* Capture des données (si besoin)
* Prétraitement des données
* Identification d'une problématique d'ingénierie des données
* Prototypage d'une solution fonctionnelle
* Réalisation pratique et validation

Aucune

* Introduction aux concepts de données fonctionnelles
* Statistiques de base pour les données fonctionnelles (corrélation, médiane ...)
* Méthodes de régularisation et de réduction de dimension
* Méthodes spécifiques de classification : ACP fonctionnelle
* Régression lin éaire avec variables fonctionnelles

Ramsay J, Hooker G, Graves S, Functional Data Analysis with R and MATLAB, Springer-Verlag New York inc, 2009

* Introduction aux modèles de mélange
* Présentation de l'algorithme EM pour l'estimation des paramètres du modèle de mélange
* Modèle de mélange gaussien
* Mélange de régression linéaire

* McLachlan G., Peel D., Finite mixture models, Wiley series in probability and statistics, 2000
* Hastie T., Tibshirani R;, Friedman J;, The Elements of Statistical Learning (Data Mining, Ingerence and Prediction) ,2009
* Grun B., Leisch F., Flexmix version 2 : finite mixtures with concomitant variables and varying and cosntant parameters. Journal of Statistical Software, 28, 1e35, 2008

* Rappel sur la régression linéaire multiple
* Les objectifs de la pénalisation
* La régression Ridge
* La régression LASSO
* Extension à la régression logistique et aux modèles additifs non linéaires

* Buhlmann P.,Van de Geer S, Statistics for high-Dimensional Data Methods, Theory and Applications, Springer Series in Statistics, 2011
* Hastie T, Tibshirani R, Friedman J, The Elements of Statistical Learning (Data Mining, Inference, and Prediction) 2009

* Sélection de variables, importance des variables
* Tests statistiques dans le cadre de la grande dimension
* Sélection et validation de modèles

* Buhlmann P., Van de Geer S., Statistics for high-Dimensional Data Methodes, Theory and Applications, Springer Series in Statistics, 2011
* R Core Team, 2013. R: A Language and Environment for Statistical Computing, R Foundation for Statistical Computing, Vienna Austria. http://www.R-project.org/.

* Introduction à l'ingénierie des données : Notion de chaine de traitements
* Analyse exploratoire de données
** Analyse en Composantes Principales (ACP)
** Analyse Factorielle des Correspondances (AFC)
** Méthode non-linéaire de projection des données
* Méthodes de regroupement des données (Clustering)
** Classification hiérarchique ascendante
** K moyennes
** Modèles de mélange

* Christopher Bishop, pattern Recognition and Machine Learning, 2006
* Trevor Hastie, Robert Tibshirani, Jerome Friedman, The Elements of Statistical Learning (Data Mining, Inference, and Prediction), 2009

* Introduction aux problématiques de la science des données
* Méthodes de discrimination
** K plus proches voisins
** Approche bayésienne de la décision : Cas gaussien
** Régression linéaire logistique
** Machines à vecteur support (SVM) linéaire
* Méthodes de régression linéaire
* Méthodologies de l'apprentissage statistique

* Christopher Bishop, Pattern Recognition and Machine Leaning, 2006
* Trevor Hastie, Robert Tibshirani, Jérome Friedman, The elements of statistical Learning (Data Miningt, Inference, and prediction), 2009
* Richard Duda, Peter Hart, David Stork, Pattern Classification

* Méthodes à noyaux, mesures de similarités et représentations
** Splines et autres méthodes de régression à noyaux
** Machines à vecteur supports non linéaires (SVM à noyaux)
** Problèmes multi-classes et apprentissage sur des données structurées
** Passage à l'échelle

* Deep learning

* Méthodes ensemblistes (Combinaison de modèles)
** Agrégation de modèles
** Boosting
** Arbres de décision et forets aléatoires

* Méthodologies de l'apprentissage statistique

* Trevor Hastie, Robert Tibshirani, Jérome Friedman, The Elements of Statistical Learning (Data Mining, Inference, and Prediction), 2009

* Learning with Kernels (Support Vector Machines, Regularization, Optimization, and Beyond) Bernhard Scholkopf and Alexander J. Smola, MIT press, 2001

* Foundations of Machine Learning by Mehryar Mohri, Afshin Rotamizadeh and Ameet Talwalkar, MIT press, 2012

* Apprentissage artificiel : concepts et algorithmes by Antoine Cornuéjols, Laurent Miclet, 2002

