Fundamentals of machine learning

EE-311 / 4 credits

Teacher: Liebling Michael Stefan Daniel

Language: French

Résumé

Ce cours présente une vue générale des techniques d'apprentissage automatique, passant en revue les algorithmes, le formalisme théorique et les protocoles expérimentaux.

Contenu

Le cours abordera les questions suivantes:

  • Introduction à la notion d'apprentissage automatique
  • Régression linéaire et logistique, descente de gradient
  • Machine à vecteurs de support, méthodes à noyaux
  • Dilemme biais-variance, sur- et sous-apprentissage
  • Méthodes de réduction de dimension, PCA
  • Méthodes de clustering, méthode des plus proches voisins
  • Arbres de décision, méthodes ensemblistes, bagging, boosting
  • Réseaux de neurones artificiels, perceptron à couches multiples
  • Réseaux de neurones convolutifs et profonds
  • Estimation de densité, maximum de vraisemblance, inférence Bayésienne, apprentissage par espérance-maximisation
  • Estimation de méta-paramètres et protocoles expérimentaux
  • Implications sociétales, éthiques et légales de l'intelligence artificielle

Mots-clés

apprentissage automatique, machine learning

Compétences requises

Cours prérequis obligatoires

  • Analyse (Calcul différentiel et intégral)
  • Algèbre linéaire
  • Probabilités et statistiques

Acquis de formation

A la fin de ce cours l'étudiant doit être capable de:

  • Reconnaitre les différents types d'apprentissage machine
  • Reconnaitre le fonctionnement, le domaine d'application (conditions, limitations) de différent algorithme d'apprentissage machine
  • Identifier les méthode appropriées à des problèmes pratiques les méthode appropriées à des problèmes pratiques et formaliser leur expressionet formaliser leur expression
  • Implémenter des algorithmes d'apprentissage automatique
  • Reconnaitre les limitation d'ordre éthique et implications légales liés à la collecte et l'utilisation de données à des fins d'apprentissage
  • Identifier les méthodes appropriées à des problèmes pratiques et formaliser leur expression
  • Reconnaitre le fonctionnement, le domaine d'application (conditions, limitations) de différents algorithmes d'apprentissage machine
  • Reconnaitre les limitations éthiques et les implications légales liées à la collecte et l'utilisation de données à des fins d'apprentissage

Compétences transversales

  • Utiliser une méthodologie de travail appropriée, organiser un/son travail.
  • Faire preuve d'esprit critique
  • Etre conscient et respecter des directives légales pertinentes et du code éthique de la profession.
  • Etre responsable des impacts environnementaux de ses actions et décisions.
  • Etre conscient des implications sociales et humaines liées au métier de l'ingénieur.

Méthode d'enseignement

  • Cours ex-cathedra
  • Séances d'exercices-labo encadrés (combinaison d'exercices théoriques et applications informatiques / programmation)

Travail attendu

  • Faire tous les exercices (théoriques, problèmes de programmation)
  • Participer activement au cours
  • Se préparer au cours (lecture du livre de référence, consultation des resources mises à disposition sur Moodle et en lien externe)

Méthode d'évaluation

  • Série d'exercices hebdomadaire notée (rendue sur Moodle) portant sur des dérivations théoriques, des implémentations informatiques, et de la connaissance du cours: 15%
  • Examen final: 85%

Encadrement

Office hours Oui
Assistants Oui
Forum électronique Oui

Ressources

Bibliographie

Titre:   Introduction au Machine Learning
Auteur:  Chloé-Agathe Azencott
Éditeur: Dunod, 2022
EAN: 9782100834761

Ressources en bibliothèque

Polycopiés

Chloé-Agathe Azencott "Introduction au Machine Learning," version électronique gratuite (sans exercices)

Liens Moodle

In the programs

  • Semester: Spring
  • Exam form: Written (summer session)
  • Subject examined: Fundamentals of machine learning
  • Lecture: 2 Hour(s) per week x 14 weeks
  • Practical work: 2 Hour(s) per week x 14 weeks
  • Type: optional
  • Semester: Spring
  • Exam form: Written (summer session)
  • Subject examined: Fundamentals of machine learning
  • Lecture: 2 Hour(s) per week x 14 weeks
  • Practical work: 2 Hour(s) per week x 14 weeks
  • Type: optional
  • Semester: Spring
  • Exam form: Written (summer session)
  • Subject examined: Fundamentals of machine learning
  • Lecture: 2 Hour(s) per week x 14 weeks
  • Practical work: 2 Hour(s) per week x 14 weeks
  • Type: optional
  • Semester: Spring
  • Exam form: Written (summer session)
  • Subject examined: Fundamentals of machine learning
  • Lecture: 2 Hour(s) per week x 14 weeks
  • Practical work: 2 Hour(s) per week x 14 weeks
  • Type: optional
  • Semester: Spring
  • Exam form: Written (summer session)
  • Subject examined: Fundamentals of machine learning
  • Lecture: 2 Hour(s) per week x 14 weeks
  • Practical work: 2 Hour(s) per week x 14 weeks
  • Type: optional
  • Semester: Spring
  • Exam form: Written (summer session)
  • Subject examined: Fundamentals of machine learning
  • Lecture: 2 Hour(s) per week x 14 weeks
  • Practical work: 2 Hour(s) per week x 14 weeks
  • Type: optional

Reference week

Related courses

Results from graphsearch.epfl.ch.