| Libellé du cours : | Advanced Machine Learning 2 - Machine Learning for Signal Processing |
|---|---|
| Département d'enseignement : | EEA / Electronique Electrotechnique Automatique |
| Responsable d'enseignement : | Monsieur PIERRE-ANTOINE THOUVENIN / Monsieur PIERRE CHAINAIS |
| Langue d'enseignement : | |
| Ects potentiels : | 0 |
| Grille des résultats : | |
| Code et libellé (hp) : | MR_DS_S3_AM2 - Advanced machine learning 2 |
Equipe pédagogique
Enseignants : Monsieur PIERRE-ANTOINE THOUVENIN / Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires
Résumé
Ce cours illustre l'application du machine learning au traitement statistique du signal par la prisme de la résolution de problèmes inverses. Les notions et méthodes suivantes seront abordées : - définition d'un problème inverse (formulation bayésienne et estimateurs, régularisation par parcimonie, critères d'évaluation typiques en traitement du signal) - parcimonie et échantillonnage comprimé - rappels et résultats en optimisation convexe (dualité, opérateur proximal, transformée de Legendre-Fenchel, décomposition de Fenchel) - méthodes d'éclatement en optimisation ("splitting") : algorithme ADMM et PnP-ADMM - méthodes d'éclatement et algorithmes MCMC (AXDA, SGS, PnP-SGS)
Objectifs pédagogiques
Après validation du cours, les étudiants seront capables de : - formuler un problème inverse à l'aide d'un modèle statistique - appliquer des approches de ML pour traiter des problèmes en traitement statistique du signal - implémenter un algorithme d'optimisation ou MCMC basé sur un a priori issu de données de référence (Plug-and-play approaches)
Objectifs de développement durable
Modalités de contrôle de connaissance
Contrôle Continu
Commentaires: Évaluation continue, basée sur
- comptes-rendu de TP, 50 % de la note finale : (min) 0 – 20 (max)
- examens, 50 % de la note finale : (min) 0 – 20 (max)
Examen de rattrapage (session 2):
- épreuve d'examen notée sur 20 points
- note final du cours : 50% session 1 (note de l'évaluation continue), 50% session 2
Ressources en ligne
Livres et articles de référence, à disposition sur Moodle. - Murphy, K. P. (2012). Machine learning: a probabilistic perspective. MIT press. - Beck, A. (2017). First-Order Methods in Optimization. Society for Industrial and Applied Mathematics press.
Pédagogie
- Cours (6x2h), TP (4x2h) et TD (2x2h). - Examens : 2x1h. - Cours enseigné intégralement en anglais.
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
Cours du master 1 Data science (ou équivelents) : Python and tools for research, Signal processing, Machine learning 1, Probability 1 & 2, Statistics & 21, Models for machine learning. Notions en optimisation.