* Introduction aux systèmes de recommandation, évaluation et préférence
** Etudes de systèmes existants (Netflix, Amazon ...)
** Modélisation de l'utilisateur, filtrage collaboratif

* Factorisation de matrice
** Calcul de SVD en grandes dimensions, norme nucléaire, algorithmes ( Méthodes itératives, gradient stochastique)
** Modèles de variables latentes
** Méthodes avancées : factorisation non-négative, factorisation tensorielle

* Evaluation des systèmes, scoring et ordonnancement
** Algorithmes de bandits pour la recommandation
** Web marketing
** Enjeux sociétaux et éthique des systèmes de recommandation

* Recommender systems Handbook. F. Ricci, L.Rokach, B. Shapira, P.B Kantor, Springer, 2010

* Context-Aware Ranking with Factorization Steffen, Springer, 2010

Le programme du cours se décompose en quatre blocs de 7h :

Journée 1 : Optimisation dans Rn
* Panorama général des problèmes d'optimisation, des outils et des méthodes
* Dualité lagrangienne
* Cas différentiable : conditions d'optimalité KKT
* Exercices de modélisation et d'analyse de problèmes d'optimisation avec mise en oeuvre d'un solveur

Journée 2 : Programmation linéaire
* Polyèdres, interprétation géométrique de la programmation linéaire
* Dualité et interprétation économique
* Méthode révisée du simplexe et utilisation du tableau du simplexe
* Exercices et mise en oeuvre avec un solveur de programmation linéaire

Journée 3 : Programmation linéaire en nombres entiers
* Formulations et apporche polyédrale
* Méthode des plans coupants
* Méthode de Séparation et Evaluation progressive (Branch and Bound)
* Modélisation et résolution avec un solveur. Recherche effective de plans coupants ou prise en compte d'une relaxation lagrangienne

Journée 4 : Programmation non linéaire
* Programmation quadratique
* Programmation conique
* Programmation SDP
* Liens entre programmation quadratique et programmation linéaire en variables binaires
* Exercices et mise en oeuvre numérique avec un solveur

* Programmation mathématique - Michel Minoux (Dunod 2008)
* Optimisation discrète - Alain Billionnet (Dunod 2007)
* Programmation linéaire, complexité - Jean François Mauras (Springer 2002)

Le programme du cours se décompose en trois blocs de 7 h :

Journée 1 : Méthodes de décomposition en grande dimension
* Décomposition de Dantzig-Wolf (décomposition par les prix ) et gébération de variables
* Décomposition de Benders (décomposition par les ressources) et génération de contraintes
* Exemples de problèmes industriels et mise en oeuvre avec un solveur

Journée 2 : : Programmation stochastique
* Formulation mathématique des problèmes d'optimisation stochastique
* Résolution par la méthode de Benders : algorithmes L-shaped, décomposition stochastique, CUPPS (Cutting planes and partial sampling)
* Exercices et résolution numérique avec un solveur

Journée 3 :Programmation dynamique apporchée
* Equation de Bellman. Graphe d'état. Liens avec la programmation linéaire
* Modélisation de programmes dynamiques avec ou sans variables aléatoires
* Exercices et résolution numérique

* Programmation mathématique - Michel Minoux (Dunod 2008)
* Approximate Dynamic programming - Solving the curses of dimensionality - Warren B. Powell (Wiley 2011)

Ce cours se décompose en 3 blocs de 7h

Journée 1 : Théorie des graphes
* Vocabulaire
* Représentant des graphes et codage
* Connexité et forte connexité, parcours de graphes, plus courts chemins et codage efficace pour un graphe de grande taille
* Isomorphisme de graphes
* Arbres couvrant : structure Union-Find pour le codage efficace des problèmes d'arbres couvrant et la classification hiérarchique

Journée 2 : Flots dans les réseaux
* Flots, potentiels
* Flot maximal et algorithmes
* Flot maximal de cout minimal et algorithmes
* Multifots

Journée 3 : Réseaux d'interaction et applications
* Graphes petit monde, recherche de communauté
* Exemples de modélisation d'interactions par des systèmes dynamiques
* Exemples de modèles stochastiques

* Graphes et algorithmes - M.Gondran et M.Minoux (Lavoisier 2009)
* Introduction to algorithms - Cormen, Leiserson, Rivest (the MIT Electrical Engineering and computer Science Series, 1990)

* Introduction aux Systèmes de Gestion des Bases de Données
** Pratique d'un SGBD relationnel

