5-SDBD-Ens

2023-2024

  • 5-SDBD : UF Analyse Descriptive et Prédictive (moodle - aptsg23 )
    • Partie 1 : Clustering
      • Intervenants : Marie-José Huguet - Mohamed Siala - Tim Luchterhand
    • Partie 2 : Apprentissage supervisé
    • Partie 3 : Deep Learning (Claire Labit-Bonis)
  • 5-SDBD : UF Analyse Prescriptive (moodle apoc23 )
    • Cours : Optimisation Combinatoire / Méthodes de recherche arborescente / PLNE / PPC / SAT
    • Intervenants : Marie-José Huguet - Mikael Capelle - Patrick Esquirol - Mohamed Siala - Christian Artigues - Pierre Coupechoux - Théo Le Brun
  • 5-SDBD : UF Projet intégrateur : IA et Big Data (moodle - databigai )

 


2022-2023

  • 5-SDBD : UF Analyse Descriptive et Prédictive (moodle)
    • Partie 1 : Clustering
      • Intervenants : Marie-José Huguet - Mohamed Siala - Julien Ferry - Rafael Bailon-Ruiz
    • Partie 2 :
    • Suite de cet enseignement : Deep Learning (Claire Labit-Bonis)
  • 5-SDBD : UF Analyse Prescriptive (moodle)
    • Cours : Optimisation Combinatoire / Méthodes de recherche arborescente / PLNE / PPC / SAT
    • Intervenants : Marie-José Huguet - Mikael Capelle - Patrick Esquirol - Mohamed Siala - Christian Artigues - Pierre Coupechoux - Valentin Antuori - Gabriel Volte
  • 5-SDBD : UF Projet intégrateur : IA et Big Data (moodle)

 


2021-2022

  • 5-SDBD : UF Analyse Descriptive et Prédictive (moodle)
    • Partie 1 : Introduction à l'apprentissage automatique
    • Partie 2 : Clustering
    • Partie 3 : Fouille de données
    • TP Clustering : Sujet de TP et dataset (pour le rapport)
    • Intervenants : Marie-José Huguet - Mohamed Siala - Hao Hu - Julien Ferry
    • Suite de cet enseignement : Apprentissage supervisé
  • 5-SDBD : UF Analyse Prescriptive (moodle)
    • Cours : Optimisation Combinatoire / Méthodes de recherche arborescente / PLNE / PPC / SAT
    • Intervenants : Marie-José Huguet - Mikael Capelle - Patrick Esquirol - Mohamed Siala - Christian Artigues - Pierre Coupechoux - Olivier de Mouzon - Tom Portoleau
  • 5-SDBD : UF Projet intégrateur : IA et Big Data (moodle)

2020-2021

  • 5-SDBD : UF Analyse Descriptive et Prédictive (moodle)
    • Cours 1 : IA et Apprentissage : contexte et enjeux
    • Cours 2 : Clustering
    • Cours 3 : Fouille de données et Bonus
    • TP : Sujet de TP - dataset (pour le rapport)
    • Intervenants : Marie-José Huguet - Mohamed Siala - Hao Hu - Meryem Bendalli
  • 5-SDBD : UF Analyse Prescriptive (moodle)
    • Cours : Contexte et positionnement
    • Intervenants : Marie-José Huguet - Mikael Capelle - Patrick Esquirol - Mohamed Siala - Christian Artigues - Pierre Coupechoux - Valentin Antuori - Tom Portoleau
  • 5-SDBD : UF Projet intégrateur : IA et Big Data
    • voir la page moodle
    • Intervenants : Marie-José Huguet - Sami Yangui - Mohamed Siala - Julien Ferry - Partenaires industriels (TAS et Activus)

2019-2020

  • Accueil général 5e année
    • présentation - planning - groupes TD/TP et équipes projet
  • UF Analyse Descriptive et Prédictive // Intervenants : Marie-José Huguet - Gilles Trédan - Marie-Véronique Le Lann - Mohamed Siala - Roberto Pasqua - Pierre-François Gimenez - Frédéric Chatrié
    • Introduction générale UF : IA et Apprentissage (MJ. Huguet)
    • partie analyse exploratoire (Gilles Tredan)
    • partie apprentissage supervisé (Marie-Véronique Le Lann) : moodle
    • partie apprentissage non supervisé (MJ. Huguet) : clustering - fouille de données - TP
  • UF Analyse Prescriptive // Intervenants : Marie-José Huguet - Mohamed Siala - Mikael Capelle - Patrick Esquirol - Tom Portoleau - Valentin Antuori
    • Introduction (MJ Huguet)
    • partie PLNE (Mikael Capelle) : lien
    • partie CSP (Patrick Esquirol et Mohamed Siala)
    • partie SAT (Mohamed Siala)
  • UF Projet intégrateur : IA et Big Data // Intervenants : Marie-José Huguet - Sami Yangui - Mohamed Siala - Roberto Pasqua

