Ingénierie Statistique et Financière - 2e année de Master

UE fondamentales

• Anglais des affaires
  Fermer

  Anglais des affaires

  Ects : 2

  Enseignant responsable :

  • CATHERINE PIOLA

  Volume horaire : 18

  Description du contenu de l'enseignement :

  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.

  Compétences à acquérir :

  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
  Fermer

  Decentralized & Crypto Finance : new era of financial services

  Ects : 2

  Enseignant responsable :

  • REMY OZCAN

  Volume horaire : 15
• Deep learning
  Fermer

  Deep learning

  Ects : 2

  Enseignant responsable :

  • GABRIEL TURINICI

  Volume horaire : 18

  Description du contenu de l'enseignement :

  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

  Pré-requis obligatoire :

  python, mathematics: algebra, probabilities, numerical analysis

  Compétences à acquérir :

  introduction to deep learning

  En savoir plus sur le cours :

  turinici.com

  Bibliographie-lectures recommandées

  turinici.com

• Introduction à l'apprentissage supervisé
  Fermer

  Introduction à l'apprentissage supervisé

  Ects : 3

  Enseignant responsable :

  • PATRICE BERTRAND

  Volume horaire : 21

  Description du contenu de l'enseignement :

  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).

  Pré-requis obligatoire :

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

   

  Compétences à acquérir :

  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.

  En savoir plus sur le cours :

  Examen

  Bibliographie-lectures recommandées

  - 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
  Fermer

  Introduction à l'assurance vie et non vie

  Ects : 2

  Enseignant responsable :

  • MICHEL GERMAIN

  Volume horaire : 21

  Description du contenu de l'enseignement :

  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

  Compétences à acquérir :

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

• Introduction au Machine learning
  Fermer

  Introduction au Machine learning

  Ects : 2

  Enseignant responsable :

  • PIERRE BRUGIERE

  Volume horaire : 18

  Description du contenu de l'enseignement :

  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.

  Pré-requis recommandés :

  Algèbre linéaire, calcul différentiel et optimisation au niveau M1

  Pré-requis obligatoire :

  Algèbre linéaire et calcul différentiel

  Compétences à acquérir :

  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.

  Mode de contrôle des connaissances :

  Examen

  Bibliographie-lectures recommandées

  [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
  Fermer

  Méthodes actuarielles

  Ects : 3

  Enseignant responsable :

  • MARC DOMANGE

  Volume horaire : 21

  Description du contenu de l'enseignement :

  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)

  Compétences à acquérir :

  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
  Fermer

  Méthodes pour les modèles de régression

  Ects : 3

  Enseignant responsable :

  • PATRICE BERTRAND

  Volume horaire : 21

  Description du contenu de l'enseignement :

  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.

  Pré-requis obligatoire :

  Notions de base en Algèbre linéaire, Probabilité et Statistiques

  Compétences à acquérir :

  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.

  Mode de contrôle des connaissances :

  Examen

• Méthodologie en gestion globale des Risques : VaR
  Fermer

  Méthodologie en gestion globale des Risques : VaR

  Ects : 3

  Enseignant responsable :

  • DENIS BERTIN

  Volume horaire : 21

  Description du contenu de l'enseignement :

  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

  Compétences à acquérir :

  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
  Fermer

  Processus Stochastiques

  Ects : 3

  Enseignant responsable :

  • EMMANUEL LEPINETTE

  Volume horaire : 30

  Description du contenu de l'enseignement :

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

  Pré-requis recommandés :

  Processus stochastiques en temps discret, martingales.

  Pré-requis obligatoire :

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

  Compétences à acquérir :

  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

  Mode de contrôle des connaissances :

  CC(30%) + Examen(70%)

• SAS, R et Python
  Fermer

  SAS, R et Python

  Ects : 3

  Enseignant responsable :

  • LAURENT ALLO
  • GREGOIRE DE LASSENCE

  Volume horaire : 24

  Description du contenu de l'enseignement :

  • 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

  Pré-requis obligatoire :

  Python

  Compétences à acquérir :

  • 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

  Mode de contrôle des connaissances :

  Projet en groupe + QCM

• Solvabilité II
  Fermer

  Solvabilité II

  Ects : 2

  Enseignant responsable :

  • LOUIS-ANSELME DE LAMAZE

  Volume horaire : 18

  Description du contenu de l'enseignement :

  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

  Compétences à acquérir :

  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
  Fermer

  Modélisation stochastique du risque de crédit

  Ects : 2

  Enseignant responsable :

  • EMMANUEL LEPINETTE

  Volume horaire : 21

  Description du contenu de l'enseignement :

  Le modèle de Merton, les modèles à intensité.

  Pré-requis recommandés :

  Calcul stochastique + théorie des probabilités+ Python.

