Descriptif
- Understanding the main machine learning methods and algorithms
- Being able to apply them to computer networks and applications to solve practical use-cases
- Being able to define and follow a correct protocol (data pre-processing, training, test, validation) and to adapt it to the different use-cases
- Being able to use the main Python libraries for Machine Learning
Lecturers: Andrea Araldo (TSP)
Diplôme(s) concerné(s)
Format des notes
Numérique sur 20Littérale/grade européenPour les étudiants du diplôme Echange international non diplomant
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme Diplôme d'ingénieur
L'UE est acquise si Note finale >= 10- Crédits ECTS acquis : 4 ECTS
- Crédit d'Option 3A acquis : 4
La note obtenue rentre dans le calcul de votre GPA.
La note obtenue est classante.
L'UE est évaluée par les étudiants.
Pour les étudiants du diplôme Computer Science for Networks
Le rattrapage est autorisé (Max entre les deux notes)- le rattrapage est obligatoire si :
- Note initiale < 10
- Crédits ECTS acquis : 4 ECTS
La note obtenue rentre dans le calcul de votre GPA.
La note obtenue est classante.
L'UE est évaluée par les étudiants.
Programme détaillé
1. Introduction (supervised / unsupervised Machine Learning, protocol, data preparation in python)
2. Data exploration, Linear Regression, evaluation of regression models
3. Neural Networks (application to network intrusion classification)
4. Anomaly detection (application to intrusion detection)
5. Recommender systems (application to recommendation of web content)
6. Time series, Preventive Maintenance, Long Short-Term Memory networks (application to IoT or data centers).
7. Project presentation and exam
All courses will be “cours intégrés”
Evaluation
50% project, 25% exam, 25% participation in class.