Master Science des données / Parcours Data Science

Libellé du cours :	Python and tools for research
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_S1_PTR - Python and tools for research

Equipe pédagogique

Enseignants : Monsieur PIERRE-ANTOINE THOUVENIN / Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

Notions élémentaires (contrôle de flux) et structures pour la programmation en Python basée sur l'utilisation de librairies usuelles (numpy, scipy, sklearn, pandas, h5py, etc.). Notions de programmation orientée objet avec Python. Le cours inclus par ailleurs la présentation de quelques outils utiles pour la production de rapports et présentations scientifiques (LaTeX, bibtex, zotero). Les séances de travaux pratiques permettent : - d'utiliser des instructions vectorisées issues de numpy pour encoder des opérations d'algèbre linéaire et des approches d'analyse statistique; - d'illustrer l'intérêt d'une approche orientée-objet, sur la base d'exemples en lien avec des problématiques d'apprentissage; - d'introduire le langage LaTeX pour la rédaction de documents scientifiques, tels que ceux demandés tout au long de la formation.

Objectifs pédagogiques

À l'issue de ce cours, les étudiants seront capables de - manipuler des structures de données usuelles en Python; - adopter une approche orientée-objet pour le développement d'applications en Python; - comprendre les notions de classe et d'objet; - comprendre les notions d'encapsulation d'héritage; - rédiger des codes conformes aux conventions usuelles en terme de nom de variables, utilisation des commentaires et rédaction de documentation; - tester un code produit (tests unitaires, debug); - utiliser plusieurs librairies usuelles pour l'apprentissage automatique (numpy, scipy, sklearn); - rédiger un rapport et une présentation scientifiques en LaTeX; - créer et gérer une base d'entrées bibliographiques (zotero, bibtex).

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires: Évaluation sur la base des rapports de TPs. Épreuves et durées : - Rapport LaTeX (L): 6h - TP de python (P) x4: 2h chacun Calcul de la note : N = (L+4*P) / 5 Épreuve et durée (2nde chance) : TP Python (2h) Calcul de la note (2nde chance) : 0.7*N + 0.3*TP

Ressources en ligne

Liste de références, documents et ressources LaTeX mis à disposition sur Moodle. Logiciel Python, notebook Jupyter, packages Python usuels (numpy, scipy, scikit-learn, pandas, matplotlib, seaborn, h5py, ...).

Pédagogie

Séances en salle informatique.

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

Notions de programmation orientée-objet, et de programmation en Python et C.

Nombre maximum d'inscrits

Remarques

Évaluation menée sur la base des compte-rendus de TP, par groupe de 2 étudiants maximum.

Libellé du cours :	Refresher in Computer Science
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_S1_RCS - Refresher in Computer Science

Equipe pédagogique

Enseignants : Monsieur PIERRE-ANTOINE THOUVENIN / Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

Objectifs pédagogiques

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires:

Ressources en ligne

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

Nombre maximum d'inscrits

Remarques

Libellé du cours :	Refresher in Maths
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_S1_RMA - Refresher in Maths

Equipe pédagogique

Enseignants : Monsieur PIERRE-ANTOINE THOUVENIN / Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

• Linear algebra (14h) ◦ Matrices and linear systems of equations. Null space, column space and rank theorem. ◦ Trace, determinant, eigenvectors and eigenvalues. • Multivariable calculus (10h) ◦ Multivariable vector and scalar functions. Continuity, partial derivatives and differentiability. ◦ Matrix representation of the differential. Properties of differentiable functions.

Objectifs pédagogiques

After successfully taking this course, a student should be able to: • Use/understand standard notions for forthcoming courses of the Master program • Have basic notions of linear algebra and multivariate differential calculus

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires: Assessment is based on a homework assignment (HW) and a final examination (EX) during the final session, each giving a mark out of 20. The final mark will be calculated as follows: 0.5*HW+0.5*EX. Grading scale: (min)0 – 20 (max) - Pass = 10/20 Second chance: For those who would not achieve a pass grade, there will be a second chance associated with a second homework (HW2). The second chance grade is calculated as follows: 0.2*EX+0.4*HW+0.4*HW2.

