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

Ressources

Bibliographie

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

Ressources en bibliothèque

• Introduction au Machine Learning / Azencott

Polycopiés

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

Liens Moodle

• https://go.epfl.ch/EE-311