EE-559 / 4 crédits

Enseignant: Cavallaro Andrea

Langue: Anglais

Withdrawal: It is not allowed to withdraw from this subject after the registration deadline.


Summary

This course explores how to design reliable discriminative and generative neural networks, the ethics of data acquisition and model deployment, as well as modern multi-modal models.

Content

Keywords

machine learning, neural networks, deep learning, python

Learning Prerequisites

Required courses

  • Basics in probabilities and statistics
  • Linear algebra
  • Differential calculus
  • Python programming

Recommended courses

  • Basics in optimization
  • Basics in algorithmic
  • Basics in signal processing

Important concepts to start the course

Discrete and continuous distributions, normal density, law of large numbers, conditional probabilities, Bayes, PCA, vector, matrix operations, Euclidean spaces, Jacobian, Hessian, chain rule, notion of minima, gradient descent, computational costs, Fourier transform, convolution.

Learning Outcomes

By the end of the course, the student must be able to:

  • Interpret the performance of a deep learning model
  • Analyze the limitations of a deep learning model
  • Justify the choices for training and testing a deep learning model
  • Propose new solutions for a given application

Transversal skills

  • Respect relevant legal guidelines and ethical codes for the profession.
  • Take account of the social and human dimensions of the engineering profession.
  • Design and present a poster.
  • Make an oral presentation.
  • Demonstrate the capacity for critical thinking

Teaching methods

Ex-cathedra lectures, class discussion, exercises (using python), group project.

Expected student activities

Attendance to lectures, participation in discussions, completing exercises, completing a project, reading written material (scientific papers and books).

Assessment methods

Excercises and group project.

