Note du 29 juin 2020
Sans connaitre encore le temps que dureront les mesures de distances sociales liées à la pandémie de Covid-19, et quels que soient les changements qui ont dû être opérés dans l’évaluation de la session de juin 2020 par rapport à ce que prévoit la présente fiche descriptive, de nouvelles modalités d’évaluation des unités d’enseignement peuvent encore être adoptées par l’enseignant ; des précisions sur ces modalités ont été -ou seront-communiquées par les enseignant·es aux étudiant·es dans les plus brefs délais.
Sans connaitre encore le temps que dureront les mesures de distances sociales liées à la pandémie de Covid-19, et quels que soient les changements qui ont dû être opérés dans l’évaluation de la session de juin 2020 par rapport à ce que prévoit la présente fiche descriptive, de nouvelles modalités d’évaluation des unités d’enseignement peuvent encore être adoptées par l’enseignant ; des précisions sur ces modalités ont été -ou seront-communiquées par les enseignant·es aux étudiant·es dans les plus brefs délais.
5 crédits
30.0 h
Q2
Enseignants
Catanzaro Daniele;
Langue
d'enseignement
d'enseignement
Anglais
Contenu
This course, taught in english, is designed to develop both the ability to quantitatively analyze very large-scale practical problems in management science and to interpret and understand quantitative results in order to perform a more informed decision-making. Its aim is to introduce a broad range of optimization concepts and associated quantitative techniques with a view to helping the student appreciate the merits and limitations of these techniques as well as the data and technical requirements involved with their use.
The course includes the following topics:
The course includes the following topics:
- Introduction to Quantitative Decision Making Tools
- Large Scale Optimization: From Theory to Solutions
- Projection, inverse projection, and their applications
- Models and methods for Data Envelopment Analysis, Pricing, Location, Partitioning, Routing, Transportation and Network Design
- Case studies
- Brief introduction to integer optimization methods for machine learning
Méthodes d'enseignement
Cours magistral.
Modes d'évaluation
des acquis des étudiants
des acquis des étudiants
The examination method (e.g., project, written exam, or other forms) will be communicated by the lecturer during the first day of the course.
Please note that, depending upon the academic calendar, the content of such exam may be subjected to changes from year to year and from session to session. More details will be communicated by the lecturer in charge during the first (and mandatory) lecture of the course.
Please note that, depending upon the academic calendar, the content of such exam may be subjected to changes from year to year and from session to session. More details will be communicated by the lecturer in charge during the first (and mandatory) lecture of the course.
Bibliographie
The lectures will be integrated with some capita selecta from the following references: (1) R. Kipp Martin. Large Scale Linear and Integer Optimization: A Unified Approach. Springer, 1999. (1) S. Boyd and L. Vandenberghe. Convex Optimization. Cambridge University Press 2004. (2) M. Conforti, G. Cornuejols, G. Zambelli. Integer Programming. Springer, 2014. (3) S. Heipcke. Applications of optimization with Xpress-MP. Dash Optimization, 2002.
Faculté ou entité
en charge
en charge
CLSM
