Les apprenants évalueront les compromis en termes de performances entre la précision, la latence et l'interprétabilité d'au moins trois techniques d'IA appliquées au même ensemble de données, et recommanderont le choix optimal.

Les apprenants mettront en œuvre l'optimisation par programmation linéaire pour prendre des décisions relatives à la gamme de produits et évalueront différents scénarios prescriptifs à l'aide de modèles de notation pondérée en vue d'une présentation aux parties prenantes.

Les apprenants mettront en œuvre des algorithmes génétiques pour résoudre des problèmes de réapprovisionnement des stocks et compareront les résultats obtenus avec ceux obtenus par programmation linéaire.

Les étudiants entraîneront des agents utilisant l'apprentissage Q dans le cadre de simulations de chaînes d'approvisionnement en environnement maillé et rendront compte des améliorations cumulées de la récompense au fil des époques.

Les apprenants évalueront les compromis entre la vitesse de convergence et la qualité de la solution, et optimiseront les paramètres ε-greedy afin d'améliorer les performances de l'apprentissage par renforcement.

Les apprenants analyseront des données d'observation à l'aide d'un appariement par score de propension afin d'estimer les effets du traitement et de présenter un rapport sur l'impact causal.

Les apprenants évalueront la validité des hypothèses causales (négligeabilité, chevauchement, positivité) pour une expérience commerciale donnée et proposeront des mesures d'atténuation.

Les apprenants appliqueront l'algorithme PC ou FCI à un ensemble de données de marketing, interpréteront le graphe causal obtenu et valideront les arêtes avec des experts du domaine.

Les apprenants évalueront la robustesse des relations mises en évidence à l'aide d'un rééchantillonnage par la méthode du bootstrap et présenteront des indicateurs de stabilité.

Les apprenants concevront et planifieront des tests A/B en ligne avec un suivi et une méthodologie statistique appropriés.

Les apprenants évalueront la signification pratique par rapport à la signification statistique et prendront des décisions de déploiement. Qui optimisent à la fois la valeur commerciale et l'allocation des ressources.

Les apprenants acquerront les bases théoriques de la modélisation par simulation et se prépareront à élaborer des modèles de Monte Carlo destinés à des applications professionnelles.

Les apprenants élaboreront des modèles de simulation de Monte Carlo fonctionnels à l'aide d'Excel et de Python, en effectuant plus de 10 000 itérations afin de générer des distributions de probabilité pour l'analyse du retour sur investissement (ROI) d'un projet.

Les apprenants maîtriseront l'analyse de sensibilité à l'aide de graphiques en tornade et de tests de convergence afin de déterminer le nombre optimal d'itérations pour obtenir des résultats de simulation fiables.

Les apprenants mettront en pratique l'ensemble de leurs compétences en matière de simulation de Monte Carlo à travers des applications pratiques complètes et démontreront leur maîtrise grâce à une évaluation notée au niveau du cours, couvrant l'ensemble des acquis d'apprentissage.

Vous mettrez au point un cadre d'optimisation du mix marketing intégrant l'inférence causale, l'optimisation prescriptive et la simulation de Monte Carlo au sein d'un seul outil d'aide à la décision. À partir de données réelles relatives aux dépenses et aux taux de conversion des canaux marketing, vous validerez les effets causaux, recommanderez une répartition budgétaire optimale et quantifierez le risque associé au plan proposé. Le livrable final combine un cahier d'analyse Python et un résumé exécutif adapté à une présentation aux dirigeants.