Ingénierie d’aide à la décision

Maria Malek
1er septembre 2009

1 Objectifs et débouchés
Nous proposons dans cette option deux grands axes pour l’aide à la décision :
1. La recherche opérationnelle ;
2. L’exploration de données.
La Recherche Opérationnelle nous permet de proposer des méthodes scientifiques, combinant
techniques de développement informatique, outils mathématiques, processus de modélisation et
connaissance du Génie Industriel, afin de traiter des problèmes d’optimisation, d’aide à la dé-
cision et d’évaluation de performances liées aux organisations et procédés du monde réel. Les
principales applications concernent les transports, l’aide à la mobilité, les télécommunications,
les systèmes de production, les procédés industriels. Les outils et modèles associés sont ceux du
développement informatique (technologies objet, systèmes d’information, outils de simulation,
bibliothèques d’optimisation ou de gestion de contraintes, etc.), de l’optimisation continue ou
combinatoire (graphes, ordonnancement, complexité algorithmique, approximation, etc.), de la
programmation mathématique (programmation linéaire, entière, mixte, quadratique, convexe,
etc.), du calcul stochastique (files d’attente, stratégies dans l’incertain, etc.), de l’aide à la déci-
sion (optimisation multi-critère, théorie des jeux, modélisation micro-économique, etc.).

L’exploration de données a pour but la découverte d’informations intéressantes, utiles dans les
très grandes bases de données. L’énorme croissance de la taille des bases de données scientifiques
et commerciales actuellement disponibles, ainsi que la croissance aussi rapide des performances
des ordinateurs nécessitent des outils de traitement adaptés et performants. Le domaine de la
fouille de données proposent des méthodes et des techniques mathématiques adaptées pour la
résolution de ces classes de problèmes. Elles permettent de définir la précision de l’énoncé de
l’objectif poursuivi (e.g. le critère de classification ou la mesure de discrimination) ainsi que la
formulation des contraintes imposées à la solution (e.g. trouver une partition, un recouvrement ou
une hiérarchie). Nous mettons en œuvre ainsi, des outils mathématiques puissants pour construire
des algorithmes très performants.

1
1.1 Débouchés Professionnels

1.1 Débouchés Professionnels

L’objectif principal est de former des scientifiques possédant une connaissance solide sur les
techniques avancées de l’exploration des données ainsi que la recherche opérationnelle. Les com-
pétences de ces scientifiques, peuvent être utilisées tout à la fois en recherche et développe-
ment ou en étude dans de nombreux secteurs d’activités. Les diplômés peuvent être employés
comme directeurs de projets, concepteurs d’outils logiciels spécialisés, ingénieurs de recherche et
de développement, ou consultants dans certains secteurs : Aéronautique, Automobile, Énergie,
Laboratoires, Banques, Assurances, Informatique d’applications et de services.

1.2 Métiers
Les métiers pratiqués seront :
– Ingénieurs employés par des éditeurs de logiciels, des SSII, et des services internes à de
grandes entreprises.
– Ingénieurs des entreprises, concepteurs ou utilisateurs d’outils de calcul, d’évaluation de
performances, d’aide à la décision, de prévision.
– Ingénieurs de recherche et de développement, directeurs de projets en informatique ou
consultants.

1.3 Entreprises concernés

– Entreprises Editeurs de logiciels : SAS,Ilog, BO, Oracle,etc.
– SSII : Cap Gemini, Sopra, Unilog,etc.
– Services internes de grandes entreprises : Secteur Manufacturier, Transports, Télécommu-
nications, Secteur pétrolier, etc.
– Entreprises françaises qui ont un pôle R&D en RO :
– Airfrance
– SNCF
– EDF/GDF
– France Telecom
– Bouygues
– Bouygues Telecom
– Amadeus

