Rechercher Se connecter FR EN

Machine LearningDécision (GSI)

FISE GSI Semestre 9 Tronc Commun

Machine Learning

Unité d'enseignement Décision · GI.S9.ACAD.DE
Cours sur Celene
5ECTS (UE)
2Coefficient
34:00Heures

Séquencement

C TD C TD C TD C TD C TD C TD C TD C TD C TD C TD C TD C C TP TP TP TP TP TP TP TP TP TP TP TP TP

Objectifs pédagogiques

  • 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

ModuleUnité d'enseignementSemestre
Algorithmique et programmation 3Sciences de base 3S3
Mathématiques 1.1Sciences de base 1S1
Mathématiques 1.2Sciences de base 1S1
Algorithmique et programmation 1Eléments constitutifs Facultatifs 1S1
Mathématiques 2.1Sciences de base 2S2
Mathématiques 2.2Sciences de base 2S2
Algorithmique et programmationSciences de base 2S2
Probalités et statistiquesMathématiques et Informatique 1S5
Programmation orientée objet C++Mathématiques et Informatique 1S5
Mathématiques 3.1Sciences de base 3S3
Mathématiques 3.2Sciences de base 3S3
Mathématiques 4.1Sciences de base 4S4
Statistique InférentielleOutils de l'Ingénieur S5S5

Programme

  • 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

Modalités d'évaluation

4 TP notés : 25%, 25%, 25%, 25%

Références bibliographiques

  • 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

4
Réf.VerbeDescriptionNiveau
C2_1analyserMaîtriser les principes de modélisation aléatoire utiles pour le machine learning et comprendre leur limitations2
C2_1analyserAvoir une connaissance théorique et pratique des modèles linéaires pour l'apprentissage2
C2_1analyseranalyser, Comprendre les modèles de réseaux de neurones et la manière dont leurs paramètres peuvent être appris2
C2_1analyseranalyser, Comprendre certaines techniques de clustering sous l'angle unifiant des modèles de mélange gaussiens2