Ressources en ligne

1. S. Lang, Undergraduate Analysis, Springer, 1997 2. G. Strang, Introduction to linear algebra, Wellesley-Cambridge 2016. 3. G. Strang, Linear algebra and learning from data, Wellesley Cambridge Press, 2019

Pédagogie

24 hours, 8 lectures, 4 exercise sessions

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

Basics of linear algebra (matrices, vectors…)

Nombre maximum d'inscrits

Remarques

Libellé du cours :	Algorithms and their complexity 1
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_S1_AC1 - Algo and their complexity 1

Equipe pédagogique

Enseignants : Monsieur PIERRE-ANTOINE THOUVENIN / Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

The course will cover the following topics: • Fundamental properties of algorithms. • Algorithm writing with pseudo-code. • Recursion. • Formal notational methods for stating the growth of resource needs (efficiency and storage) of an algorithm (Big Oh, Little oh, Theta notations). • Time and space complexity. • Best-case and worst-case complexity. • Divide-and-conquer paradigm. • Backtracking. • Branch-and-bound. • Dynamic programming. • Greedy algorithms.

Objectifs pédagogiques

This course gives an overview about algorithms and computation with a particular focus on the cost of algorithms. The overall goal is to be able to understand a range of algorithmic approaches, use them to solve practical problems, evaluate their cost, and compare the costs of different algorithms solving a given problem. After successfully taking this course, a student should be able to: • Write recursive algorithms, • Understand the following families of algorithms and use them to solve problems: divide-and-conquer, backtracking, branch-and-bound, dynamic programming, greedy algorithms. • Understand and evaluate the time and space complexity of an algorithm. • Analyze worst-case and best-case running times of algorithms using asymptotic analysis. • Derive and solve recurrences describing the performance of recursive and divide-and-conquer algorithms.

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires: Quizzes, grading scale: (min) 0 – 20 (max) Homework, grading scale: (min) 0 – 20 (max)

Ressources en ligne

Introduction to Algorithms (Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest Clifford Stein) – McGraw-Hill.

Pédagogie

24 hours : 8 lectures, 8 tutorials. Language of instruction is specified in the course offering information in the course and program directory. English is the default language.

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

This course requires some basic programming knowledge (expressions, variable, control flow statements, functions, arrays or lists) and some fundamental notions of mathematics (functions and sequences, recurrence relations). The knowledge of specific programming languages is not required.

Nombre maximum d'inscrits

Remarques

Libellé du cours :	Databases
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_S1_DBA - Databases

Equipe pédagogique

Enseignants : Monsieur PIERRE-ANTOINE THOUVENIN / Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

The course will cover the following topics: • Reminder about SQL, relational algebra and logic • Indexes and materialized views: advantages, drawbacks and when to use them • Using various kinds of indexes in the design of a database, • Physical plan of a query execution and the evaluation of its incurred cost, • Logical plan and optimization of a query and their cost models, • Query tuning.

Objectifs pédagogiques

At the end of the course, a successful student should be able to master the main techniques and algorithms that allow relational databases to handle efficiently large amount of data. These methods form the bases of systems that handle larger amounts of data. After attending this course the successful student will be able to: • Understand the relationship between relational algebra, logic, SQL, • Write complex queries, • Use methods to improve the performance of a database, • Know various structures of indexes and when to use them, • Understand how queries are compiled, optimized and executed, • Tune queries so as to make them more efficient.

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

“Database systems, the complete book”, second edition, H. Garcia-Molina, J. D. Ullman, J. Widom “Database management systems”, third edition, R. Ramakrishnan, J. Gehrke “Database system concepts”, sixth edition, A. Silberschatz, H. Korth, and S. Sudarshan

Pédagogie

24 hours, 6 lectures 6 exercises Language of instruction is specified in the course offering information in the course and program directory. English is the default language.

