Programme

Horaire Mardi 25 juin Mercredi 26 juin Jeudi 27 juin Vendredi 28 juin Samedi 29 juin Dimanche 30 juin
08:00 à 09:00 Accueil et ouverture   OML     Sortie programme culturel
09:00 à 10:00 OML OML DB APD APD
10:00 à 10:30 Pause café
10:30 à 11:30 DB DB APD DB DB
11:30 à 12:30 OML OML APD APD APD
12:30 à 14:30 Pause déjeuner
14:30 à 15:30 DB OML ADL ADL
15:30 à 16:30 ADL   ADL ADL ADL
16:30 à 17:30          

 

Horaire Lundi 1er juillet Mardi 2 juillet Mercredi 3 juillet Jeudi 4 juillet Vendredi 5 juillet
09:00 à 10:00 MRM MRM BRBD JVJH MRM
10:00 à 10:30 Pause café
10:30 à 11:30 JVJH BRBD BRBD JVJH JVJH
11:30 à 12:30 JVJH BRBD MRM MRM MRM
12:30 à 14:30 Pause déjeuner
14:30 à 15:30 BRBD JVJH Table Ronde C4  
15:30 à 16:30 BRBD C1 C5  
16:30 à 17:30 C2 C3  

 

Cours :

Cours 1: Stéphane Gaiffas, professeur de l’Université Paris Diderot.Le cours sera effectué par Mme Radhia Bessi et Mr Azmi Makhlouf, enseigants chercheurs à l'Ecole Nationale d'Ingénieurs de Tunis. « Introduction à l’optimisation pour le Machine Learning (OML) ». Ce cours décrira quelques développements récents dans le domaine de l'optimisation pour l'apprentissage automatique. 

Cours 2: Mohamed Masmoudi, professeur de l’ Université Paul sabathier : « Apprendre la physique à partir des données (APD) ». 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.

Cours 3: Nicolas HASCOET, 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 (JVJH) ». 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.

Cours 4: 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 (DB)». 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.

Cours 5: Antonio Falcó, professeur de l’Universidad CEU Cardenal Herrera (Espagne). « Outils et cadre mathématique pour la Reduction de Modèles (MRM)», où seront présentés des outils mathématiques pour mieux comprendre et aborder les méthodes de réduction de modèles basées sur des sous-espaces.

Cours 6: Yvon Maday, professeur de l’Université Paris 6, Laboratoire Jacques Louis Lions. « Mutualisme symbiotique entre méthodes de base réduites et cadre Big Data (BRBD) », 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. 

Cours 7: Mourad Zarai, professeur à ESPRIT. « Mise en œuvre numérique d’algorithmes de Deep Learning (ADL) ». Ce cours/TP introduit le domaine du Deep Learning (DL) en utilisant le langage Python et les puissantes bibliothèques TensorFlow et Keras. Le cours a pour but une construction d'une compréhension du DL, ses challenges et ses difficultés à travers des explications intuitives et des exemples pratiques. Les concepts et les problématiques seront explorés par des applications en vision par ordinateur, en traitement du langage naturel et en modèles génératifs.

Conférences:
C1: Sana Louhichi (Université de Grenoble Alpes, France). « Processus empiriques en apprentissage statistique ».
C2: Aziz Hamdouni (Université de La Rochelle, France). « Méthodes géométriques en réduction de modéle »
C3: Aziz Hamdouni (Université de La Rochelle, France). « Méthodes géométriques en réduction de modéle »
C4: Angelo Iollo (Université de Bordeaux, France). « Reduced-Order Models: Convergence Between Data and Simulation »
C5: Mejdi Azaiez (I2M, Bordeaux INP, France). « Tensorisation de données bi et multidimensionnelles »