Programme d’études 2019-2020English
Advanced optimization
Unité d’enseignement du programme de Master : ingénieur civil en informatique et gestion à la Faculté Polytechnique

Les étudiants sont invités à consulter les fiches ECTS des AA pour prendre connaissance des modalités d’évaluation prévues pour la fin du Q3

CodeTypeResponsable Coordonnées
du service
Enseignant(s)
UI-M2-IRIGIG-301-MUE optionnelleTUYTTENS DanielF151 - Mathématique et Recherche opérationnelle
  • TUYTTENS Daniel
  • VANDAELE Arnaud
  • GILLIS Nicolas

Langue
d’enseignement
Langue
d’évaluation
HT(*) HTPE(*) HTPS(*) HR(*) HD(*) CréditsPondération Période
d’enseignement
  • Anglais
Anglais194100055.001er quadrimestre

Code(s) d’AAActivité(s) d’apprentissage (AA) HT(*) HTPE(*) HTPS(*) HR(*) HD(*) Période
d’enseignement
Pondération
I-MARO-231Multi-Objective Optimization39000Q1
I-MARO-232Topics in Convex Optimization816000Q1
I-MARO-303First-Order Methods for Large Scale Machine Learning816000Q1

Note globale : les évaluations de chaque AA donnent lieu à une note globale pour l'unité d'enseignement.
Unité d'enseignement

Objectifs par rapport aux acquis d'apprentissage du programme

  • Mobiliser un ensemble structuré de connaissances et compétences scientifiques et techniques spécialisées permettant de répondre, avec expertise et adaptabilité, aux missions de l'ingénieur civil en Informatique et Gestion
    • Maîtriser et mobiliser de façon pertinente des connaissances, des modèles, des méthodes et des techniques relatifs au domaine de l'Informatique et Gestion
  • Communiquer et échanger des informations de manière structurée - oralement, graphiquement et par écrit, en français et dans une ou plusieurs autres langues - sur les plans scientifique, culturel, technique et interpersonnel en s'adaptant au but poursuivi et au public concerné.
    • Argumenter et convaincre, tant à l'oral qu'à l'écrit, vis-à-vis de clients, des enseignants et des jurys.
  • Contribuer par un travail de recherche à la solution innovante d'une problématique en sciences de l'ingénieur.
    • Construire un cadre théorique ou conceptuel de référence, formuler des solutions innovantes à partir de l'analyse de la littérature scientifique, notamment dans des champs disciplinaires nouveaux ou émergents.
    • Concevoir et mettre en oeuvre des analyses conceptuelles, des modélisations numériques, des implémentations logicielles, des études expérimentales et des analyses comportementales.
    • Communiquer, à l'écrit et à l'oral, sur la démarche et ses résultats en mettant en évidence tant les critères de scientificité de la recherche menée, que les potentialités d'innovation théoriques ou techniques et les possibles enjeux non techniques.

Acquis d'apprentissage UE

AA - Multi-Objective Optimization Ce cours a pour objet l'introduction des principes de base de l'optimisation multi-objectifs et introduit des algorithmes représentatifs
(illustrant leurs principes de fonctionnement et discutant de leur champ d'application et de leurs performances). Après le cours, les étudiants doivent être en mesure de comprendre pourquoi des méthodes d'optimisation multi-objectifs sont nécessaires, ainsi que de comprendre le concept d'optimalité dans l'optimisation multi-objectifs, de comprendre différentes approches pour résoudre les problèmes d'optimisation multi-objectifs et comprendre les bases du choix et de l'implémentation de méthodes d'optimisation multi-objectifs. AA - First-Order Methods for Large Scale Machine Learning
Ce cours a pour objet l'introduction de méthode du premier ordre pour l'optimisation de problèmes de grande taille, avec des applications en analyse de données et machine learning. En particulier, l'attention sera portée sur les méthodes de gradient stochatisques qui sont utilisées pour optimiser les poids dans un réseau de neurones profonds.  Les étudiants doivent être capables de comprendre les dévelopements théorique (principalement, convergence de ces méthodes), ainsi que de pouvoir les implémenter et les appliquer sur des problèmes concrets.  AA - Topics in Convex Optimization L'objet principal de cette AA est l'optimisation convexe, domaine qui  a connu un développement considérable ces trois dernières décennies. Ce cours s'appuie sur les enseignements I-MARO-035 (Optimisation Linéaire) et I-MARO-036 (Optimisation Non-Linéaire). Le coeur de ce cours concerne l'optimisation conique et plus particulièrement l'optimisation semi-définie qui permet de modéliser de nombreux problèmes en sciences appliquées. Les étudiants doivent être capables de comprendre les développements théoriques ainsi que de pouvoir les implémenter et les appliquer sur des problèmes concrets.  

