Machine learning & optimisation

Algorithms for Optimization (2nd edition)

Manuel d'optimisation : méthodes stochastiques (recuit simulé), méthodes à population (algorithmes génétiques, essaims, colonies de fourmis), programmation linéaire et dualité, optimisation discrète et combinatoire.

Mykel J. Kochenderfer, Tim A. Wheeler

An Introduction to Statistical Learning with Applications in Python

Manuel de référence en apprentissage statistique et fouille de données : régression, classification, arbres, SVM, apprentissage profond, classification non supervisée, avec travaux pratiques en Python.

Gareth James, Daniela Witten, Trevor Hastie

Exploration statistique multidimensionnelle – Data Mining

Cours Wikistat (INSA Toulouse) : statistique descriptive, ACP, AFC, AFCM, positionnement multidimensionnel, classification, analyse canonique, avec des exemples dont des données d'expression génomique.

Philippe Besse

Programmation Dynamique

une approche très théorique. Problèmes recherches : dichotomique, séquentielle, arrière; de tris : slowsort, quicksor; complexité... Puis la partie théorique de la programmation dynamique. Le cours aborde ensuite les graphes et les problématiques de leur parcours. Arborescence : arbres de poids minimum, Kruskal. Plus court chemin : Algo de Floyd, Bellman, Disktra. Les cycles eulériens et hamiltoniens...

Laurent Canet

Analyse statistique des données d’expression génomique

Description statistique élémentaire, Analyse en Composantes Principales, Positionnement multidimensionnel, Classification, Analyse Canonique, Modèle linéaire et régression, analyse de variance,

Alain Baccini, Philippe Besse, Sébastien Déjean

Techniques d'Optimisations Combinatoires

Introduction à la Théorie de la Complexité,Classes P et NP, Typologie de Problèmes, Méthodes Heuristiques, Méthodes Exactes, Problèmes de tournées, Parcours eulériens, Problème dérivé : le problème du postier chinois, Parcours hamiltoniens, Heuristiques (glouton, tabous, génétique...) Recherches locales, Recherches globales, Problèmes dérivés et extensions du PVC,

Laurent Péridy

Algo Génétiques pour l'optimisation

Comment ca marche : représentation génétique, fonction de fitness, population, selection, recombinaison, mutation, replacement et convergence. Comparaison avec d'autres méthodes comment la recherche aléatoire, le recuit simulé (simulated anealing), hill climbing... Extensions au parallelisme et applications

Xavier Hüe

Programmation Linéaire et Ordonnancement

L'accent est mis sur la programmation linéaire, le théorème de dualité, algorithme du simplexe, et les applications à des problèmes discrets de type min-max. Cette partie repose essentiellement sur l'excellent livre «Linear Programming» de Chvatal d'où de nombreux exemples sont issus. Dans une moindre mesure, on donne un aperçu rapide des problèmes d'ordonnancement et des méthodes classiques pour les résoudre.

Nicolas M. Thiéry

Recherche Operationnelle

Un superbe cours.Les Graphes, Les arbres, Représentation des graphes, Efficacité des algorithmes, complexité des problèmes, Recherche du plus court chemin, Ordonnancement, recherche du plus long chemin, Recherche du flot maximum, Programmation linéaire.

Bruno Bachelet

Techniques d'optimisation stochastiques

Un excellent cours sur l'optimisation des problèmes combinatoires. Les Algos Génétiques sont plus particulièrement étudiés avec les améliorations possibles pour ce genre d'algos. Les opérateurs de combinaison, selection, mutation...Les variantes avec le recuit simulé. Puis un cas concret (traffic aérien) est détaillé.

Jean-Marc Alliot

Extraction des connaissances

Un cours complexe qui mèle statistiques et graphes d'induction pour la recherche de connaissances à partir des données. Quelques problèmes sur le fichier mais il reste lisible.

Djamel A. Zighed

Mémoire adaptative et Meta-Heuristiques

Dans cette thèse, l'auteur nous immerge dans les heuristiques : Algos génétiques, Tabou, Colonie de fourmis (ACS). Il traite également des applications possibles de ces différents algos : TSP, QAP.On pourra néammoins regretter l'absence de réelles implémentations au profit d'une explication plus claire de ces algos.