| Libellé du cours : | Machine learning 2 |
|---|---|
| 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_ML2 - Machine learning 2 |
Equipe pédagogique
Enseignants : Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires
Résumé
Fundamentals machine learning methods. Hands on. Usual methods of ML : • LDA, Naïve Bayes, • Logistic regression, perceptron • Linear SVM • Linear models and optimization using stochastic gradients • Decision trees, Random forests,… • Bagging, boosting, stacking… • Neural networks: MLP and gradient retropropagation
Objectifs pédagogiques
After successfully taking this course, a student should be able to: • basic presentation of usual methods of machine learning • hands on to get a first practical knowledge of the potential of machine learning • explain and justify several important machine learning methods, • account for several types of methods and algorithms used in the field, • implement them using the book, • critically evaluate the methods’ applicability in usual contexts,
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
"Pattern recognition and Machine Learning", Christopher Bishop “Elements of statitcial learning”, T. Hastie & R. Tibshirani & J. Friedman “Machine learning, a probabilistic perspective”, K. Murphy. Labs are in Python.
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
Machine learning 1 or the equivalent. Probability Theory and Statistics or the equivalent. Bases of optimization.