Men Speaker

A propos de l'école

La science des données et l'optimisation stochastique sont deux disciplines tout à fait complémentaires qui sont en plein essor aussi bien dans le monde universitaire que dans le secteur privé ou public. Les thèmes abordés dans cette école sont les suivants :

  • Méthode à noyaux et applications
  • Statistique pour la science des données
  • Modélisation aléatoire et simulations numériques
  • Processus contrôlés markoviens et métaheuristiques

Programme

Cette école est axée à la fois aux fondements mathématiques/statistiques et aux applications. Les cours sont suivis de travaux pratiques et mini-projets en lien avec des problèmes concrets, ce qui permet de mettre en pratique les connaissances théoriques acquises. Des outils informatiques appropriés seront mis en œuvre afin de mener à bien ces applications. Cela servira entre autres à une initiation au logiciel Pyhton et au logiciel R.

Ci-dessous le planning prévisionnel (qui pourrait être ajusté) des cours

Les cours

Les cours décrits ci-dessous seront dispensés pendant les deux semaines à raison de 6h par jour. On y abordera à la fois les fondements mathématiques et des cas concrets provenant de données réelles. Les applications traitées sont très diverses, cela permet d'ouvrir de nouveaux horizons et de saisir le pourquoi de ces concepts mathématiques.

Le but de ce cours est de donner un aperçu sur la contribution des méthodes à noyaux dans des applications en apprentissage automatique. En particulier, une bonne partie du cours sera consacrée à l’apprentissage supervisé. Dans ce sens, on étudiera des algorithmes à base de noyaux pour la résolution des problèmes de régression non-paramétrique et de régression linéaire fonctionnelle. Dans le cas de l’apprentissage non-supervisé, on étudiera des algorithmes à noyaux pour les problèmes de classification et regroupement des données. Tout au long de ce cours, l’accent sera mis en un premier temps sur les noyaux auto-reproduisant et en deuxième temps sur les noyaux à fenêtres de Parzen. Les algorithmes étudiés sont à la fois, stables et robustes et seront illustrés par des simulations numériques sur des donnés réelles.
Pr. Sophie DABO Durée: 5 heures
Le but de ce cours est de donner un aperçu sur la contribution des méthodes à noyaux dans des applications en apprentissage automatique. En particulier, une bonne partie du cours sera consacrée à l’apprentissage supervisé. Dans ce sens, on étudiera des algorithmes à base de noyaux pour la résolution des problèmes de régression non-paramétrique et de régression linéaire fonctionnelle. Dans le cas de l’apprentissage non-supervisé, on étudiera des algorithmes à noyaux pour les problèmes de classification et regroupement des données. Tout au long de ce cours, l’accent sera mis en un premier temps sur les noyaux auto-reproduisant et en deuxième temps sur les noyaux à fenêtres de Parzen. Les algorithmes étudiés sont à la fois, stables et robustes et seront illustrés par des simulations numériques sur des donnés réelles.
Pr. Abderrazek KAROUI Durée: 3 heures.
Le recuit simulé est une technique probabiliste pour l'approximation de l'optimum global d'une fonction. Cette méthode génère une chaîne de Markov irréductible mais non homogène, qui converge vers un état stationnaire. On montre que cette limite stationnaire est une solution optimale du problème étudié.
Pr. Hédi NABLIDurée: 2 heures
S'approprier les principales méthodes statistiques pour la classification des données telles que l'analyse en composante principale, K-Means, HMM et Réseaux Bayésiens. Savoir manipuler, analyser et interpréter des données avec diérents types de modèles statistiques. Comprendre les principes de base de la statistique.
Pr. Afif MASMOUDI Durée: 6 heures
We present a constrained Markov Decision Process with absorbing states. The objective is to find a policy which maximises the infinite horizon expected average reward before the failure of the system, with a constraint on the asymptotic average failure rate. We propose an algorithm to find a stationary policy, e-optimal in the history dependent class. Keywords: Markov decision processes, Asymptotic failure rate, Bellman equation, linear programming.
Nikolaos LIMNIOSDurée : 4 heures
L'objectif consiste à construire, à partir d'un échantillon d'apprentissage, un modèle permettant de prévoir la sortie associée à une nouvelle entrée. En fonction de la nature de cette sortie, on parlera de classification, reconnaissance de forme, régression... On décrira quelques-uns des outils les plus utilisés pour construire de tels modèles. Le cours mettra l'accent sur les aspects opératoires de ces méthodes : principe, hypothèses, paramètres à optimiser. Il abordera également les critères de comparaison qui permettent de les comparer entre elles.
Jean-François DUPUY Durée: 6 heures
Ce cours fera suite au cours "Quelques méthodes de classification supervisée pour la data science". Il mettra l'accent sur les méthodes d'agrégation de modèles, du boosting au deep-learning en passant par les réseaux de neurones. La mise en oeuvre des algorithmes sera illustrée sur des cas concrets (classification de courbes et d'images). Le cours comprendra des séances de travaux pratiques sur les logiciels libres R et/ou Python.
Valérie MONBET Durée: 3 heures
L'optimisation par essaims particulaires est un algorithme à population inspiré par le comportement social de certaines espèces tels que le mouvement dans un groupe d'oiseaux ou de poissons. L'objectif de ce cours est d'examiner cet algorithme et d'étudier sa stabilité stochastique.
Dr. Sameh KESSENTINIDurée: 3 heures

Les Ateliers

Différents ateliers seront dispensés en compléments des cours. Ces ateliers auront pour but de mettre en pratique les notions et les méthodes vues en cours.