2 La recherche opérationnelle
Le Recherche Opérationnelle (RO) est la discipline des méthodes scientifiques utilisables pour
élaborer de meilleures décisions. Elle permet de rationaliser, de simuler et d’optimiser l’architec-
ture et le fonctionnement des systèmes de production ou d’organisation.
La RO propose des modèles pour analyser des situations complexes et permet aux décideurs
de faire les choix les plus efficaces grâce à :
– une meilleure compréhension des problèmes,

2
2.1 Cours fondamentaux

– une vision complète des données,

– la considération de toutes les solutions possibles,
– des prédictions prudentes de résultats incluant une évaluation des risques,
– des outils et des méthodes modernes d’aide à la décision.
Les apports de la RO très utiles dans les domaines les plus divers : de l’organisation des lignes de
production de véhicules à la planification des missions spatiales, de l’optimisation des portefeuilles
bancaires , etc.

2.1 Cours fondamentaux

1. Programmation linéaire - 20H.
2. Théorie de la complexité - 15H.
3. Modèles décisionnels - 20H.
4. Programmation par contraintes et ordonnancement - 30H.
5. Modélisation de préférences - aide multicritère à la décision - 30H.
6. Théorie de graphes et application - 30H.

2.1.1 Programmation linéaire - 20H

Objectif Des problèmes concrets issus de domaines divers peuvent être formulés comme des
programmes linéaires. Le but de ce cours est d’étudier la modélisation et les méthodes de réso-
lution de ces problèmes, basées sur la programmation linéaire et la programmation en nombres
entiers.

Contenu
1. Méthode du simplexe, méthode révisée du simplexe.
2. Dualité, méthode duale du simplexe, interprétation économique.
3. Modèles de programmes en nombres entiers, méthode par séparation et évaluation.
4. Relations min-max, séparation et optimisation, méthode de coupes.

2.1.2 Théorie de la complexité - 15H

Objectif Les différentes classes de complexité des problèmes d’optimisation combinatoire sont
présentées. Les différents types d’algorithmes approchés pour résoudre les problèmes ainsi que
les liens entre complexité et approximation seront également étudiés.

Contenu
1. Performance d’un algorithme approché, algorithmes gourmands, schémas d’approximation,
2. Classes de problèmes.

3
2.2 Cours spécialisés & Applications

2.1.3 Modèles décisionnels - 20H

Objectif Le modèles de comportement décisionnel, individuel et collectif de la RO et de l’lA
sont présentés, ainsi que les outils d’analyse.

2.1.4 Programmation par contraintes et ordonnancement - 30H.

Objectif Les modèles et Les méthodes utilisés en pratique pour résoudre des problèmes d’or-
donnancement d’ateliers et de services sont étudiés.

Contenu
1. Modélisation et résolution de problèmes à l’aide de la programmation par contraintes.
2. Types de contraintes, principaux algorithmes et heuristiques de résolution.
3. La fonction ordonnancement en entreprise
4. Procédures par séparation et évaluation : application au problème d’ordonnancement à
cheminements multiples.
5. Modélisation mathématique et ordonnancement : application à des problèmes d’emploi du
temps.

2.1.5 Modélisation de préférences - aide multicritère à la décision - 30H.

Contenu
1. Concepts fondamentaux en modélisation des préférences et aide multicritère à la décision.
2. Théorie du choix social, procédures de vote , résultats fondamentaux.
3. Désagrégation dans le cadre du critère unique de synthèse et des méthodes de comparaison
par paires.
4. Mesurage, théorie de la signifiance.
5. Prise en compte de données ordinales, qualitatives.
6. Optimisation combinatoire multicritère, approximation de l’ensemble des solutions efficaces.

2.1.6 Théorie de graphes et application - 30H

Contenu
1. Graphes : concepts de théorie des graphes,
2. Etude approfondie de problèmes classiques de cheminement, arbre, flot, couplage,etc.
3. Extensions k-meilleures solutions et multi-objectifs de certains de ces problèmes.
4. etc.

