v2.11.0 (5747)

Enseignement scientifique & technique - CSC_51054_EP : Machine and Deep learning

Descriptif

Nous sommes entrés dans l'ère des mégadonnées. L'explosion de données disponibles dans unlarge éventail de domaines d'applications suscite de nouveaux enjeux dans une pléthore de disciplines, allant des sciences de l'ingénieur au commerce et à la société en générale. Un enjeux principal émerge dans la question de comment prendre l'avantage de ces échelles de données, de manière à acquérir de nouvelles idées et connaissances pour améliorer la qualité des services offerts. C'est là que l'apprentissage machine et profond viennent en capitalisant sur les techniques et les méthodologies issues de l'exploration de données (profilage statistique, visualisation), visant à identifier des schémas, des corrélations, des modélisations et des prévisions. Dans ce domaine, l'apprentissage profond est devenu un élément très important pour la résolution de problèmes de prévision à grande échelle ces dernières années.

 

 

Format des notes

Numérique sur 20

Littérale/grade réduit

Pour les étudiants du diplôme M1 Cyber - Cybersecurity

Pour les étudiants du diplôme Master M1 - Interaction, Graphic & Design

Pour les étudiants du diplôme Master M1 - Data and Artificial Intelligence

L'UE est acquise si Note finale >= 10
  • Crédits ECTS acquis : 5 ECTS

Pour les étudiants du diplôme Master M2 - Interaction, Graphic & Design

Pour les étudiants du diplôme Master M2 - Data & Artificial Intelligence

Programme détaillé

Programme détaillé du cours :
(des changements mineurs peuvent se produire pendant le déroulement du cours)

 

Introduction générale à l'apprentissage machine

  • Paradigmes d'apprentissage machine
  • Pipelines d'apprentissage machine

Apprentissage supervisé

  • Méthodes génératives et non génératives
  • Classification naïve bayésienne
  • Méthode basée sur l'utilisation d'un arbre de décision

Apprentissage non supervisé

  • Réduction dimensionnelle
  • Regroupement

Concepts avancés d'apprentissage machine

  • Régularisation
  • Sélection de modèles
  • Sélection de caractéristiques
  • Méthodes d'ensemble

Kernels

  • Introduction aux kernels
  • Machines à vecteurs de support

Réseaux de neurones

  • Introduction aux réseaux de neurones
  • Perceptrons et rétropropagation du gradient

Apprentissage profond I

  • Réseaux de neurones conventionnels
  • Réseaux de neurones récurrents
  • Applications

Apprentissage profond II

  • Traitement automatique des langues moderne
  • Apprentissage profond non supervisé
  • Intégrations, auto-encodeurs, réseaux antagonistes génératifs

Apprentissage par renforcement

Mots clés

apprentissage machine, apprentissage profond, intelligence artificielle, réseau de neurones graphiques
Veuillez patienter