Module Sheet

FISE

MRI

Maîtrise des Risques Industriels

Unité d'Enseignement :

Semestre : 7
Crédits ECTS : 10

EA: Systèmes avancés 1

Code UE : M07A_SAV1

Elément Constitutif :

Coefficient : 2

Machine Learning

Code EC :

EA: Systèmes avancés

L'UE EA: Systèmes avancés 1 : 7

Architecture des systèmes industriels, contrôle et commande
Ingénierie systèmes
Langage orienté objet: C++
Machine Learning
Plans d'expériences
Projet EA: Systèmes avancés
Signaux et systèmes

Volume horaire : 21:20

Type	Nombre	Durée
Cours	8	01:20
TD	8	01:20

Evaluations : 1

Type	Coefficient
Examen Final	0.7
Projet	0.3

Enseignants : 1

Enseignant	Type
Hafiane Adel	Responsable

Celene Link :

Lien vers ce module sur celene

Learning Objectives :

L’objectif consiste à introduire les concepts théoriques et techniques de l’analyse de données par l’apprentissage automatique et savoir les appliquer sur des données réelles. Appréhender certains mécanismes de base visant à reproduire par un système des aptitudes dites « intelligentes ». La mise en œuvre des techniques de l'apprentissage automatique avec le langage Python.

Pré-requis :

UE	Semestre	Module
Mathématiques et Informatique 5	5	Algorithmique et Programmation
Mathématiques et Informatique 5	5	Statistiques et processus aléatoires
Mathématiques et Informatique 6	6	Optimisation linéaire

Program :

Régression linéaire, non-linéaire et régularisation.
Classification linéaire
Classification Bayesienne
Réseaux de neurones
Analyse de la structure des données.
Apprentissage profond.

Evaluation Methods :

Examen Final et mini-projet

Bibliographic References :

Introduction au Machine Learning, Azencott Chloé-Agathe, Dunod 2019.
Data Science : fondamentaux et études de cas : Machine Learning avec Python et R, Lutz Michel, Biernat Eric, Eyrolles 2015.

Compétences :

Ref.	Verbe	Description	Niveau
C1_1	identifier	les concepts de bases d'analyse de données	1
C3_1	concevoir	des méthodes appropriées pour un problème donné	2
C3_2	choisir	les méthodes pour une mis en oeuvre d'une application	2