Les Cours

 

Le premier cours sera assuré par Stéphane Gaiffas, professeur de l’Université Paris Diderot. « Introduction à l’optimisation pour le Machine Learning ». Ce cours décrira quelques développements récents dans le domaine de l'optimisation pour l'apprentissage automatique.

Le second cours sera assuré par Mohamed Masmoudi, professeur de l’ Université Paul sabathier : « Apprendre la physique à partir des données ». Dans ce cours, il sera montré comment adapter les méthodes de l’apprentissage au contexte des données techniques. Des données générées par les outils de simulation et des données opérationnelles issues de l’activité industrielle seront ainsi considérées. Il sera montré comment il est possible d'apprendre la physique à partir des données sans faire appel à l'outil de simulation.

Le troisième cours sera assuré par Francisco Chinesta, ESI GROUP CHAIR, professeur de l'ENSAM ParisTech & Centrale Nantes. Institut Universitaire de France & Académie des Technologies d'Espagne : « Des jumeaux virtuels aux jumeaux hybrides ». Ce cours passera en revue les trois ingrédients principaux de ces jumeaux hybrides qui combinent temps réel, assimilent les données et permettent d’adapter et d’enrichir les simulations pour garantir leur prédictibilité.

Ces trois premiers cours qui aborderons l’apprentissage profond, seront complétés par des travaux dirigés sur le Deep Learning et des travaux pratiques sous Python et Keras. Ces travaux seront assurés par Mourad Zerai, enseignant chercheur à l’Ecole Supérieure Privée d’Ingénierie et de Technologie.

Le quatrième cours sera assuré par Stéphane Andrieux directeur scientifique de l’ONERA : « Divergence de Bregman, en tant qu’outil de base pour la construction de métriques dans les espaces de données structurées». Ce cours permettra de montrer l’intérêt de l’utilisation de distances ou de mesures adaptées dans les espaces à grande dimension qui sont constitués par des vecteurs ou des solutions d'équations aux dérivées partielles. Les mesures constituent la base de méthodes de clustering, d'apprentissage multiple ou, plus généralement, de méthodes de réduction de dimension non linéaire.

Le cinquième cours sera assuré par Antonio Falcó, professeur de l’Universidad CEU Cardenal Herrera (Espagne). « Outils et cadre mathématique pour la Reduction de Modèles», où seront présentés des outils mathématiques pour mieux comprendre et aborder les méthodes de réduction de modèles basées sur des sous-espaces.

Le sixième cours sera assuré par Yvon Maday, professeur de l’Université Paris 6, Laboratoire Jacques Louis Lions. « mutualisme symbiotique entre méthodes de base réduites et cadre Big Data », où seront rappelés l'essentiel des Méthodes de Base Réduites (RBM) dans le contexte de réduction d'ordre de modèle, y compris la présentation des Méthodes d'Interpolation Empiriques (EIM) qui permet de reconstruire des états de données.

Cinq conférences portant sur les techniques de réduction de modèles seront présentées tout au long de l’école. Une sixième conférence sera assurée par Sana Louhichi, de l’Université de Grenoble Alpes, France et portera sur les processus empiriques en apprentissage statistique.