  Pré-requis obligatoire :

  Calcul stochastique + théorie des probabilités+ Python.

  Compétences à acquérir :

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

  Mode de contrôle des connaissances :

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

  Bibliographie-lectures recommandées

  Cours auto-suffisant.

• Statistiques et dynamique des produits dérivés
  Fermer

  Statistiques et dynamique des produits dérivés

  Ects : 2

  Enseignant responsable :

  • GABRIEL TURINICI

  Volume horaire : 21

  Description du contenu de l'enseignement :

  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

  Pré-requis recommandés :

  python, calcul stochastique, produits dérivés

  Pré-requis obligatoire :

  algèbre niveau L2-L3

  Compétences à acquérir :

  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

  Mode de contrôle des connaissances :

  voir CC

  En savoir plus sur le cours :

  turinici.com

  Bibliographie-lectures recommandées

  Voir turinici.com

UE fondamentales

• Culture Financière et pratique de Bloomberg
  Fermer

  Culture Financière et pratique de Bloomberg

  Ects : 2

  Enseignant responsable :

  • PIERRE BRUGIERE
  • DENIS BERTIN

  Volume horaire : 15

  Description du contenu de l'enseignement :

  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

  Compétences à acquérir :

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

• Pratique des options
  Fermer

  Pratique des options

  Ects : 2

  Enseignant responsable :

  • BERTRAND FAUCHER

  Volume horaire : 18

  Description du contenu de l'enseignement :

  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

  Compétences à acquérir :

  - 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
  Fermer

  Python et pratique de la Data Science

  Ects : 2

  Enseignant responsable :

  • Pierre FIHEY

  Volume horaire : 18

  Description du contenu de l'enseignement :

  • 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.

  Compétences à acquérir :

  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.

  Mode de contrôle des connaissances :

  Projet (Code + Rapport)

UE complémentaires voie QRF

• Implémentation de modèles multivariés en finance et assurance
  Fermer

  Implémentation de modèles multivariés en finance et assurance

  Ects : 2

  Enseignant responsable :

  • EMMANUEL LEPINETTE

  Volume horaire : 18

  Description du contenu de l'enseignement :

  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.

  Pré-requis recommandés :

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

  Pré-requis obligatoire :

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

  Compétences à acquérir :

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

  Mode de contrôle des connaissances :

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

  Bibliographie-lectures recommandées

  Le cours est auto-suffisant.

• Modélisation stochastique de la courbes de taux
  Fermer

  Modélisation stochastique de la courbes de taux

  Ects : 3

  Enseignant responsable :

  • IMEN BEN TAHAR

  Volume horaire : 21

  Description du contenu de l'enseignement :

  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

  Compétences à acquérir :

  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
  Fermer

  Data Science pour le Business

  Ects : 2

  Enseignant responsable :

  • BASSEM GHARBI
  • PIERRE FISZ
  • BAN ZHENG

  Volume horaire : 21
• Machine Learning, Transformer et NLP
  Fermer

  Machine Learning, Transformer et NLP

  Ects : 2

  Enseignant responsable :

  • DIDIER JEANNEL

  Volume horaire : 18

  Description du contenu de l'enseignement :

  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%)

  Compétences à acquérir :

  Comprendre des NLPs et les Transformers

  Mode de contrôle des connaissances :

  Examen en salle informatique 100%

• Recent Advances in Data Sciences
  Fermer

  Recent Advances in Data Sciences

  Ects : 3

  Enseignant responsable :

  • THEO LOPES QUINTAS

  Volume horaire : 21

  Description du contenu de l'enseignement :

  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.

  Pré-requis obligatoire :

  Machine Learning et Deep Learning, mathématiques niveau master 1 maths

  Compétences à acquérir :

  • 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

  Mode de contrôle des connaissances :

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

  Bibliographie-lectures recommandées

  • 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
  Fermer

  Renforcement Learning

  Ects : 2

  Enseignant responsable :

  • GABRIEL TURINICI

  Volume horaire : 21

  Description du contenu de l'enseignement :

  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

  Pré-requis recommandés :

  tensorflow, keras, pytorch

  Pré-requis obligatoire :

  python, numérical analysis

  Compétences à acquérir :

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

  En savoir plus sur le cours :

  turinici.com

  Bibliographie-lectures recommandées

  turinici.com

Conduite de projets et mémoire - 15 ECTS

• Conduite de projet et Mémoire
  Fermer

  Conduite de projet et Mémoire

  Ects : 15

  Enseignant responsable :

  • PIERRE BRUGIERE
  • OLIVIER SOUSSAN

  Volume horaire : 18

  Description du contenu de l'enseignement :

  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)

  Compétences à acquérir :

  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

  Mode de contrôle des connaissances :

  Controle continu + mémoire en fin d'année