Paul Dubois

This course teaches basic mathematical methodologies. There are 8 sessions of 3h (1h30 lecture, 1h30 practical work). The topics covered are:
• Combinatorics
• Calculus
• Optimization
• Linear Algebra
• Principal Components Analysis
• Differential Equations
• Constrained Optimization
• Binary Classification

This course teaches basic deep learning techniques. It relies on the PyTorch framework. Students are expected to have a basic knowledge of Python and Machine Learning.
The course is 10 sessions of 3h (1h30 lecture, 1h30 practical work). There are three tasks that require the development of AI for examination.

This course teaches basic mathematical methodologies. There are 8 sessions of 3h (1h30 lecture, 1h30 practical work):
• Session 1: Combinatorics
• Session 2: Calculus
• Session 3: Optimization
• Session 4 & 5: Linear Algebra
• Session 6: Principal Components Analysis
• Session 7: Binary Classification
• Session 8: Differential Equations

This course teaches basic deep learning techniques. It relies on the PyTorch framework. Students are expected to have a basic knowledge of Python and Machine Learning.
The course is 10 sessions of 3h (1h30 lecture, 1h30 practical work). There are eight Kaggle competitions (five compulsory) and a five munites oral presentation as examination.

This course teaches basic mathematical methodologies. The course will try to cover most of the prerequisites of the teaching in the Master; mainly: Optimization, Linear Algebra, Calculus, Partial Differential Equations, Principal Component Analysis, and Binary Classification.

This course teaches basic data science using Python, SQL, web technologies, Tableau and basic mathematics. The content covers the premises of programming, data scrapping, mathematical modelling, and artificial intelligence. The main ressources are property of IronHack, but extra ressources (mainly on AI, created by myself) are open source.

This course teaches basic deep learning techniques. It relies on the PyTorch framework. Students are expected to have a basic knowledge of Python and Machine Learning.
The course is 10 sessions of 3h (1h30 lecture, 1h30 practical work). There is a final project and five Kaggle competitions as examination.

This course teaches basic mathematical methodologies for proofs. It is intended for students with a lack of mathematical background, or with a lack of confidence in mathematics. The course will try to cover most of the prerequisites of the teaching in the Master, mainly linear algebra, differential calculus, integration, and asymptotic analysis.
DSBA - CentraleSupélec ; DSBA - ESSEC

"Les Coding Weeks permettent aux étudiants de première année (Bac+3) de développer leurs compétences en programmation (développement Python) lors de deux semaines dédiées."

Lecture 01 - Exploration vs Exploitation
Lecture 02 - Markov Decision Processes
Lecture 03 - Dynamic Programming
Lecture 04 - Model Free Prediction
Lecture 05 - Model Free Control
Lecture 06 - Value Function Approximation
Lecture 07 - Policy Gradient methods
Lab 01 - Exploration vs Exploitation
Lab 02 - Dynamic Programming
Lab 03 - Model Free Prediction
Lab 04 - Model Free Control
Lab 05 - Value Function Approximation
Lab 06 - Policy Gradient Methods
Poster Session

Cours 0 - Introduction
Cours 1 - Parcours de graphes
Cours 2 - Le plus court chemin
Cours 3 - Arbre couvrant de poids minimal
Cours 4 - Graphes de flots
Cours 5 - Programmation dynamique
Cours 6 - Complexité des problèmes
Cours 7 - Méthodes exactes et approchées

"Ce cours vise à donner aux futurs ingénieurs les bases des systèmes d'information qu'ils utiliseront dans leur carrière et à leur permettre de concevoir et d'écrire 'proprement' un programme informatique."
Les principales notions abordées sont les suivantes: ligne de commandes; architecture des ordinateurs; bases de données (modelisation & SQL); réseaux (& sécurité); basic programming (loops, etc...).

Cours 0 - Introduction
Cours 1 - Parcours de graphes
Cours 2 - Le plus court chemin
Cours 3 - Arbre couvrant de poids minimal
Cours 4 - Graphes de flots
Cours 5 - Programmation dynamique
Cours 6 - Complexité des problèmes
Cours 7 - Méthodes exactes et approchées

"Les Coding Weeks permettent aux étudiants de première année (Bac+3) de développer leurs compétences en programmation (développement Python) lors de deux semaines dédiées."

Projet de traitement automatique du langage naturel en partenariat avec une entreprise (JobeoCampus).

Ce cours est une introduction à l'analyse visuelle d'images.
Il couvre les sujets suivants : Vision humaine / Vision Artificielle - Sciences cognitives; Formation de l'image - Geometrie de l'image; Introduction au traitement de l'image (filtrage, contours, extraction de primitives) Extraction et mise en correspondance de caractéristiques; Segmentation; Reconnaissance; Mouvement; Calibration / Reconstruction 3D.

"Ce cours explorera divers aspects fondamentaux de l'optimisation, aussi bien continue que discrète.
Les notions suivantes seront abordées et mises en oeuvre pratiquement: formulation des problèmes d'optimisation, conditions d'existence de minimiseurs globaux et locaux, convexité, dualité, multiplicateurs de Lagrange, méthodes du premier ordre, programmation linéaire, programmation linéaire entière, approche « branch and bound » (séparation-évaluation), introduction à l'optimisation stochastique."

"Les Coding Weeks permettent aux étudiants de première année (Bac+3) de développer leurs compétences en programmation (développement Python) lors de deux semaines dédiées."