L’intégration du machine learning avec les anciennes méthodes d’optimisation représente une avancée majeure dans la résolution de problèmes complexes. Les méthodes classiques, comme la programmation linéaire ou les algorithmes heuristiques, sont bien établies et offrent des solutions robustes, mais elles peuvent être limitées face à des problèmes à grande échelle ou dynamiques. En incorporant le machine learning, on peut améliorer ces approches en permettant une meilleure exploration de l’espace des solutions, une adaptation aux données en temps réel et une optimisation plus rapide grâce à la prédiction des tendances. Par exemple, les algorithmes d’apprentissage supervisé ou de renforcement peuvent ajuster les paramètres des modèles d’optimisation de manière plus efficace que des techniques purement analytiques. Cette synergie permet non seulement d’améliorer la précision des solutions, mais aussi d’accélérer le processus de décision dans des domaines comme la logistique, la finance et l’intelligence artificielle.

Objectifs du stage :

Certains des objectifs du stage incluent :

• Une revue de la littérature sur l’intégration du machine learning avec les anciennes méthodes d’optimisation pour résoudre les problèmes complexes.

• Le développement d'algorithmes : proposer une méthode qui combine les heuristiques et les algorithmes de machine learning.

• Une partie expérimentale pour tester la méthode proposée sur des données complexes. Présenter l'analyse et les résultats de l'étude.

Le stagiaire sera encouragé à contribuer à une publication.

Nous cherchons un étudiant(e) en Master 2 (ou équivalent) en informatique. Le candidat devra être intéressé par les techniques de machine Learning et d’optimisation et leurs applications.

Le candidat devra maîtriser le langage Python, les concepts de base de la recherche opérationnelle et de la data science, les principaux algorithmes de machine learning ainsi qu’être à l’aise dans l’expression orale.