UE 2 : Métiers (3EC au total) 1 EC obligatoire + 1 groupe de 2 EC optionnels

Voir la page complète

Cet enseignement se focalise principalement sur l’inférence de réseaux et la transcriptomique. Il a pour objectif de renforcer les compétences en analyse de données génomiques et d’introduire les réseaux biologiques.
Cet enseignement sera dispensé sous forme de CM et de TP de mise en pratique sur des données réelles. La réalisation d’un projet de traitement de données transcripto- miques et d’inférence de réseaux sera proposée à l’issue du cours.

Voir la page complète

Le problème des données manquantes est fréquemment rencontré dans un grand nombre de domaines d’applications statistiques. Dans le cadre de la biologie, il n’est pas rare que l’acquisition de données de suivi soit en partie incomplète : pour un essai thérapeutique, le temps de rémission puis de guérison d’un patient peut être trop long et donc jamais observé, on parle alors de données censurées. Dans ce cours, nous introduirons la méthodologie (fonction de survie, risque instantané, …) et les outils statistiques (estimateur de Kaplan-Meier, Nelson-Aalen, …) qui permettent d’appréhender ce genre de problèmes. Une implémentation sur R sera aussi proposée.

Voir la page complète

1 Théories microéconomiques :
— Des inégalités et des discriminations (hommes-femmes).
— De l’éducation (rendements de l’éducation ou de l’expérience), négociations collectives.
— Du choix des conditions de travail (théories des différences compensatrices, de la segmentation, et des salaires hédoniques).
— De la satisfaction au travail.

2 Passage des modèles théoriques aux modèles économétriques : fonctions de gains (Mincer, élargies aux conditions de travail…), équation de choix des conditions de travail, biais d’endogénéité et de sélection, méthodes de correction (Variables instrumentales et méthode d’Heckman de l’Inverse du Ratio de Mill), modèle à deux régimes, décomposition de Blinder-Oaxacca, de Machado-Mata, indices de satisfaction…

3 Applications sur données transversales : estimations et tests
Méthodes d’estimation : MCO, Moindres Carrés Pondérés, Moindres Carrés Généralisés, probit et logit (odd-ratios, modèles simples ou bivariés), Variables instrumentales, Heckman, estimation par quantiles, Principal Component Regression et Partial Least Squares.

4 Évaluations contrefactuelles des politiques publiques de l’emploi :
Approche expérimentale (groupe test, groupe de contrôle), différences-en-différences, score de propension, bootstrap…

Voir la page complète

Les méthodes génératives profondes suscitent depuis récemment un très grand intérêt dans la société, pour les impressionnantes capacités que ces outils (e.g., Dall-E, ChatGPT, SORA) démontrent, en terme de qualité de contenu produit et d’interprétation des besoins de l’utilisateur. L’objectif de ce cours est de découvrir les concepts fondamentaux sous-jacents au fonctionnement de ces applications puissantes, en commençant par quelques fondamentaux sur l’apprentissage génératif, et les méthodes modernes pour guider cet apprentissage (VAE, VQ-VAE, GAN, Diffusion, apprentissage contrastif, etc.). L’idée de l’apprentissage génératif est de reproduire des distributions de données dont on observe des échantillons en apprentissage, ce cours se confronte à cet objectif ambitieux pour des distributions de données complexes, tels que des images ou du texte. Nous examinerons notamment comment les transformeurs révolutionnent la génération de texte en capturant des dépendances long terme, permettant d’envisager un très large spectre d’applications guidées par le langage. Nous explorerons comment l’apprentissage par imitation peut être utilisé pour générer des données en imitant des comportements ou des styles spécifiques.Enfin, nous verrons comment l’apprentissage par renforcement peut guider la génération de contenu créatif en optimisant les actions pour maximiser une récompense donnée.

1. Concepts Fondamentaux de l’Apprentissage Génératif
— Exploration des principes de base de l’apprentissage génératif.
— Présentation des grandes familles d’algorithmes d’apprentissage génératif: VAE (et VQ-VAE), GANs, modèles de diffusion, apprentissage contrastif, etc.

2. Architectures neuronales profondes pour la prise en compte de dépendances long terme
— Différentes familles d’architectures profondes : MLP, CNNs, RNNs, Transformers
— Applications pour la générations de données complexes
— Modèles de fondation guidés par le langage: techniques d’adaptation (in-context learning, LORA, mixture d’experts, etc.)

3. Apprentissage par Imitation et par Renforcement pour la Génération de Contenu
— Exploration de l’utilisation de l’apprentissage par renforcement pour guider la génération de contenu, en optimisant les actions pour maximiser une récompense donnée (e.g., RLHF)
— Apprentissage par imitation hors ou en ligne (BC, AWR, GAIL, iQL, etc.)

Voir la page complète