| Libellé du cours : | Machine learning 1 |
|---|---|
| Département d'enseignement : | EEA / Electronique Electrotechnique Automatique |
| Responsable d'enseignement : | Monsieur PIERRE CHAINAIS |
| Langue d'enseignement : | |
| Ects potentiels : | 0 |
| Grille des résultats : | |
| Code et libellé (hp) : | MR_DS_S1_ML1 - Machine learning 1 |
Equipe pédagogique
Enseignants : Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires
Résumé
This course introduces the field of machine learning, including the notion of "learnability". How far can available data be exploited to design a predicting machine? The contents include: ● scikit-learn basics ● data cleaning ● basics in plotting ● designing, implementing, testing, and evaluating an ML pipeline for supervised classification ● study of a couple of use cases
Objectifs pédagogiques
After successfully taking this course, a student should be able to: ● understand the main objectives of machine learning and the main approaches ● know the basic principles behind classical basic ML algorithms ● understand the first limits and requirements to conduct a ML project ● understand the notion of error and the principle of ERM ● use Python to implement programs ML, test them, and evaluate their performances ● access and preprocess data using Python
Objectifs de développement durable
Modalités de contrôle de connaissance
Contrôle Continu
Commentaires: Labs, grading scale: (min) 0 – 20 (max)
Exam, grading scale: (min) 0 – 20 (max)
Average passing grade = 10/20
Ressources en ligne
● Shai Shalev-Shwartz and Shai Ben-David. Understanding Machine Learning: From Theory to Algorithms Cambridge University Press, 2014. ● Jake VanderPlas. Python Data Science Handbook Essential Tools for Working with Data. O'Reilly Media, 2016. ● Machine Learning for Hackers, O’Reilly
Pédagogie
Séquencement / modalités d'apprentissage
| Nombre d'heures en CM (Cours Magistraux) : | 12 |
|---|---|
| Nombre d'heures en TD (Travaux Dirigés) : | 12 |
| Nombre d'heures en TP (Travaux Pratiques) : | 0 |
| Nombre d'heures en Séminaire : | 0 |
| Nombre d'heures en Demi-séminaire : | 0 |
| Nombre d'heures élèves en TEA (Travail En Autonomie) : | 0 |
| Nombre d'heures élèves en TNE (Travail Non Encadré) : | 0 |
| Nombre d'heures en CB (Contrôle Bloqué) : | 0 |
| Nombre d'heures élèves en PER (Travail PERsonnel) : | 0 |
| Nombre d'heures en Heures Projets : | 0 |
Pré-requis
Basic knowledge of a programing language ; notions on algorithms and fundamental notions of mathematics.