratoires scientifiques (par exemple dans le cadre de la bio-informatique, les sciences de la Terre, la sociologie, l'économétrie, etc.). Une partie importante de ces données sont structurées et la manière dont nous y accédons, les gérons et les traitons a un impact considérable sur les performances et la fiabilité des applications manipulant les bases de données. La connaissance du modèle d'entités-associations, du modele relationnelle, de l'algèbre relationnelle et du langage de requête SQL n'est en aucun cas suffisante pour garantir des performances raisonnables et la fiabilité de telles applications.
L’objectif de ce cours est donc de couvrir les techniques internes des systèmes de gestion de base de données (SGBD) qui sont responsables de l'optimisation de l'evaluation de requêtes SQL. Le cours présente premièrement l’architecture typique d'un SGBD relationnel, puis examine en détail les algorithmes et les structures de données utilisés pour implémenter les modules de cette architecture, y compris la gestion de la mémoire permanente, la gestion de la mémoire volatile, les structures de stockage, les méthodes d’accès, et l'optimisation de requête basée sur un modele de coût d'execution.
Le cours comprend un certain nombre d'exercices (TD) et d'exercices pratiques (TP) dans lesquels les étudiants auront l'occasion d'explorer et de mettre en œuvre les fonctionnalités de certains modules du SGBD.
Compétences à acquérir :
Couvrir les techniques internes des systèmes de gestion de base de données (SGBD) qui sont responsables de l'optimisation de l'evaluation de requêtes SQL.
-
Anglais 2
Anglais 2
Ects : 2
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 :
YANN CHEVALEYRE
Volume horaire : 36
Description du contenu de l'enseignement :
Volume horaire : CM : 18h TD : 18h
- Introduction What is Machine LearningA simple method: k-nearest neighborsEvaluation of classifiersMaximum Likelihood and Maximum A posteriori
- Generative Learning Maximizing the Likelihood of the examplesLinear Discriminant Analysis and Naive Bayes
- Discriminative Learning Maximizing the likelihood and the a posteriori probability of labelsLogistic RegressionStochastic gradient descent (SGD)SGD for generalized linear modelsBeyond linearity: kernelization of the SGD
- Unsupervised Learning Learning latent models: the Expectation-Maximization Algorithmclustering: k-means, DBscanLearning probability density functions: mixtures of gaussians
- Introduction to Bayesian Learning Bayesian Linear RegressionLaplace 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
-
Théorie des graphes
Théorie des graphes
Ects : 5
Enseignant responsable :
ARARAT HARUTYUNYAN
Volume horaire : 39
Description du contenu de l'enseignement :
Volume horaire : CM : 18h TD : 18h TP : 3h
This course studies solving optimisation problems using combinatorial methods. We will roughly follow the online textbook of Alexander Schrijver entitled “A course in Combinatorial Optimisation”. We start the course with the introduction of polyhedra and polytopes, Farkas’ Lemma and LP duality. Next we will study matching algorithms in bipartite graphs, general graphs as well as discuss weighted matchings and the matching polytope. Following this we will study aspects of Mengers’ theorem and its relation to flows. Next we will study algorithmic complexity, focusing mostly on the notion of NP-completeness and proving NP-completeness results. Finally, we will look at colorings, independent sets, posets and their role in optimisation problems. Time permitting, we will move into integer programming and totally unimodular matrices.
Compétences à acquérir :
Theoretical foundation of Linear Programming, Algorithmic Techniques, Applications
Bibliographie-lectures recommandées
Reference text: Alexander Schrijver, “A course in Combinatorial Optimisation” available at homepages.cwi.nl/~lex/files/dict.pdf
UE Complémentaires
-
Gestion de production
Gestion de production
Ects : 4
Enseignant responsable :
MUSTAPHA SALI
KHALED HADJ HAMOU
Volume horaire : 36
Description du contenu de l'enseignement :
Volume horaire : CM : 18h TD : 18h
Typologie des problèmes de gestion de la production des biens et des services -Planification de la production : MRP2 Gestion des approvisionnements et des stocks : demande uniforme et certaine, demande aléatoire : notions de rupture de stock, qualité de service, stock de sécurité et ordonnancement de projets. Ordonnancement d’ateliers : algorithmes optimaux et heuristiques. Étude de cas impliquant, pour certains d’entre eux, l’usage de logiciels comme cplex et Excel solver
Compétences à acquérir :
Cet enseignement a pour objet de sensibiliser les étudiants aux problématiques de gestion de la production de biens et de services, en mettant en évidence la très grande complexité des problèmes à résoudre et la difficulté qui en découle de piloter efficacement une chaîne logistique. Quelques grilles d’analyse, modélisations et instrumentations seront abordées.
