EE-311 / 4 credits

Teacher: Liebling Michael Stefan Daniel

Language: French


Résumé

Ce cours présente une vue générale des techniques d'apprentissage automatique, passant en revue les algorithmes, le formalisme théorique et les protocoles expérimentaux.

Contenu

Mots-clés

apprentissage automatique, machine learning

Compétences requises

Cours prérequis obligatoires

  • Analyse (Calcul différentiel et intégral)
  • Algèbre linéaire
  • Probabilités et statistiques

Acquis de formation

A la fin de ce cours l'étudiant doit être capable de:

  • Reconnaitre les différents types d'apprentissage machine
  • Reconnaitre le fonctionnement, le domaine d'application (conditions, limitations) de différent algorithme d'apprentissage machine
  • Identifier les méthode appropriées à des problèmes pratiques les méthode appropriées à des problèmes pratiques et formaliser leur expressionet formaliser leur expression
  • Implémenter des algorithmes d'apprentissage automatique
  • Reconnaitre les limitation d'ordre éthique et implications légales liés à la collecte et l'utilisation de données à des fins d'apprentissage
  • Identifier les méthodes appropriées à des problèmes pratiques et formaliser leur expression
  • Reconnaitre le fonctionnement, le domaine d'application (conditions, limitations) de différents algorithmes d'apprentissage machine
  • Reconnaitre les limitations éthiques et les implications légales liées à la collecte et l'utilisation de données à des fins d'apprentissage

Compétences transversales

  • Utiliser une méthodologie de travail appropriée, organiser un/son travail.
  • Faire preuve d'esprit critique
  • Etre conscient et respecter des directives légales pertinentes et du code éthique de la profession.

Méthode d'enseignement

  • Cours ex-cathedra
  • Séances d'exercices-labo encadrés (combinaison d'exercices théoriques et applications informatiques / programmation)

Travail attendu

  • Faire tous les exercices (théoriques, problèmes de programmation)
  • Participer activement au cours
  • Se préparer au cours (lecture du livre de référence, consultation des resources mises à disposition sur Moodle et en lien externe)

Méthode d'évaluation

  • Série d'exercices hebdomadaire notée (rendue sur Moodle) portant sur des dérivations théoriques, des implémentations informatiques, et de la connaissance du cours: 15%
  • Examen final: 85%

Encadrement

Assistants Oui
Forum électronique Oui

Ressources

Bibliographie

Titre:   Introduction au Machine Learning
Auteur:  Chloé-Agathe Azencott
Éditeur: Dunod, 2019
EAN: 9782100801534

Ressources en bibliothèque

Polycopiés

Chloé-Agathe Azencott "Introduction au Machine Learning," version électronique gratuite (sans exercices)

Liens Moodle

In the programs

  • Semester: Spring
  • Exam form: Written (summer session)
  • Subject examined: Fundamentals of machine learning
  • Lecture: 2 Hour(s) per week x 14 weeks
  • Practical work: 2 Hour(s) per week x 14 weeks
  • Semester: Spring
  • Exam form: Written (summer session)
  • Subject examined: Fundamentals of machine learning
  • Lecture: 2 Hour(s) per week x 14 weeks
  • Practical work: 2 Hour(s) per week x 14 weeks
  • Semester: Spring
  • Exam form: Written (summer session)
  • Subject examined: Fundamentals of machine learning
  • Lecture: 2 Hour(s) per week x 14 weeks
  • Practical work: 2 Hour(s) per week x 14 weeks
  • Semester: Spring
  • Exam form: Written (summer session)
  • Subject examined: Fundamentals of machine learning
  • Lecture: 2 Hour(s) per week x 14 weeks
  • Practical work: 2 Hour(s) per week x 14 weeks
  • Semester: Spring
  • Exam form: Written (summer session)
  • Subject examined: Fundamentals of machine learning
  • Lecture: 2 Hour(s) per week x 14 weeks
  • Practical work: 2 Hour(s) per week x 14 weeks
  • Semester: Spring
  • Exam form: Written (summer session)
  • Subject examined: Fundamentals of machine learning
  • Lecture: 2 Hour(s) per week x 14 weeks
  • Practical work: 2 Hour(s) per week x 14 weeks
  • Semester: Spring
  • Exam form: Written (summer session)
  • Subject examined: Fundamentals of machine learning
  • Lecture: 2 Hour(s) per week x 14 weeks
  • Practical work: 2 Hour(s) per week x 14 weeks
  • Semester: Spring
  • Exam form: Written (summer session)
  • Subject examined: Fundamentals of machine learning
  • Lecture: 2 Hour(s) per week x 14 weeks
  • Practical work: 2 Hour(s) per week x 14 weeks

Reference week

 MoTuWeThFr
8-9    BC01
9-10    
10-11    BC01
BC07-08
11-12    
12-13     
13-14     
14-15     
15-16     
16-17     
17-18     
18-19     
19-20     
20-21     
21-22     

Friday, 8h - 10h: Lecture BC01

Friday, 10h - 12h: Exercise, TP BC01
BC07-08

Related courses

Results from graphsearch.epfl.ch.