Prepas.org

Le site de l'UPS pour les Classes Préparatoires aux Grandes Écoles

Télécom Bretagne, Brest Modélisation et simulation des phénomènes aléatoires du Lundi 11 mai 2015 au Mercredi 13 mai 2015

Stage Liesse : Modélisation et simulation des phénomènes aléatoires

Date : du 11 au 13 mai 2015

Lieu : campus de Télécom Bretagne, Brest

Adresse : Le campus est situé à l'ouest de Brest, sur le Technopôle de Brest-Iroise. On y accède facilement avec le fléchage « Technopôle » en suivant la direction « Le Conquet, Plouzané ». L'École est située 655, avenue du Technopôle, en face de l'avenue La Pérouse. En savoir plus : http://www.telecom-bretagne.eu/ecole/campus_de_brest/

Nombres min/MAX de participants : min=8, MAX=32
Prise en charge par Télécom Bretagne des frais de restauration et d'hébergement pendant la durée du stage.
Pour toute question, merci de prendre contact avec Chantal Leblond par mél chantal.leblond@telecom-bretagne.eu.
Intervenants : Thierry Chonavel, Daniel Bourget, Yannis Haralambous, enseignants-chercheurs à Télécom Bretagne

Site : http://www.telecom-bretagne.eu/ecole/cpge/formations/liesse-11-13-mai-2015

Conditions d'inscription à venir.

Pré-requis : Des notions de base sur la syntaxe du langage Python sont suffisantes pour aborder ce stage, ainsi que des connaissances générales en probabilités et en mathématiques de niveau Bac+2.

Mots-clés : Probabilités et statistiques, méthodes de Monte-Carlo, MCMC, processus aléatoires, équations différentielles stochastiques, machine learning, simulation informatique, Python.

Présentation

L'introduction des cours de probabilités et du langage Python dans les classes préparatoires fournit des outils qui permettent d'envisager certaines approches modernes du métier d'ingénieur où la modélisation de systèmes complexes et leur simulation informatique permettent d'anticiper leur comportement dans des situations variées. Inversement, ces outils permettent également de réaliser l'extraction d'informations pertinentes pour l'utilisateur à partir d'informations issues de modèles plus ou moins bien connus.

Partant des outils probabilistes étudiés en classes préparatoires, l'objectif de ce stage est d'en présenter certaines extensions qui permettent d'illustrer leur potentiel scientifique et technique. Les deux premières journées seront plutôt orientées vers la modélisation et la simulation de phénomènes aléatoires. La dernière journée sera plus spécialement consacrée aux méthodes d'apprentissage. Les notions présentées feront l'objet d'implémentations et d'expérimentation avec le langage Python.

Programme

* 1ère 1/2 journée : accueil
- Accueil
- Présentation rapide de l'environnement de travail et de quelques librairies scientifiques Python (Numpy, Scipy, Matplotlib, Sympy, Mayavi)

* 2e 1/2 journée : probabilités et processus aléatoires
- Probabilités et statistiques
- Processus aléatoires

* 3e 1/2 journée : méthodes de Monte Carlo
- Méthodes de Monte Carlo
- Simulation de phénomènes aléatoires

* 4e 1/2 journée : équations différentielles stochastiques
- Introduction aux équations différentielles stochastiques
- Intégration numérique des équations différentielles stochastiques

* 5e 1/2 journée : apprentissage automatique (« machine learning »)
- Classification non supervisée par l’algorithme de K-means
- Application à des données textuelles

* 6e 1/2 journée : apprentissage automatique (« machine learning »)
- Classification supervisée par l’algorithme Naïve Bayes
- Application : détection de sentiment dans un corpus de tweets