v2.8.0 (4329)

Enseignement scientifique & technique - SI221-A : Bases de l'apprentissage : théorie et algorithmes

Domaine > Image-Données-Signal, Informatique, Mathématiques.

Descriptif

Ce cours est recommandé aux étudiants des filières IMA ou IGR. Ces étudiants peuvent suivre SI221-A ou SI221-B. Le cours SI221-A est destiné aux étudiants plus enclins à une approche conceptuelle plus mathématiques et le cours SI221-B est destiné aux étudiants plus enclins à une approche opérationelle plus pratique. SI221-A est en anglais et est mutualisé avec le cours de Master M2 MICAS911. 
 
Ce cours présente les principes fondamentaux de l'apprentissage automatique et de l'inférence statistique de manière unifiée et développe des algorithmes pour des applications importantes. Le cours s'articule autour de la question "Quand peut-on apprendre une tâche donnée?".

 
 

24 heures en présentiel
réparties en:
  • Contrôle de connaissance : 1.5
  • Leçon : 9
  • Travaux dirigés : 1.5
  • Travaux pratiques : 12

effectifs minimal / maximal:

/35

Diplôme(s) concerné(s)

Parcours de rattachement

Format des notes

Numérique sur 20

Littérale/grade européen

Pour les étudiants du diplôme Echange international non diplomant

L'UE est acquise si Note finale >= 10
  • Crédits ECTS acquis : 2.5 ECTS

La note obtenue rentre dans le calcul de votre GPA.

Pour les étudiants du diplôme Diplôme d'ingénieur

Vos modalités d'acquisition :

Certains TD/TP notés et examen final

L'UE est acquise si Note finale >= 10
  • Crédits ECTS acquis : 2.5 ECTS
  • Crédit d'UE partagées acquis : 2.5

La note obtenue rentre dans le calcul de votre GPA.

Pour les étudiants du diplôme Information processing: machine learning, communications and security

L'UE est acquise si Note finale >= 10
  • Crédits ECTS acquis : 2.5 ECTS

La note obtenue rentre dans le calcul de votre GPA.

Pour les étudiants du diplôme Programme de mobilité des établissements français partenaires

L'UE est acquise si Note finale >= 10
  • Crédits ECTS acquis : 2.5 ECTS

La note obtenue rentre dans le calcul de votre GPA.

Programme détaillé

 - Why ML? ML and the broader landscape, ML vs. AI 

- PAC/APAC model of learning, supervised and unsupervised learning as special cases, ERM, No Free Lunch Theorem

- Learning through uniform convergence, shattering, VC dimension


- What can/cannot be learned, statistical vs. computational complexity of learning


- Linear separators 

- Linear regression, logistic regression   

- Model selection/validation, K-NN, K-Means 

Méthodes pédagogiques

Each course is divided into three slots of 50 minutes each, with short breaks in between. The first two slots are devoted to the course and the third slot is for homeworks/lab work.
Veuillez patienter