Se connecter
Logo

Fiche Module

FISE

GSI

Génie des Systèmes Industriels


Unité d'Enseignement :


Semestre : 9
Crédits ECTS : 5

Décision

Elément Constitutif :


Coefficient : 2

Machine Learning

Tronc Commun



L'UE Décision : 4


Aide à la décision
Computer Vision
Machine Learning
Programmation GPU


Volume horaire : 34:00

Type Durée
Cours 12:00
TD 10:00
TP 12:00


Evaluations : 1

Type Coefficient
TP 0.25
TP 0.25
TP 0.25
TP 0.25


Enseignants : 2

Enseignant Type
Hidane Moncef Responsable
Mille Julien Intervenant


Lien vers ce module sur celene


  • Envisager le problème de l'apprentissage supervisé et non supervisé sous un angle probabiliste et statistique.
  • Appliquer ces principes de modélisation dans le cadre des modèles linéaires et des réseaux de neurones.
  • Être capable de mettre en oeuvre, dans un langage de programmation interprété, les algorithmes associés.
Pré-requis :

UE Semestre Module
Sciences de base 3 3 Algorithmique et programmation 3
Sciences de base 1 1 Mathématiques 1.1
Sciences de base 1 1 Mathématiques 1.2
Sciences de base 1 1 Algorithmique et programmation 1
Sciences de base 2 2 Mathématiques 2.1
Sciences de base 2 2 Mathématiques 2.2
Sciences de base 2 2 Algorithmique et programmation 2
Mathématiques et Informatique 1 5 Probalités et statistiques
Mathématiques et Informatique 1 5 Programmation orientée objet C++
Sciences de base 3 3 Mathématiques 3.1
Sciences de base 3 3 Mathématiques 3.2
Sciences de base 4 4 Mathématiques 4.1
Mathématiques et Informatique S5 5 Probabilités et Statistiques


  • Introduction
  • Modélisation probabiliste et inférence statistique
  • Modèles linéaires pour la régression et la classification
  • Réseaux de neurones pour la régression et la classification
  • Modèles de mélanges et clustering

4 TP notés : 25%, 25%, 25%, 25%

  • Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer-Verlag New York 2006
  • Lindholm, Andreas, et al. Machine Learning: A First Course for Engineers and Scientists. Cambridge University Press, 2022.
  • Murphy, Kevin P. Probabilistic machine learning: an introduction. MIT press, 2022.

Compétences :

Ref. Verbe Description Niveau
C2_1 analyser Maîtriser les principes de modélisation aléatoire utiles pour le machine learning et comprendre leur limitations 2
C2_1 analyser Avoir une connaissance théorique et pratique des modèles linéaires pour l'apprentissage 2
C2_1 analyser analyser, Comprendre les modèles de réseaux de neurones et la manière dont leurs paramètres peuvent être appris 2
C2_1 analyser analyser, Comprendre certaines techniques de clustering sous l'angle unifiant des modèles de mélange gaussiens 2