2.2 Cours spécialisés & Applications

1. Prise de décision et incertitude - 20H
2. Méthodologies et application en décision - 20H

4
2.2.1 Prise de décision et incertitude - 20H
Contenu
1. Rappel de la théorie des probabilités, Bayes, arbres de décision.
2. Modèles non classiques de l’incertain.
3. Théorie de la décision qualitative ;
4. Réseaux bayésiens.
5. Applications.

2.2.2 Méthodologies et application en décision - 20H

Objectif Le but étant de se familiariser avec des outils (programmation et manipulation de
logiciels) nécessaires à la résolution sur machine des problèmes de taille réelle. Ce module est
également l’occasion de sensibiliser à la diversité des applications possibles.

3 L’exploration des données

Nous nous intéressons aux classes de problèmes suivants :
La discrimination ou classification supervisée : il s’agit de construire une fonction qui
sépare au mieux les bonnes et les mauvaises entités d’un ensemble donné, et classifie aussi
correctement que possible de nouvelles entités.
La classification automatique ou classification non supervisée : il s’agit de trouver des
sous-ensembles d’un ensemble d’entités donné qui soient homogènes (selon un critère de
similarité) et bien séparés.
Découvertes de relations : étant donné un ensemble d’entités et des mesures ou observations
faites sur ces entités, il s’agit de trouver des relations satisfaites entre la plus grande part,
d’entre elles.
Analyse de réseaux sociaux : étant donné un ensemble d’acteurs ainsi que les relations entre
eux, il s’agit de découvrir les rôles associés aux acteurs, d’établir les communautés au sein
du réseau, etc.

3.1 Cours fondamentaux

1. Fouilles de données (Data Mining) & Application - 20H
2. Apprentissage statistique - 30H.
3. Réseaux de neurones - 30H.
4. Apprentissage automatique - 30H.

5
3.1 Cours fondamentaux

3.1.1 Analyse statistique des données - 30H

Contenu
1. Description unidimensionnelle de données, Médiane, Moyenne, Mode, Étendue, Intervalle
interquartile, Variance et écart-type ;
2. Description bi-dimensionnelle et mesures de liaison entre variables, Coefficient de corréla-
tion, Matrice de corrélation ;
3. Description multi-dimensionnelle de données, Analyse en composantes principales, Analyse
discriminante, Analyse des correspondances, Analyse des données temporelles et évolutives

3.1.2 Fouilles de données (Data Mining) - 20H

Objectif L’objectif de ce cours est de présenter les algorithmes de fouille de données et d’ex-
traction de connaissances. Une méthodologie de comparaison entre les différentes techniques est
développée.

Contenu
1. Introduction aux fouilles de données
2. Techniques de l’extraction de connaissances à partir de données
(a) Apprentissage supervisé
– Arbre de décision et régression.
– Bayésien naif.
– Réseaux bayésiens.
(b) Apprentissage non supervisé
– Règle d’associations et motifs fréquents.
– Classification ascendante hiérarchique.
3. Application : Web Mining

3.1.3 Apprentissage statistique - 30H

Contenu
1. Estimation à partir de données,
2. Minimisation du risque empirique (ERM), Consistance de l’approche ERM, Dimension VC,
3. Minimisation du risque structurel (SRM),
4. Machines à Vecteurs de Support (SVM), hyperplan séparateur optimal, cas non séparable,
SVM comme classificateur, SVM multi-classes, SVM comme régresseur,
5. Modèles stochastiques, propriétés de Markov, modèles de Markov cachés (HMM), appren-
tissage.

6
3.2 Différents types de fouilles de données

3.1.4 Réseaux de neurones - 30H

Contenu
1. Introduction aux Réseaux de Neurones et au logiciel SNNS.
2. Aspects Formel des Réseaux de Neurones. Régression Linéaire.
3. Perceptron : Perceptron multi-couches.
4. Les Réseaux RBF.
5. Adaline et Perceptron multi-couches.
6. Réseaux récurrents.
7. Adaptative Resonance Theorie.
8. Architecture de Hopfield. Architecture de Kohonen
9. Projet.

