Conçu pour les étudiants et chercheurs de Université Paris-Dauphine (PSL) — Mathématiques de la Décision au sein de Master MASH (Mathematics, Machine Learning & Humanities) & Master IASD (AI, Systems, Data), notre programme de recherche translationnelle allie l'exigence conceptuelle de vos cours magistraux à l'ingénierie logicielle avancée. Intégrez un pod de R&D asynchrone à distance (10 à 25 h/semaine) calibré sur votre cursus, sans jamais compromettre vos examens ni vos projets académiques. Ici, 100 % de vos mathématiques universitaires — optimisation sous contraintes KKT, réduction de variance, régularisation spectrale et valeurs extrêmes — sont injectées directement dans des architectures multi-agents en production. Fini les heuristiques empiriques : transformez les théorèmes de Markowitz, Ledoit-Wolf et Tobin en algorithmes d'arbitrage de calcul opérationnels.
Structurez votre charge de recherche en parfaite harmonie avec vos cours magistraux, travaux dirigés (TD), TP et devoirs maison. Grâce à des revues de code asynchrones et une collaboration par PRs sur GitHub, vous avancez à votre propre rythme intellectuel sans réunion synchrone superflue.
Percevez une compensation compétitive de 20 à 45 $/h USD à distance. Pendant les périodes de partiels, examens terminaux ou soutenances de mémoire, activez notre protocole strict « Zéro Heure » : votre pod est gelé, votre place reste garantie à 100 %, et votre réussite académique demeure la priorité absolue.
Valorisez vos travaux de recherche directement dans vos mémoires de master, projets d'initiation à la recherche ou thèses de doctorat, avec co-signature de prépublications scientifiques (2024–2026). Bénéficiez également d'un accès intégral et gratuit à notre bibliothèque de 39 heures de séminaires avancés sur {preprints_url}.
| Discipline / Cours Académique | Formalisme Mathématique & Théorème | Pod R&D d'Affectation | Application Translationnelle en Production |
|---|---|---|---|
| Optimisation Convexe & Programmation Quadratique | min_w w^T Σ w s.t. w^T μ ≥ μ*, 1^T w = 1, w ≥ 0 |
POD-01 (Architecture d'Arbitrage) | Allocation optimale des budgets de calcul et des poids d'inférence sur un ensemble hétérogène de LLMs et de vérificateurs formels déterministes, garantissant un niveau de précision cible sous minimisation de la variance des réponses. |
| Théorie des Probabilités & Processus Aléatoires Corrélés | N_eff = N / (1 + (N - 1)ρ̄) |
POD-01 (Architecture d'Arbitrage) | Démonstration formelle qu'un consensus de 50 prompts fortement corrélés (ρ̄ = 0,70) ne fournit en réalité que N_eff ≈ 1,42 experts indépendants. Conception de techniques d'orthogonalisation des priors pour comités d'agents autonomes. |
| Statistique Mathématique en Grande Dimension & Économétrie | Σ̂_LW = (1 - δ*)S + δ*F |
POD-02 (Statistique en Grande Dimension) | Rétrécissement de covariance de Ledoit-Wolf (shrinkage) et débruitage spectral via la loi de Marčenko-Pastur appliqués aux matrices de corrélation empirique lorsque le nombre d'agents N surpasse l'historique d'évaluation T. |
| Sciences Actuarielles & Théorie des Valeurs Extrêmes | Σ⁻_ij = E[min(R_i-τ,0)min(R_j-τ,0)], CVaR_99%(L_w) ≤ M_audit |
POD-02 (Statistique en Grande Dimension) | Calcul de la semi-variance baissière (Markowitz 1959) et contrôle du risque de queue par la CVaR à 99 % (formulation de Rockafellar-Uryasev) afin de borner rigoureusement les hallucinations critiques et les dérives de conformité financière. |
| Économie Financière & Calcul Stochastique | w_tan ∝ Σ⁻¹(μ - c·1), SR(w) = w^T(μ - c) / √(w^T Σ w) |
POD-03 (Économie des Systèmes Stochastiques) | Théorème de séparation de Tobin : modélisation des compilateurs déterministes et validateurs d'arbres de syntaxe comme actif sans risque (σ₀ = 0), combinés au portefeuille de tangence optimal de modèles génératifs maximisant le ratio de Sharpe précision/coût. |
| Tests d'Hypothèses Séquentiels & Théorie de la Décision | P(Type I Error) ≤ α (Neyman-Pearson FrugalGPT/RouteLLM Cascade) |
POD-04 (Routage Séquentiel & Décision) | Routage séquentiel multicouche de requêtes (cascades FrugalGPT et RouteLLM) sous critère optimal de Neyman-Pearson, couplé à l'analyse empirique issue des 39 heures de recherche fondamentale disponibles sur {preprints_url}. |
1. JobTeaser Grandes Écoles & Forum X / ENS / ENSAE / TSE: Retrouvez les offres officielles de nos pods de R&D sur le portail carrières JobTeaser Grandes Écoles & Forum X / ENS / ENSAE / TSE de Université Paris-Dauphine (PSL) — Mathématiques de la Décision. Pour accélérer votre revue de candidature, précisez votre spécialisation (mathématiques appliquées, MVA, probabilités/statistiques, économétrie ou informatique fondamentale) et joignez un lien vers vos dépôts de code ou travaux de modélisation. (RSS/XML Job Feed · iCal Open Office Hours · Google Classroom)
2. Python Seminar & Thesis Kit (/uni/fr-universit-paris-dauphine/lab.py): Kit d'expérimentation Python de séminaire (exécutable en 5 minutes) : reproduisez le calcul analytique du nombre d'experts effectifs N_eff, estimez la matrice de dispersion empirique sur un benchmark multi-agents et appliquez l'estimateur de retrait spectral de Ledoit-Wolf Σ̂_LW.