Resources

Moodle Link

Dans les plans d'études

  • Semestre: Printemps
  • Nombre de places: 150
  • Forme de l'examen: Pendant le semestre (session d'été)
  • Matière examinée: Deep learning
  • Cours: 2 Heure(s) hebdo x 14 semaines
  • Exercices: 2 Heure(s) hebdo x 14 semaines
  • Semestre: Printemps
  • Nombre de places: 150
  • Forme de l'examen: Pendant le semestre (session d'été)
  • Matière examinée: Deep learning
  • Cours: 2 Heure(s) hebdo x 14 semaines
  • Exercices: 2 Heure(s) hebdo x 14 semaines
  • Semestre: Printemps
  • Nombre de places: 150
  • Forme de l'examen: Pendant le semestre (session d'été)
  • Matière examinée: Deep learning
  • Cours: 2 Heure(s) hebdo x 14 semaines
  • Exercices: 2 Heure(s) hebdo x 14 semaines
  • Semestre: Printemps
  • Nombre de places: 150
  • Forme de l'examen: Pendant le semestre (session d'été)
  • Matière examinée: Deep learning
  • Cours: 2 Heure(s) hebdo x 14 semaines
  • Exercices: 2 Heure(s) hebdo x 14 semaines
  • Semestre: Printemps
  • Nombre de places: 150
  • Forme de l'examen: Pendant le semestre (session d'été)
  • Matière examinée: Deep learning
  • Cours: 2 Heure(s) hebdo x 14 semaines
  • Exercices: 2 Heure(s) hebdo x 14 semaines
  • Semestre: Printemps
  • Nombre de places: 150
  • Forme de l'examen: Pendant le semestre (session d'été)
  • Matière examinée: Deep learning
  • Cours: 2 Heure(s) hebdo x 14 semaines
  • Exercices: 2 Heure(s) hebdo x 14 semaines
  • Semestre: Printemps
  • Nombre de places: 150
  • Forme de l'examen: Pendant le semestre (session d'été)
  • Matière examinée: Deep learning
  • Cours: 2 Heure(s) hebdo x 14 semaines
  • Exercices: 2 Heure(s) hebdo x 14 semaines
  • Semestre: Printemps
  • Nombre de places: 150
  • Forme de l'examen: Pendant le semestre (session d'été)
  • Matière examinée: Deep learning
  • Cours: 2 Heure(s) hebdo x 14 semaines
  • Exercices: 2 Heure(s) hebdo x 14 semaines
  • Semestre: Printemps
  • Nombre de places: 150
  • Forme de l'examen: Pendant le semestre (session d'été)
  • Matière examinée: Deep learning
  • Cours: 2 Heure(s) hebdo x 14 semaines
  • Exercices: 2 Heure(s) hebdo x 14 semaines
  • Semestre: Printemps
  • Nombre de places: 150
  • Forme de l'examen: Pendant le semestre (session d'été)
  • Matière examinée: Deep learning
  • Cours: 2 Heure(s) hebdo x 14 semaines
  • Exercices: 2 Heure(s) hebdo x 14 semaines
  • Semestre: Printemps
  • Nombre de places: 150
  • Forme de l'examen: Pendant le semestre (session d'été)
  • Matière examinée: Deep learning
  • Cours: 2 Heure(s) hebdo x 14 semaines
  • Exercices: 2 Heure(s) hebdo x 14 semaines
  • Semestre: Printemps
  • Nombre de places: 150
  • Forme de l'examen: Pendant le semestre (session d'été)
  • Matière examinée: Deep learning
  • Cours: 2 Heure(s) hebdo x 14 semaines
  • Exercices: 2 Heure(s) hebdo x 14 semaines
  • Semestre: Printemps
  • Nombre de places: 150
  • Forme de l'examen: Pendant le semestre (session d'été)
  • Matière examinée: Deep learning
  • Cours: 2 Heure(s) hebdo x 14 semaines
  • Exercices: 2 Heure(s) hebdo x 14 semaines
  • Semestre: Printemps
  • Nombre de places: 150
  • Forme de l'examen: Pendant le semestre (session d'été)
  • Matière examinée: Deep learning
  • Cours: 2 Heure(s) hebdo x 14 semaines
  • Exercices: 2 Heure(s) hebdo x 14 semaines
  • Semestre: Printemps
  • Nombre de places: 150
  • Forme de l'examen: Pendant le semestre (session d'été)
  • Matière examinée: Deep learning
  • Cours: 2 Heure(s) hebdo x 14 semaines
  • Exercices: 2 Heure(s) hebdo x 14 semaines
  • Semestre: Printemps
  • Nombre de places: 150
  • Forme de l'examen: Pendant le semestre (session d'été)
  • Matière examinée: Deep learning
  • Cours: 2 Heure(s) hebdo x 14 semaines
  • Exercices: 2 Heure(s) hebdo x 14 semaines
  • Semestre: Printemps
  • Nombre de places: 150
  • Forme de l'examen: Pendant le semestre (session d'été)
  • Matière examinée: Deep learning
  • Cours: 2 Heure(s) hebdo x 14 semaines
  • Exercices: 2 Heure(s) hebdo x 14 semaines
