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 (16 blocs ou créneaux)
réparties en:
- Contrôle de connaissance : 1.5
- Leçon : 9
- Travaux Dirigés : 1.5
- Travaux Pratiques : 12
effectifs minimal / maximal:
/35Diplôme(s) concerné(s)
- M2 MICAS - Machine learnIng, CommunicAtions, and Security
- Programme de mobilité des établissements français partenaires
- Echange international non diplomant
- Diplôme d'ingénieur
Parcours de rattachement
Format des notes
Numérique sur 20Littérale/grade européenPour les étudiants du diplôme M2 MICAS - 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 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 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.
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.
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