Méthodes et moyens pédagogiques Cours magistraux, travaux dirigés, travaux pratiques

et projet. Logiciel de simulation SNNS.

3.1.5 Apprentissage automatique - 30H

Contenu
1. Méthodes symboliques :
– Formulation d’un problème d’apprentissage symbolique, Les solutions dans un espace
partiellement ordonné : l’espace des versions, Elimination des candidats,
– Extension au cas des données incomplètes, Biais de langage, Critères de préférence d’une
solution : recherche heuristique d’une meilleure solution.
– Méthodes descendantes et opérateurs de spécialisation, Méthodes ascendantes et opéra-
teurs de généralisation,
– Utilisation de connaissances et réduction de l’espace de recherche.
– Représentations en logique de prédicats : la programmation logique inductive, Appren-
tissage explicatif/descriptif, Apprentissage de prédicats (FOIL).
2. Méthodes sub-symboliques :
– Les algorithmes génétiques.
– Les systèmes classifieurs.
– Apprentissage par renforcement et planification.

3.2 Différents types de fouilles de données

1. Fouille de données textuelles - 15H.
2. Fouille de données visuelles - 15H.
3. Analyse de réseaux sociaux - 30H.

7
3.3 Outils & Applications

3.2.1 Fouille de données textuelles - 20H

Contenu
1. Choix des unités de décompte, segmentation et numérisation d’un texte, fréquence,
2. mesures de la richesse du vocabulaire, les segments répétés, recherche de co-occurrences,
3. classification des éléments d’un tableau lexical, classification des fichiers d’enquêtes,
4. typologies, visualisation, séries textuelles chronologiques, analyse des correspondances tex-
tuelle, analyse discriminante textuelle.

3.2.2 Fouille de données visuelles - 20H

Contenu
1. Acquisition et restitution de données visuelles,
2. Méthodes de base du traitement de données visuelles statiques, échantillonnage bi-dimensionnel,
quantification, transformation de Fourier, filtrage et pré-traitement,
3. Restauration , Réduction de redondance, compression, compactage,
4. Extraction de contour, Segmentation, Reconnaissance d’objets, Indexation et recherche par
le contenu.

3.2.3 Analyse de réseaux sociaux - 30H

Contenu
1. Fondements : Acteurs, Relations, Représentation par graphes et/ou matrices.
2. Exemple : le petit monde, les communautés sur internet, etc.
3. Calculs en analyse de réseaux sociaux :
– Centralité de degré, Centralité d’intermédiarité, Centralité de Proximité.
– Centralité de prestige, Centralisation de pouvoir.
– Clustering coefficient, Degré de cohésion, Degré de densité.
– Longueur du chemin, Radiality, Reach.
– Équivalence structurale, Trou structural, Multiplexité.

3.3 Outils & Applications

1. Visualisation des données - 30H.
2. E-Commerce & CRM (Customer Relations Management)- 30H.

3.3.1 Visualisation des données - 30H

Contenu
1. Outils élémentaires de visualisation en statistique descriptive, données numériques, données
symboliques, données complexes ;
2. cartes factorielles, représentation de graphes, représentation tridimensionnelle ;
3. utilisation de techniques de réalité virtuelle pour la fouille de données.

8
3.3 Outils & Applications

3.3.2 E-Commerce & CRM (Customer Relations Management) - 30H

Contenu
1. Cycle de vie du client : Prospect, Réactive, Client active, etc.
2. Techniques de Fouilles de données (analyse de logs) pour :
– Déterminer le profil utilisateur pour un cycle de vie données.
– Comparer les profils similaires afin d’en conclure des comportements similaires.
– Intégration des techniques des réseaux sociaux pour la découverte de communautés.