Descriptif
- Understanding the main machine learning methods and algorithms
- Being able to apply them to computer networks and applications to solve practical use-cases
- Being able to define and follow a correct protocol (data pre-processing, training, test, validation) and to adapt it to the different use-cases
- Being able to use the main Python libraries for Machine Learning
Lecturers: Andrea Araldo (TSP)
30 heures en présentiel
Diplôme(s) concerné(s)
- Echange international non diplomant
- M2 CSN - Computer Science for Networks
- M2 DATAAI - Data and Artificial Intelligence
- M1 DATAAI - Data and Artificial Intelligence
- Diplôme d'ingénieur
Parcours de rattachement
Format des notes
Numérique sur 20Littérale/grade européenPour les étudiants du diplôme Echange international non diplomant
Pour les étudiants du diplôme M1 DATAAI - Data and Artificial Intelligence
L'UE est acquise si Note finale >= 10- Crédits ECTS acquis : 4 ECTS
Pour les étudiants du diplôme Diplôme d'ingénieur
Le rattrapage est autorisé (Max entre les deux notes écrêté à une note seuil)- le rattrapage est obligatoire si :
- Note initiale < 10
- Crédits ECTS acquis : 4 ECTS
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 M2 DATAAI - Data and Artificial Intelligence
L'UE est acquise si Note finale >= 10- Crédits ECTS acquis : 4 ECTS
Pour les étudiants du diplôme M2 CSN - Computer Science for Networks
Le rattrapage est autorisé (Note de rattrapage conservée)- Crédits ECTS acquis : 4 ECTS
Programme détaillé
1. Introduction (supervised / unsupervised Machine Learning, protocol, data preparation in python)
2. Data exploration, Linear Regression, evaluation of regression models
3. Neural Networks (application to network intrusion classification)
4. Anomaly detection (application to intrusion detection)
5. Recommender systems (application to recommendation of web content)
6. Time series, Preventive Maintenance, Long Short-Term Memory networks (application to IoT or data centers).
7. Project presentation and exam
All courses will be “cours intégrés”
Evaluation
50% project, 25% exam, 25% participation in class.
