Descriptif
Kernel Machines
Synopsis
1- Notions on Kernels and Reproducing Kernel Hilbert Space Theory
2- Kernel machines for regression, classification and dimensionality reduction
2- Kernel machines for regression, classification and dimensionality reduction
3- Kernel design and kernel learning
4- Kernel Machines for structured output prediction
5- Scaling up kernel machines
6- Brief overview of relationships between kernel machines and neural networks
The goal of this course is to introduce and deepen kernel methods as a major tool in nonparametric approaches to machine learning.
In this course you will (re)discover that linear methods extend to nonlinear by using the famous kernel trick. Linear regression, linear classification and linear dimensionality reduction approaches will be highlighted as typical examples of this family of approaches. You will also learn how to think about machine learning in terms of hypothesis spaces and regularization choices, by leveraging a unique hyperparameter: the kernel. This will raise the issue of kernel design and learning. We will then show that the kernel trick is also interesting in the output space by tackling multi-task and structured prediction.
Eventually, we will present an overview of the still-open question of scaling up kernel methods and will discuss the links between kernel machines and neural networks.
The course is punctuated by 3 practical sessions (3H00, 1H30, 1H30).
24 heures en présentiel (16 blocs ou créneaux)
effectifs minimal / maximal:
1/200Diplôme(s) concerné(s)
- M2 DS - Data Science
- Programme de mobilité des établissements français partenaires
- Echange international non diplomant
- M2 DATAAI - Data and Artificial Intelligence
- Diplôme d'ingénieur
- M1 DATAAI - Data and Artificial Intelligence
Parcours de rattachement
Format des notes
Numérique sur 20Littérale/grade européenPour les étudiants du diplôme M2 DATAAI - Data and Artificial Intelligence
L'UE est acquise si Note finale >= 10- Crédits ECTS acquis : 2 ECTS
Pour les étudiants du diplôme M2 DS - Data Science
L'UE est acquise si Note finale >= 10- Crédits ECTS acquis : 3 ECTS
Pour les étudiants du diplôme Programme de mobilité des établissements français partenaires
L'UE est acquise si Note finale >= 10- Crédits ECTS acquis : 2 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme M1 DATAAI - Data and Artificial Intelligence
L'UE est acquise si Note finale >= 10- Crédits ECTS acquis : 2 ECTS
Pour les étudiants du diplôme Diplôme d'ingénieur
L'UE est acquise si Note finale >= 10- Crédits ECTS acquis : 2 ECTS
- Crédit d'Option 3A acquis : 2
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme Echange international non diplomant
L'UE est acquise si Note finale >= 10- Crédits ECTS acquis : 2 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Support pédagogique multimédia