-
Décision dans l’incertain
Décision dans l’incertain
Ects : 5
Enseignant responsable :
STEPHANE AIRIAU
Volume horaire : 36
Description du contenu de l'enseignement :
Volume horaire : CM : 18h TD : 18h
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 Rappel probabilité, indépendance, règle de Bayes Raisonnement dans les Réseaux Bayésiens (inférences exactes et approchées) Logique Floue Chaînes de Markov Processus de Décision de Markov Processus de Décision de Markov Partiellement observable
Compétences à acquérir :
Présenter aux étudiants les techniques principales de la decision dans l’incertain.
-
Logique
Logique
Ects : 5
Enseignant responsable :
GABRIELLA PIGOZZI
Volume horaire : 36
Description du contenu de l'enseignement :
- Revision of fundamental concepts of classical logic (propositional and first-order logic)
- Soundness and completeness of propositional and ?rst-order logic
- Decidability of propositional logic
- Undecidability of first-order logic
- Gödel’s incompleteness theorems (no proofs)
- 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.
The second part of the course will focus on formal verification to verify the correctness of computer systems concerning some specified behaviour.
Mode de contrôle des connaissances :
Written exam
-
Projet ML/Data science
Projet ML/Data science
Ects : 5
Enseignant responsable :
FLORIAN YGER
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 2023 - 2024 - sous réserve de modification
Modalités pédagogiques
La formation démarre en septembre, dont la présence en cours est obligatoire.
Les enseignements de la première année du Master Informatique parcours Informatique, Décision, 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.
La note finale de première session d'une UE est obtenue par pondération entre des notes de contrôle continu, de projets, d'examens partiels et terminaux. La note de contrôle continu peut faire intervenir plusieurs éléments : projets, devoirs, interrogations écrites ou orales et note de participation...
En cas de session de rattrapage, la note finale d'une UE est obtenue par examen terminal. Elle se substitue à la note finale de première session de l'UE. Toute UE pour laquelle l'étudiant a obtenu une note finale supérieure ou égale à 10/20 est définitivement acquise ainsi que les ECTS associés
Un bloc fondamental est composé de plusieurs UE. A chaque bloc fondamental est attribuée une note finale. Celle-ci est calculée comme pondération des notes finales des UE constituant un bloc fondamental, chaque note finale d'une UE étant affectée d'un coefficient égal aux ECTS associés à l'UE. Un bloc fondamental dont la note finale est supérieure ou égale à 10/20 est définitivement acquis ainsi que tous les ECTS associés au bloc (somme des ECTS des UE composant le bloc), sous réserve que la note finale de chaque UE composant le bloc fondamental soit supérieure ou égale à 5/20.
Chaque semestre est composé d'un bloc fondamental, d'UE complémentaires, ainsi que d'une UE stage pour le semestre 2. La note finale d'une semestre est calculée comme somme pondérée des notes finales et toutes les UE constituant le semestre hor s UE stage, le poids de la note finale d'une UE étant égal aux ECTS associés à l'UE.
Un semestre est définitivement acquis si toutes les conditions suivantes sont vérifiées :
- Il est constitué d'au moins 30 ECTS et sa note finale est supérieure ou égale à 10/20
- La note finale du bloc fondamental du semestre est supérieure ou égale à 10/20 sous réserve que la note de chaque UE constituant le bloc soit supérieure ou égale à 5/20
- La note finale de l'UE stage pour la validation du semestre 2 est supérieure ou égale à 10/20
La validation d'une semestre implique la validation de chaque UE de ce semestre est des ECTS associés.
La première année du Master Informatique parcours Informatique, Décision et Données est validée si toutes les conditions suivantes sont respectées :
- Elle est constituée d'au moins 60 ECTS et la note finale de l'année est supérieure ou égale à 10/20
- La note finale de chacun des deux blocs fondamentaux de l'année est supérieure ou églae à 10/20
- La note finale de chaque UE des blocs fondamentaux de l'année est supérieure ou égale à 5/20
- La note finale de l'UE stage est supérieure ou égale à 10/20
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, l'étudiant remet un rapport en trois exemplaires : une 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