École d’automne UM6P/ENPC

13-15 Novembre 2019 – UM6P, Benguerir, Maroc

Contexte
Du mercredi 13 au vendredi 15 Novembre 2019, se tiendra à l’Université Mohamed VI Polytechnique, la 3ème édition de l’école
conjointe de l’université Mohammed VI polytechnique (UM6P) et l’école des ponts ParisTech (ENPC) dans le cadre de leur
partenariat.

Cet évènement a été précédé par deux écoles elles-aussi conjointes en février et en novembre 2018 et par la première édition des
Doctoriales tenue en Avril 2019. Ces événements ont vu une participation active de doctorants et post-doctorants provenant de
l’UM6P, de l’ENPC et d’autres institutions marocaines, au travers d’exposés, de posters, de présentations rapides de projets de
recherche (pitches), de discussions...

Objectifs et mise en œuvre

Cette édition de l’école conjointe offrira à une vingtaine de doctorants l’occasion de présenter leurs travaux et projets de recherche
devant leurs pairs et un panel de professeurs, de chercheurs et d’ingénieurs confirmés. Des échanges et des séances de discussions
seront également programmées.

Une attention particulière sera portée à la qualité des présentations à travers une sélection préalable des intervenants. Le programme
comportera

• Cours et présentations :
o Introduction générale aux méthodes d'apprentissage.
o Échantillonnage statistique et apprentissage.
o Problèmes en grandes dimensions.

• Session pitches de poster : 20 présentations de 3 minutes du projet de recherche accompagné du poster.

• Sessions Posters.
• Échanges, networking : rencontres scientifiques entre chercheurs ENPC, chercheurs UM6P et participants.
Informations pratiques
• Thèmes généraux : Mathématiques appliquées / Modélisation / Simulation/ Optimisation/ Apprentissage.
• Public visé en priorité :
- Étudiants en thèse à UM6P et ENPC et dans les universités et écoles d’ingénieurs marocaines.
- Étudiants diplômés de master M2 ou équivalents intéressés par la recherche.
- Enseignants-chercheurs.

• Modalités de participation :
- Renseignement du Google doc de l’évènement

https://forms.gle/HK4tVMdmzZUqyEQCA

- Candidats aux pitches de projets de recherche

- Renseignement du Google docs de l’évènement en joignant
+ Un CV académique
+ Un cours résumé du projet de recherche.
+ Éventuellement le poster du candidat.

• Dates importantes :
- 1 Novembre 2019 : date limite de soumission des candidatures pour pitch.
- 3 Novembre 2019 : décision du comité de sélection.

• Prix : 3 prix pour pitch de projet seront décernés.

• Comité de sélection : Eric Cancès (ENPC), Abdellah Chkifa (UM6P), Michel de Lara (ENPC), Alain Maruani (UM6P).
• Comité d’organisation : Eric Cancès, Abdellah Chkifa.
Programme prévisionnel
Mercredi 13 Jeudi 14 Vendredi 15
Message de bienvenue d’un
8h30 - 9h
représentant de l'UM6P

9h-10h30 IGMA ESA (cours 2) Fin cours / début TP PGD

10h30-11h Pause-café

11 h - 12h30 ESA (cours 1) PGD (cours 2) TP PGD

12h30 - 14h30 Pause déjeuner Fin de l'évènement

14h30 - 16h PGD (cours 1) Fin cours / début TP ESA

16h - 16h30 Pause-café

16h30 - 18h Pitch poster + séance poster TP ESA

IGMA : Introduction générale aux méthodes d’apprentissage.

ESA : Échantillonnage statistique et apprentissage.
PGD : Méthodes numériques pour les problèmes en grande dimension.
Échantillonnage statistique et apprentissage
Le principe de l'inférence Bayésienne est d'estimer la loi des
paramètres qui permettent de rendre compte d'un jeu de données.
Concrètement, il s'agit en pratique d'échantillonner une mesure de
probabilité en dimension grande. Une question similaire se pose en
physique statistique numérique, où l'on souhaite calculer les valeurs
moyennes de certaines fonctions par rapport à une mesure de
probabilité appelée ensemble thermodynamique (par exemple la
mesure de Boltzmann-Gibbs décrivant les systèmes à température
constante).
Ce cours a pour objectif de familiariser les étudiants avec des
méthodes de Monte Carlo permettant d'échantillonner des mesures
de probabilité en dimension grande. On présentera notamment les
algorithmes de type Metropolis, et les équations différentielles
stochastiques de type Langevin. On discutera dans les deux cas la
convergence de ces méthodes et l'estimation des erreurs
numériques associées.
La dernière partie du cours sera plus précisément consacrée à
l'inférence Bayésienne pour des grands jeux de données, pour
lesquels on emploie des techniques de mini-batching.
Gabriel Stoltz
http://cermics.enpc.fr/~stoltz
Méthodes numériques pour les problèmes en
grande dimension
Les problèmes de grande dimension, c'est-à-dire faisant intervenir
un très grand nombre de variables ou paramètres, peuvent être
rencontrés dans de très nombreux domaines (physique, chimie,
biologie, économie...) et dans de très nombreux contextes
(quantification d'incertitudes, contrôle en temps réel...). Les
méthodes numériques standards, telle que la méthode des éléments
finis, ne permettent pas en général de résoudre de tels problèmes du
fait de la malédiction de la dimensionnalité. Les techniques
de réduction de la dimensionnalité forment une alternative fiable aux
méthodes classiques.
Dans ce cours, nous allons présenter des exemples typiques de
problèmes en grande dimension, se ramenant en définitive à
l’approximation de fonctions à valeurs scalaire ou vectorielle ayant
un grand nombre de variables. Nous présentons ensuite deux
familles de méthodes numériques dédiées au traitement de ce type
de problèmes. La première est fondée sur certaines notions de
régularité anisotrope dans les dimensions, et elle est constituée
fondamentalement d’algorithmes d'approximation polynomiale. La
deuxième famille cherche à approcher la solution des problèmes
considérés par des tenseurs via des algorithmes itératifs, appelés
algorithmes gloutons.
Virginie Ehrlacher-Galland
http://team.inria.fr/matherials/team-members/virginie-
ehrlacher-galland/
Moulay Abdellah Chkifa
https://scholar.google.com/citations?user=LiYln_AAAAAJ&hl=en