Informations générales

Prérequis: Cours d’introduction à Python, introduction aux statistiques inférentielles

Durée : 50 heures ou 6 crédits ECTS.

Objectifs du cours

À la fin du cours, les étudiants devraient être en mesure de

• Mettre en œuvre et analyser des algorithmes d'apprentissage existants, y compris des méthodes bien étudiées pour la classification, la régression, la prédiction structurée, le regroupement et l'apprentissage de la représentation.

• Intégrez plusieurs facettes de l'apprentissage automatique pratique dans un seul système: prétraitement des données, apprentissage, régularisation et sélection de modèles

• Décrire les propriétés formelles des modèles et des algorithmes d'apprentissage et expliquer les implications pratiques de ces résultats.

• Comparer et opposer différents paradigmes d'apprentissage (supervisé, non supervisé, etc.)

• Concevoir des expériences pour évaluer et comparer différentes techniques d'apprentissage automatique sur des problèmes du monde réel.

• Employer la probabilité, les statistiques, le calcul, l'algèbre linéaire et l'optimisation afin de développer de nouveaux modèles prédictifs ou des méthodes d'apprentissage.

• À partir d'une description d'une technique de ML, analysez-la pour identifier (1) le pouvoir expressif du formalisme; (2) le biais inductif implicite dans l'algorithme; (3) la taille et la complexité de l'espace de recherche; (4) les propriétés de calcul de l'algorithme: (5) toute garantie (ou son absence) concernant la terminaison, la convergence, l'exactitude, la précision ou la puissance de généralisation.