* Systèmes NoSQL et aspects méthodologiques
** Modèles d'agrégats
** Modèles de données spécifiques (relations, graphes, base de données sans schéma)
** Modèles distribués, tables et fonctions de hachage, consistance

* Les différents types de bases de données NoSQL, leur mise en oeuvre et leurs liens
** Orienté clé/valeur (Redis)
** Orienté document (MongoDB)
** Orienté colonne (Cassandra)
** Orienté graph (Neo4j)

* NoSQL Distilled : A Brief Guide to the Emerging Worl of Polyglot Persistence, Pramod J.
Sadalage & Martin Fowler, Addison-Wesley, 2012

* Graph Databases, Ian Robinson, Jim Webber, and Emil Eifrem O'Reilly, 2013

* Introduction à la programmation fonctionnelle. Mise en oeuvre sur scala

* Traitemet massivement parallèle
** Concepts
** Modèle de programmation MapReduce

* Outils de traitement et stockage massivement distribués
** Ecosystème Hadoop
** Formalisme de stockage distribué (HDFS, Avro, Parquet, Hive)
** Extraction de données (SQOOP, ETL (Talend) ou Pig)
**Traitement distribué Batch
**Outils pour le traitement distribué SQL (Impala, Spark SQL)
**Traitement distribué Machine Learning (Spark MLlib, Spark R)
** Traitement distribué Streaming (Spark Streaming, Apache Storm)

* Principaux fournisseurs de solutions cloud

Hadoop MapReduce Cookbook, Srinath Perera and Thilina Gunarathne, 2013 open source pakt publishing

* Introduction et principe du génie logiciel
** Cycle de vie d'un logiciel (spécification, conception, intégration, implémentation, tests, livraison, maintenance)

* Modèles de cycle de vie et de processus de développement
** Cycle en V
** Agilité, développement itératif, POC

* Développement collaboratif
** Versionnement, outils
** Refactoring
** Technique de tests, intégration continue, déploiement continu

* Planification et gestion de projet informatique

* B.W BOEHM : Software Engineering Economics, édition Prentice-Hall Inc
* R.O LEWIS : Independant verification and validation, a life cycle engineering process for quality software, édition J.Wiley
* B.BEIZER : Software Testing Techniques, édition Van Nostrand Reinhold

* Sécurité de l'information
** Les critères de la sécurité, définition et relation entre vulnérabilité, menace et risque

* Concepts de base de la sécurité
** Types d'attaques et attaquants
** Architecture de sécurité
** L'authentification, le chiffrement, définitions mise en oeuvre
** Signature électronique et Certificats et autorités de certification
** Politique de sécurité et prévention

* Architectures techniques de sécurité
** Les serveurs d'authentification et le Single Sign On
** Solutions techniques (VPN,Firewall,IDPS,IPS?etc ...)
** Protocoles (SSL, IPSEC, S-MIME etc ...)
** Analyse d'une Advanced persistent Thread, malwares
** Sécurité des données dans le cloud (architecture cloud, sécurité, contre-mesures type SIEM ou SOC)

Aucune

* Ecosystème du Big Data
* Management de la donnée
** Stratégie Data (capter la valeur business de la donnée)
**Gouvernance de la donnée (exécuter la stratégie, administration fonctionnelle)
** Role du Chief Data Officer
** Nouvelles sources de données : Réseaux sociaux, Open Data, objets connectés, wearable devices, crowdsourcing

* Donnée numérique : Valorisations sociales, économiques et environnementales
** Valorisation capitalistique (publicité, marketing, nouveaux usages...) : Renforcer le business de l'entreprise et/ou générer de nouveaux business models
** Opportunités du Big Data : Santé, maitrise énergétique, développement durable, villes intelligentes, économie collaborative ...
** Impact social : Open data, administration électronique

* Etude économique du déploiement de la stratégie Big Data

Aucune

* Notions juridiques
** Données personnelles et protection
** Loi Informatique et Libertés
** Role de la CNIL en France et réglementations européennes

* Vie privée et données personnelles
** Risques et inquiétudes
** Propriété des données personnelles, Privacy paradox
** Anonymisation et dés-anonymisation
** Complémentarité de la loi et de la technologie : Régulation et autorégulation, privacy by design
** Chief Privacy Officer

* Ethique, droit et big data
** Description des données et traçabilité
** Réglementation liées à la nature des données (santé, open data, bancaires ...)
** Propriété intellectuelle
** Usage des prédictions fournies par les algorithmes statistiques

aucune