Contenu de l'UE

AA - Multi-Objective Optimization Organisation du cours: Introduction et contexte sur l'optimisation multi-objectifs (espace de décision, espace des objectifs, optimalité de Pareto, front de Pareto, ...).
Plusieurs méthodes d'optimisation basiques et avancées sont présentées pour résoudre les problèmes d'optimisation multi-objectifs. 
Certains outils sont présentés pour évaluer la performance des algorithmes multi-objectifs. AA - First-Order Methods for Large Scale Machine Learning Organisation du cours:  - Introduction au méthodes du premier ordre et motivations.  - Méthode du premier ordre optimales en optimisation convexe. - Méthodes de gradient sctochastique. 
- Projet: comparer des méthodes du premier ordre pour un problème de classification.      AA - Topics in Convex Optimization Organisation du cours:  - Introduction à l'optimisation conique.  - Optimisation sur le cône du second ordre - Optimisation semi-définie positive - Sum-of-squares. - Projet: modélisation et résolution de problèmes.  

Compétences préalables

Bonne connaissance des techniques d'optimisation et de modélisation.

Types d'évaluations Q1 pour l'UE

  • Présentation et/ou travaux
  • Examen écrit

Commentaire sur les évaluations Q1 de l'UE

Pour chaque AA, l'évaluation est basée sur un projet réalisé par groupe de 2. Une évaluation écrite complémentaire sera éventuellement organisée. La présence au cours fait partie de l'évaluation.      Pour l'UE, il s'agit d'une note globale calculée comme suit : Soit X = Note/20 de AA-Multi-Objective Optimization, Y = Note/20 de AA-First-Order Methods for Large Scale Machine Learning, Z = Note/20 de AA-Topics in Convex Optimization. Si Min(X,Y,Z) < 8 alors la Note globale de l'UE = Min(X,Y,Z). Si Min(X,Y,Z) >= 8, alors la Note globale de l'UE = 0.2 * X + 0.4 * Y + 0.4 * Z  

Types d'évaluation Q3 pour l'UE

  • Présentation et/ou travaux
  • Examen écrit

Commentaire sur les évaluations Q3 de l'UE

Pour chaque AA, l'évaluation est basée sur un projet réalisé par groupe de 2. Une évaluation écrite complémentaire sera éventuellement organisée. La présence au cours fait partie de l'évaluation.      Pour l'UE, il s'agit d'une note globale calculée comme suit : Soit X = Note/20 de AA-Multi-Objective Optimization, Y = Note/20 de AA-First-Order Methods for Large Scale Machine Learning, Z = Note/20 de AA-Topics in Convex Optimization. Si Min(X,Y,Z) < 8 alors la Note globale de l'UE = Min(X,Y,Z). Si Min(X,Y,Z) >= 8, alors la Note globale de l'UE = 0.2 * X + 0.4 * Y + 0.4 * Z  

Types d'évaluation rattrapage BAB1 (Q1) pour l'UE

  • Néant

Commentaire sur les évaluations rattr. Q1 de l'UE

Sans objet

Types d'activités

AATypes d'activités
I-MARO-231
  • Cours magistraux
  • Travaux pratiques
I-MARO-232
  • Cours magistraux
  • Conférences
  • Travaux de laboratoire
  • Projet sur ordinateur
I-MARO-303
  • Cours magistraux
  • Travaux pratiques
  • Projet sur ordinateur

Mode d'enseignement

AAMode d'enseignement
I-MARO-231
  • Face à face
I-MARO-232
  • Face à face
I-MARO-303
  • Face à face

Supports principaux

AA
I-MARO-231
I-MARO-232
I-MARO-303

Supports principaux non reproductibles

AASupports principaux non reproductibles
I-MARO-231Sans objet
I-MARO-232Sans objet
I-MARO-303Slides et autres supports disponibles sur Moodle

Supports complémentaires

AA
I-MARO-231
I-MARO-232
I-MARO-303

Supports complémentaires non reproductibles

AASupport complémentaires non reproductibles
I-MARO-231Sans objet
I-MARO-232Sans objet
I-MARO-303Bottou, L., Curtis, F. E., & Nocedal, J. (2018). Optimization methods for large-scale machine learning. Siam Review60(2), 223-311.  Newton, D., Yousefian, F., & Pasupathy, R. (2018). Stochastic Gradient Descent: Recent Trends. In Recent Advances in Optimization and Modeling of Contemporary Problems (pp. 193-220). INFORMS.

Autres références conseillées

AAAutres références conseillées
I-MARO-231Sans objet
I-MARO-232Sans objet
I-MARO-303Sans objet
(*) HT : Heures théoriques - HTPE : Heures de travaux pratiques encadrés - HTPS : Heures de travaux pratiques supervisés - HD : Heures diverses - HR : Heures de remédiation - Dans la colonne Pér. (Période), A=Année, Q1=1er quadrimestre et Q2=2e quadrimestre
Date de génération : 13/07/2020
20, place du Parc, B7000 Mons - Belgique
Tél: +32 (0)65 373111
Courriel: info.mons@umons.ac.be