2018-2019

  • UF Projet Intégrateur
  • UF Analyse Prescriptive
    • intro
    • partie PLNE (Mikael Capelle)
    • partie CSP (Patrick Esquirol et Mohamed Siala)
    • partie SAT (Mohamed Siala)
    • partie Projet : sujet - article 1 - article 2
  • UF Analyse Descriptive et Prédictive
    • Introduction UF (MJ. Huguet)
    • partie analyse exploratoire (Gilles Tredan)
    • partie apprentissage supervisé (Marie-Véronique Le Lann)
    • partie apprentissage non supervisé (MJ. Huguet) : clustering - fouille de données
      • TP Clustering : sujet et jeux de données
      • scikit-learn
    • Quelques ressources pédagogiques :
      1. Apprentissage artificiel - 3e édition: Concepts et algorithmes Broché – Vincent Barra, Laurent Miclet, Antoine Cornuéjols, 2017. Voir également le site d'A. Cornuejols
      2. Mining of Massive Datasets, Jure Leskovec, Anand Rajaraman, Jeff Ullman,Standford University -  (MOOC et Livre)
      3. Introduction to Data Mining, Pang-Ning Tan, Michigan State University, Michael Steinbach, University of Minnesota Vipin Kumar, University of Minnesota,2005).
    • Autres ressources :
      1. Introduction to Information Retrieval, Christopher D. Manning, Prabhakar Raghavan and Hinrich Schütze, Cambridge University Press. 2008. Disponible en ligne
      2. Data Mining and Constraint Programming : Foundations of a Cross-disciplinary Approach, Bessiere C. et al., 2016.
      3. Apprentissage Machine de la théorie à la pratique. Concepts Fondametaux en Machine Learning. M-R. Amini, 2015.
      4. Big Data et Machine Learning. Le Manuel du Data Scientist. P. Lemberger, M. Batty, M. Morel, J.L Rafaelli, 2015.
      5. Graph Databases. New Opportunities for Connected Data. I. Robinson, J. Webber, E. Eiffrem. Second Edition, 2015.

 


2017-2018

  • Apprentissage non supervisé (UF Analyse Descriptive et Prédictive)
    • cours 1 et 2
    • cours 3 et 4
    • Sujet de TP Apprentissage non supervisé : (ici)
      • Scikit-learn
    • Quelques ressources pédagogiques :
  1. Apprentissage artificiel - 3e édition: Concepts et algorithmes Broché – Vincent Barra, Laurent Miclet, Antoine Cornuéjols, 2017. Voir également le site d'A. Cornuejols

  2. Mining of Massive Datasets, Jure Leskovec, Anand Rajaraman, Jeff Ullman, by Cambridge University Press (2nd Edition 2013, 3rd edition en préparation : la seconde édition est disponible en ligne

  3. Introduction to Data Mining, Pang-Ning Tan, Michigan State University, Michael Steinbach, University of Minnesota Vipin Kumar, University of Minnesota,2005). Disponible en ligne

  4. Introduction to Information Retrieval, Christopher D. Manning, Prabhakar Raghavan and Hinrich Schütze, Cambridge University Press. 2008. Disponible en ligne

  5. Data Mining and Constraint Programming : Foundations of a Cross-disciplinary Approach, Bessiere C. et al., 2016.

  6. Apprentissage Machine de la théorie à la pratique. Concepts Fondametaux en Machine Learning. M-R. Amini, 2015.

  7. Big Data et Machine Learning. Le Manuel du Data Scientist. P. Lemberger, M. Batty, M. Morel, J.L Rafaelli, 2015.

  8. Graph Databases. New Opportunities for Connected Data. I. Robinson, J. Webber, E. Eiffrem. Second Edition, 2015.


  • Mineure AP (Analyse Prescriptive)
    • intro
    • méta-heuristiques
    • Partie Programmation Linéaire en Nombres Entiers (voir page Mikael Capelle)
    • Partie Programmation par Contraintes (CSP) (voir moodle Patrick Esquirol)
    • projet Mineure :
      • Sujet Placement de ressources dans un data center : ici
      • Sujet Ordonnancement et Cloud Computing (Open-Shop Scheduling et variantes): ici et
      • Sujet Clustering sous contraintes : ici et (site avec instances et ref) ou (Clustering et Optimisation)

  • Projet intégrateur (UF Projet SDBD)

    • Sujet en cours de rédaction