Fiches de cours 2017-2018

PDF
 

Machine learning

CS-433

Enseignant(s) :

Jaggi Martin
Urbanke Rüdiger

Langue:

English

Summary

Machine learning and data analysis are becoming increasingly central in many sciences and applications. In this course, fundamental principles and methods of machine learning will be introduced, analyzed and practically implemented.

Content

  1. Basic regression and classification concepts and methods: Linear models, overfitting, linear regression, Ridge regression, logistic regression, and k-NN.
  2. Fundamental concepts: cost-functions and optimization, cross-validation and bias-variance trade-off, curse of dimensionality.
  3. Unsupervised learning: k-Means Clustering, Gaussian mixture models and the EM algorithm.
  4. Dimensionality reduction: PCA and matrix factorization, word embeddings
  5. Advanced methods: generalized linear models, SVMs and Kernel methods, Neural networks and deep learning

Keywords

Learning Prerequisites

Required courses

Recommended courses

Important concepts to start the course

Learning Outcomes

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

Teaching methods

Expected student activities

Students are expected to:

Assessment methods

Supervision

Office hours Yes
Assistants Yes
Forum Yes

Resources

Virtual desktop infrastructure (VDI)

No

Bibliography

Ressources en bibliothèque
Notes/Handbook

github.com/epfml/ML_course

Websites

Dans les plans d'études

  • Data Science, 2017-2018, Master semestre 1
    • Semestre
      Automne
    • Forme de l'examen
      Ecrit
    • Crédits
      7
    • Matière examinée
      Machine learning
    • Cours
      4 Heure(s) hebdo x 14 semaines
    • Exercices
      2 Heure(s) hebdo x 14 semaines
  • Humanités digitales, 2017-2018, Master semestre 1
    • Semestre
      Automne
    • Forme de l'examen
      Ecrit
    • Crédits
      7
    • Matière examinée
      Machine learning
    • Cours
      4 Heure(s) hebdo x 14 semaines
    • Exercices
      2 Heure(s) hebdo x 14 semaines
  • Humanités digitales, 2017-2018, Master semestre 3
    • Semestre
      Automne
    • Forme de l'examen
      Ecrit
    • Crédits
      7
    • Matière examinée
      Machine learning
    • Cours
      4 Heure(s) hebdo x 14 semaines
    • Exercices
      2 Heure(s) hebdo x 14 semaines
  • Informatique, 2017-2018, Master semestre 1
    • Semestre
      Automne
    • Forme de l'examen
      Ecrit
    • Crédits
      7
    • Matière examinée
      Machine learning
    • Cours
      4 Heure(s) hebdo x 14 semaines
    • Exercices
      2 Heure(s) hebdo x 14 semaines
  • Informatique, 2017-2018, Master semestre 3
    • Semestre
      Automne
    • Forme de l'examen
      Ecrit
    • Crédits
      7
    • Matière examinée
      Machine learning
    • Cours
      4 Heure(s) hebdo x 14 semaines
    • Exercices
      2 Heure(s) hebdo x 14 semaines
  • Management, technologie et entrepreneuriat, 2017-2018, Master semestre 1
    • Semestre
      Automne
    • Forme de l'examen
      Ecrit
    • Crédits
      7
    • Matière examinée
      Machine learning
    • Cours
      4 Heure(s) hebdo x 14 semaines
    • Exercices
      2 Heure(s) hebdo x 14 semaines
  • Management, technologie et entrepreneuriat, 2017-2018, Master semestre 3
    • Semestre
      Automne
    • Forme de l'examen
      Ecrit
    • Crédits
      7
    • Matière examinée
      Machine learning
    • Cours
      4 Heure(s) hebdo x 14 semaines
    • Exercices
      2 Heure(s) hebdo x 14 semaines
  • Science et ingénierie computationnelles, 2017-2018, Master semestre 1
    • Semestre