Le problème de voyageur de commerce consiste à chercher le plus court chemin qui visite chaque ville et retourne à la ville de départ. On mettra en pratique la méthode du recuit simulé pour la résolution d'un tel problème avec des données réelles.
Pr. Hédi NABLIDurée: 3 heures
Appliquer différentes méthodes statistiques de classification avec Python. Analyser des données avec les méthodes statistiques adaptées (estimation et tests, modèles Gaussiens et Bayésiens, . . . ). Evaluation des méthodes de classification et sélection de modèles.
Dr. Khalil MASMOUDIDurée: 6 heures
We apply the method to optimize the maintenance strategy of an aeronautical system, precisely we study the problem of maintenance of aircraft turbines. The decision process is formulated and then Numerical solution will achieved on computer.
Nikolaos LIMNIOSDurée: 2 heures
Identifier les facteurs de risque d'un type donné de cancer, construire un score d'appétence ou d'attrition en gestion de la relation-client, prévoir les défaillances d'un proc édé industriel... sont autant d'exemples de situations rencontrées dans l'exercice du métier de data scientist. Des séances de travaux pratiques sous R, destinées à mettre en oeuvre les méthodes et à apprendre à en interpréter les sorties, seront réalisées.
Jean-François DUPUYDurée: 3 heures
La mise en oeuvre des algorithmes sera illustrée sur des cas concrets (classification de courbes et d'images). Les séances de travaux pratiques seront effectuées sur les logiciels libres R et/ou Python.
Valérie MONBETDurée: 3 heures
Implémenter l'algorithme et le tester sur un problème réel à variables continues.
Dr. Sameh KESSENTINIDurée: 2 heures

VENUE

Cité des Sciences à Tunis

Rue La Cité des Sciences à Tunis, Tunis 1082

Musée scientifique animé avec un planétarium, proposant des expositions interactives permanentes et temporaires.

Quelques Informations Pratiques

Important links
Below are links to several important links with information pertaining to visiting Tunisia and the visas and permits required:
Tunis en quelques mots

Tunis El Médina

La visite de la médina, ville ancienne, revêt une signification particulière. Elle est l'occasion d'un voyage dans le temps qui introduit, pas à pas, et à travers un dédale aux subtiles compositions d'ombres et de lumières, au coeur historique de la ville de Tunis, ce lieu vénérable qu'il faut savoir découvrir d'un regard attentif avant de se laisser conquérir par son charme.

Par son importance géographique et humaine, par son style architectural et son organisation spéciale typique, cette cité représente un modèle accompli de la civilisation urbaine arabe en terre du Maghreb, et que l'organisation internationale de l'UNESCO a élu au patrimoine culturel de l'humanité et dont la sauvegarde concerne désormais la communauté universelle.

L 'histoire de Tunis en bref

Rebatie sur l'ancien site de Tounes lors de la conquête arabe de l'Ifriqiyya (VIIème s.) , Tunis fût très rapidement dotée d'équipements portuaires. Pendant la brève période du régne Aghlabide (894-905) elle fût encore la capitale de l'Ifriqiyya. Avant de faire de Mahdia et de Kairouan leurs capitales respectives, les Fatimides et les Zirides ont aussi régnés sur Tunis (909-1057). En 1160, les souverains berbères Almowahades ont continué de la prendre comme capitale. Tunis a connu son âge d'or de 1228 jusqu'en 1574 avec les Hafsides qui est une dynastie maghrébine issue des Almohaves qui la prirent aussi comme capitale de leur royaume. Prise par les Ottomans en 1574, elle perd son statut de capitale et traverse une période de prospérité commerciale grâce à ses communautés marchandes et à la piraterie (c'est l'âge d'or de la "course"). Sous les Husseinides (XVIIe-XVIIIe s.), elle connaît une activité architecturale intense et acquiert l'aspect qu'elle a conservé.

Inscription

Tous les participants doivent impérativement s'iscrire avant le 09 Janvier 2022 en suivant le lien : Lien
Les places sont limitées à 60, intervenants compris, une selection sera effectué fin janvier 2022 par le comité scientifique.

Demande de subvention

Pour les participants souhaitant un financement CIMPA, ils devront candidater avant le 09 janvier 2022 sur cette page.
Cette rubrique ne concerne pas les personnes qui résident en Tunisie.

Contact

Vous pouvez aussi nous envoyer vos questions à travers ce formulaire ou directement à hedi.nabli@fss.usf.tn:

Nos Sponsors

Cette école est soutenue par les institutions suivantes (liste non définitive):

Brand Logo
Brand Logo
Brand Logo
Brand Logo
Brand Logo
Brand Logo
Brand Logo


Brand Logo
Brand Logo
Brand Logo
Brand Logo
Brand Logo
















Brand Logo
Brand Logo
Brand Logo
Brand Logo
Brand Logo