Le mois de

l’optimisation

L’efficacité à tous les coups

Pourquoi ?

Dans un objectif de diffusion des sciences auprès du grand public, le GDR MOA (Mathématiques de l’Optimisation et Applications, CNRS) propose un cycle de 4 conférences autour de la thématique « Optimisation », domaine des mathématiques cherchant à maximiser (ou à minimiser) un critère sous des contraintes.

EN SAVOIR PLUS

Pour qui ?

Inscription gratuite mais obligatoire
Grand public, étudiants de tout horizon (collège, lycée, supérieur), entreprises, ingénieurs, enseignants, chercheurs …

Les 10 17 24

NOVEMBRE 2022

Et 1er

Décembre 2022

CONFÉRENCES
ÉCHANGES

Organisées à l’ENSEEIHT

2 rue Charles Camichel,
31000 Toulouse

Bande annonce 2021

Retour en images sur le Mois de l'optimisation d'XLIM 2019

J’optimise donc j’apprends !

10 NOV. 2022

Marc Lelarge (INRIA Paris, IA, deep learning)
18h00
ENSEEIHT

Le rythme des prouesses de l’intelligence artificielle ne cesse de s’accélérer et de toucher les domaines les plus variés. Toutes les récentes avancées en intelligence artificielle reposent sur des architectures de réseaux de neurones qui apprennent grâce à un algorithme d’optimisation basé sur la descente de gradient. Comment expliquer le succès d’un algorithme aussi simple pour des tâches d’apprentissage de plus en plus complexes ? Dans cet exposé, nous nous attacherons à comprendre l’impact des techniques d’optimisation pour l’apprentissage automatique. Nous présenterons le contexte dans lequel celles-ci ont été introduites, comment elles ont été adaptées aux nouvelles architectures et quelles en sont les limites.

Optimisation et Aléa : un pas de deux

17 NOV. 2022

Gersende Fort (IMT Toulouse, signal, algorithmes stochastiques)
18h00
ENSEEIHT

Les données renferment des informations que l’analyse statistique peut notamment révéler à l’aide de procédures d’optimisation. Parce que ces données sont très nombreuses, qu’elles peuvent être incomplètes, que l’information que l’on veut en extraire est de grande dimension, ou que la modélisation du phénomène les produisant est complexe, les algorithmes d’optimisation et les algorithmes d’échantillonnage aléatoire s’entrelacent pour former des algorithmes d’optimisation stochastique.
Au travers de problèmes de traitement statistique de données tels que l’estimation de carte de couverture réseau, la cartographie et la localisation simultanées, ou l’estimation du taux de reproduction de la Covid19, nous illustrerons cette association : comment l’algorithme d’optimisation s’appuie sur l’aléa pour contourner les difficultés numériques et, à l’inverse, comment les techniques d’exploration aléatoire s’appuient sur l’optimisation pour gagner en efficacité.

Alien calcul de la moyenne

De l’optimalité d’être moyen

24 NOV. 2022

Guillaume Carlier (Dauphine, Paris, transport optimal médianes, barycentres de Wasserstein)

18h00
ENSEEIHT

Le professeur qui calcule la moyenne de sa classe sait-il qu’il résout un certain problème d’optimisation? Sans doute pas, et cela n’a en pratique que peu d’importance car chacun sait (en principe) additionner les notes et diviser par le nombre d’élèves. La situation est plus compliquée quand on veut définir et déterminer des moyennes d’objets qu’on ne peut pas additionner et, dans ce cas, le point de vue de l’optimisation s’avère particulièrement utile. Je présenterai dans cet exposé, accessible au plus grand nombre, les problèmes d’optimisation posés par ces questions de moyennes (ou de médianes) et les illustrerai par des exemples issus du traitement d’images ou des données.

économie et jeux

1er Dec. 2022

Thomas Mariotti (TSE, Toulouse, économie, jeux)

18h00
ENSEEIHT

Résumé à venir

NOS INTERVENANTS

Marc
Lelarge

Dr. Lelarge est chercheur à l’INRIA au sein de l’équipe DYOGENE du département d’informatique de l’Ecole Normale Superieure de Paris. Il intervient aussi en tant que professeur à l’Ecole Polytechnique (Palaiseau, France) et l’Ecole Normale Superieure. Ses thématiques de recherche incluent l’apprentissage artificiel, l’apprentissage profond, les graphes et l’analyse de données.

Gersende
Fort

Gersende Fort est Directrice de recherche CNRS, affectée à l’Institut de Mathématiques de Toulouse et Professeur Chargé de Cours à l’Ecole Polytechnique au Département de Mathématiques Appliquées (CMAP). Ses thématiques de recherche incluent les aspects computationnels de l’apprentissage statistique, les problèmes inverses, les algorithmes stochastiques (aléatoire) pour l’optimisation et la simulation, les chaines de Markov.

Guillaume
Carlier

Guillaume Carlier est professeur en mathématiques appliquées à l’université Paris Dauphine et chercheur au sein de l’équipe Mokaplan qui est un projet conjoint INRIA-CNRS-Université Paris-Dauphine sur le transport optimal. Son travail de recherche se concentre sur le calcul des variations et l’optimisation.

Thomas
Mariotti

Thomas Mariotti est Directreur de recherche CNRS, affectée à l’école d’économie de Toulouse (Toulouse School of Economics, TSE). Son travail de recherche se concentre sur la théorie économique avec un intérêt particulier pour les aspects liées à la théorie des jeux et la théorie des contrats.

UN GRAND MERCI

À NOS PARTENAIRES

Comité d’organisation

Jérôme Bolte, Professeur, Toulouse School of Economics et ANITI

Serge Gratton, Professeur, ENSEEIHT et ANITI, Toulouse

Victor Magron, CR LAAS-CNRS et ANITI, Toulouse

Edouard Pauwels, MCF, IRIT et ANITI, Toulouse 3 Paul Sabatier