      Automne
    • Forme de l'examen
      Ecrit
    • Crédits
      7
    • Matière examinée
      Machine learning
    • Cours
      4 Heure(s) hebdo x 14 semaines
    • Exercices
      2 Heure(s) hebdo x 14 semaines
  • Science et ingénierie computationnelles, 2017-2018, Master semestre 3
    • Semestre
      Automne
    • Forme de l'examen
      Ecrit
    • Crédits
      7
    • Matière examinée
      Machine learning
    • Cours
      4 Heure(s) hebdo x 14 semaines
    • Exercices
      2 Heure(s) hebdo x 14 semaines
  • Sciences et technologies du vivant - master, 2017-2018, Master semestre 1
    • Semestre
      Automne
    • Forme de l'examen
      Ecrit
    • Crédits
      7
    • Matière examinée
      Machine learning
    • Cours
      4 Heure(s) hebdo x 14 semaines
    • Exercices
      2 Heure(s) hebdo x 14 semaines
  • Sciences et technologies du vivant - master, 2017-2018, Master semestre 3
    • Semestre
      Automne
    • Forme de l'examen
      Ecrit
    • Crédits
      7
    • Matière examinée
      Machine learning
    • Cours
      4 Heure(s) hebdo x 14 semaines
    • Exercices
      2 Heure(s) hebdo x 14 semaines
  • Systèmes de communication - master, 2017-2018, Master semestre 1
    • Semestre
      Automne
    • Forme de l'examen
      Ecrit
    • Crédits
      7
    • Matière examinée
      Machine learning
    • Cours
      4 Heure(s) hebdo x 14 semaines
    • Exercices
      2 Heure(s) hebdo x 14 semaines
  • Systèmes de communication - master, 2017-2018, Master semestre 3
    • Semestre
      Automne
    • Forme de l'examen
      Ecrit
    • Crédits
      7
    • Matière examinée
      Machine learning
    • Cours
      4 Heure(s) hebdo x 14 semaines
    • Exercices
      2 Heure(s) hebdo x 14 semaines
  • Mineur en Biocomputing, 2017-2018, Semestre automne
    • Semestre
      Automne
    • Forme de l'examen
      Ecrit
    • Crédits
      7
    • Matière examinée
      Machine learning
    • Cours
      4 Heure(s) hebdo x 14 semaines
    • Exercices
      2 Heure(s) hebdo x 14 semaines
  • Mineur en Informatique, 2017-2018, Semestre automne
    • Semestre
      Automne
    • Forme de l'examen
      Ecrit
    • Crédits
      7
    • Matière examinée
      Machine learning
    • Cours
      4 Heure(s) hebdo x 14 semaines
    • Exercices
      2 Heure(s) hebdo x 14 semaines
  • Mineur en Neurosciences computationnelles, 2017-2018, Semestre automne
    • Semestre
      Automne
    • Forme de l'examen
      Ecrit
    • Crédits
      7
    • Matière examinée
      Machine learning
    • Cours
      4 Heure(s) hebdo x 14 semaines
    • Exercices
      2 Heure(s) hebdo x 14 semaines
  • Mineur en Systèmes de communication, 2017-2018, Semestre automne
    • Semestre
      Automne
    • Forme de l'examen
      Ecrit
    • Crédits
      7
    • Matière examinée
      Machine learning
    • Cours
      4 Heure(s) hebdo x 14 semaines
    • Exercices
      2 Heure(s) hebdo x 14 semaines
  • Informatique et communications (edoc), 2017-2018
    • Semestre
      Automne
    • Forme de l'examen
      Ecrit
    • Crédits
      7
    • Matière examinée
      Machine learning
    • Cours
      4 Heure(s) hebdo x 14 semaines
    • Exercices
      2 Heure(s) hebdo x 14 semaines

Semaine de référence

LuMaMeJeVe
8-9
9-10
10-11
11-12
12-13
13-14
14-15 INF119
INJ218
INM11
INM202
15-16
16-17 SG1
17-18 CO1
18-19
19-20
20-21
21-22
Cours
Exercice, TP
Projet, autre

légende

  • Semestre d'automne
  • Session d'hiver
  • Semestre de printemps
  • Session d'été
  • Cours en français
  • Cours en anglais
  • Cours en allemand