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.
Diplôme(s) concerné(s)
- M1 Cyber - Cybersecurity
- M2 IGD - Interaction, Graphic and Design
- M2 DATAAI - Data and Artificial Intelligence
- M1 IGD - Interaction, Graphic and Design
- M1 DATAAI - Data and Artificial Intelligence
Parcours de rattachement
Format des notes
Numérique sur 20Littérale/grade réduitPour les étudiants du diplôme M1 Cyber - Cybersecurity
Le rattrapage est autorisé (Note de rattrapage conservée)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 M1 IGD - Interaction, Graphic and Design
L'UE est acquise si Note finale >= 10- Crédits ECTS acquis : 5 ECTS
Pour les étudiants du diplôme M1 DATAAI - Data and Artificial Intelligence
L'UE est acquise si Note finale >= 10- Crédits ECTS acquis : 5 ECTS
Pour les étudiants du diplôme M2 IGD - Interaction, Graphic and Design
L'UE est acquise si Note finale >= 10- Crédits ECTS acquis : 5 ECTS
Pour les étudiants du diplôme M2 DATAAI - Data and Artificial Intelligence
L'UE est acquise si Note finale >= 10- Crédits ECTS acquis : 5 ECTS
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