  • Semestre: Printemps
  • Nombre de places: 150
  • Forme de l'examen: Pendant le semestre (session d'été)
  • Matière examinée: Deep learning
  • Cours: 2 Heure(s) hebdo x 14 semaines
  • Exercices: 2 Heure(s) hebdo x 14 semaines
  • Semestre: Printemps
  • Nombre de places: 150
  • Forme de l'examen: Pendant le semestre (session d'été)
  • Matière examinée: Deep learning
  • Cours: 2 Heure(s) hebdo x 14 semaines
  • Exercices: 2 Heure(s) hebdo x 14 semaines
  • Semestre: Printemps
  • Nombre de places: 150
  • Forme de l'examen: Pendant le semestre (session d'été)
  • Matière examinée: Deep learning
  • Cours: 2 Heure(s) hebdo x 14 semaines
  • Exercices: 2 Heure(s) hebdo x 14 semaines
  • Semestre: Printemps
  • Nombre de places: 150
  • Forme de l'examen: Pendant le semestre (session d'été)
  • Matière examinée: Deep learning
  • Cours: 2 Heure(s) hebdo x 14 semaines
  • Exercices: 2 Heure(s) hebdo x 14 semaines
  • Semestre: Printemps
  • Nombre de places: 150
  • Forme de l'examen: Pendant le semestre (session d'été)
  • Matière examinée: Deep learning
  • Cours: 2 Heure(s) hebdo x 14 semaines
  • Exercices: 2 Heure(s) hebdo x 14 semaines
  • Semestre: Printemps
  • Nombre de places: 150
  • Forme de l'examen: Pendant le semestre (session d'été)
  • Matière examinée: Deep learning
  • Cours: 2 Heure(s) hebdo x 14 semaines
  • Exercices: 2 Heure(s) hebdo x 14 semaines
  • Semestre: Printemps
  • Nombre de places: 150
  • Forme de l'examen: Pendant le semestre (session d'été)
  • Matière examinée: Deep learning
  • Cours: 2 Heure(s) hebdo x 14 semaines
  • Exercices: 2 Heure(s) hebdo x 14 semaines
  • Semestre: Printemps
  • Nombre de places: 150
  • Forme de l'examen: Pendant le semestre (session d'été)
  • Matière examinée: Deep learning
  • Cours: 2 Heure(s) hebdo x 14 semaines
  • Exercices: 2 Heure(s) hebdo x 14 semaines
  • Semestre: Printemps
  • Nombre de places: 150
  • Forme de l'examen: Pendant le semestre (session d'été)
  • Matière examinée: Deep learning
  • Cours: 2 Heure(s) hebdo x 14 semaines
  • Exercices: 2 Heure(s) hebdo x 14 semaines
  • Nombre de places: 150
  • Forme de l'examen: Pendant le semestre (session d'été)
  • Matière examinée: Deep learning
  • Cours: 2 Heure(s) hebdo x 14 semaines
  • Exercices: 2 Heure(s) hebdo x 14 semaines
  • Semestre: Printemps
  • Nombre de places: 150
  • Forme de l'examen: Pendant le semestre (session d'été)
  • Matière examinée: Deep learning
  • Cours: 2 Heure(s) hebdo x 14 semaines
  • Exercices: 2 Heure(s) hebdo x 14 semaines
  • Nombre de places: 150
  • Forme de l'examen: Pendant le semestre (session d'été)
  • Matière examinée: Deep learning
  • Cours: 2 Heure(s) hebdo x 14 semaines
  • Exercices: 2 Heure(s) hebdo x 14 semaines
  • Nombre de places: 150
  • Forme de l'examen: Pendant le semestre (session d'été)
  • Matière examinée: Deep learning
  • Cours: 2 Heure(s) hebdo x 14 semaines
  • Exercices: 2 Heure(s) hebdo x 14 semaines
  • Semestre: Printemps
  • Nombre de places: 150
  • Forme de l'examen: Pendant le semestre (session d'été)
  • Matière examinée: Deep learning
  • Cours: 2 Heure(s) hebdo x 14 semaines
  • Exercices: 2 Heure(s) hebdo x 14 semaines
  • Semestre: Printemps
  • Nombre de places: 150
  • Forme de l'examen: Pendant le semestre (session d'été)
  • Matière examinée: Deep learning
  • Cours: 2 Heure(s) hebdo x 14 semaines
  • Exercices: 2 Heure(s) hebdo x 14 semaines
  • Nombre de places: 150
  • Forme de l'examen: Pendant le semestre (session d'été)
  • Matière examinée: Deep learning
  • Cours: 2 Heure(s) hebdo x 14 semaines
  • Exercices: 2 Heure(s) hebdo x 14 semaines

Semaine de référence

 LuMaMeJeVe
8-9  RLC E1 240  
9-10    
10-11  CM1100
CM1106
CM1103
CO5
PO01
  
11-12    
12-13     
13-14     
14-15     
15-16     
16-17     
17-18     
18-19     
19-20     
20-21     
21-22     

Mercredi, 8h - 10h: Cours RLC E1 240

Mercredi, 10h - 12h: Exercice, TP CM1100
CM1106
CM1103
CO5
PO01

Cours connexes

Résultats de graphsearch.epfl.ch.