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

Introductory knowledge in SQL, programming and in algorithms.

Nombre maximum d'inscrits

Remarques

Libellé du cours :	Fundamental notions of Mathematics
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_S1_FNM - Fundamental notions of Math

Equipe pédagogique

Enseignants : Monsieur PIERRE-ANTOINE THOUVENIN / Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

• Linear algebra (8h) ◦ Hermitian spaces, scalar product, projection matrices, orthogonal (unitary) and symmetric (self-adjoint) matrices. ◦ least squares problems ◦ matrix norms ◦ Singular Value Decomposition (SVD) and applications • Differential calculus and optimization (8h) ◦ functions of several variables, gradient, hessian ◦ application to gradient descent and convex problem ◦ optimization problems without and with constraints • Integration (8h) ◦ curves in R^d : line integrals and surface integrals ◦ multiple integrals: Fubini’s theorem ◦ change of variables ◦ surfaces in R^d and surface integrals ◦ Stokes theorem

Objectifs pédagogiques

After successfully taking this course, a student should be able to: • Think geometrically about linear algebra on Hermitian spaces • Optimize a function of several variables • Compute integrals in several variables

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires: Exam, grading scale: (min) 0 – 20 (max) Average passing grade = 10/20

Ressources en ligne

S Lang , Undergraduate Analysis, Springer (1997) S.DIneen, Multivariate calculus and Geometry, Springer G. Strang, Linear Algebra and Learning from Data, Wellesley-Cambridge Press

Pédagogie

24 hours, 8 lectures 4 exercises Language of instruction is specified in the course offering information in the course and program directory. English is the default language.

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

Bases of linear algebra, integration and analysis.

Nombre maximum d'inscrits

Remarques

Libellé du cours :	Probability 1
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_S1_PR1 - Probability 1

Equipe pédagogique

Enseignants : Monsieur PIERRE-ANTOINE THOUVENIN / Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

Fundamentals of probability and integration. First applications. - Probability space: the triplet (set, sigma-algebra, measure), examples (2h) - Random variables, random vectors, random element, examples (2h) - Expectation, variance, covariance, independence (2h) - Gaussian vectors: definition, density, rotational invariance (4h) - Projection’s theorem, L^2 space, conditional expectation, examples (Gaussian, ...) (4h) - Modes of convergence: in distribution, in probability, almost surely, L^p, examples (LLN) (2h) - Classical probability distributions and models (4h) - Characteristic function, the central limit theorem, examples (4h)

Objectifs pédagogiques

After successfully taking this course, a student should: • understand the mathematical structures of probabilistic modeling • be able to compute the main features of probabilistic models: location and scale parameters

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires: Exam, credits, grading scale: (min) 0 – 20 (max) - Passing grade = 10/20

Ressources en ligne

1. https://www.statlect.com/fundamentals-of-probability/ 2. “Probability and Measure”, P. Billingsley 3. “Aléatoire”, S. Méléard

Pédagogie

24 hours, 8 lectures 4 exercises sessions Language of instruction is specified in the course offering information in the course and programme directory. English is the default language.

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

Fundamental notions of mathematics.

Nombre maximum d'inscrits

Remarques

Libellé du cours :	Statistics 1
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_S1_ST1 - Statistics 1

Equipe pédagogique

Enseignants : Monsieur PIERRE-ANTOINE THOUVENIN / Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

• Data types and description of the distribution of univariate random variables: probability distribution / density function, cumulative distribution function, quantile functions, moments (mean, variance, skewness, kurtosis) Graphical representations: pie charts, barplots, histograms, boxplots, … • Confidence intervals. • Bivariate statistical analyses: Mean comparisons with t-tests or ANOVA (when one variable is qualitative, the other one quantitative), chi-squared independence tests (when the variables are both qualitative), correlation analysis (when the variables are both quantitative) • Classifiers: introduction to decision theory and ROC curves. The course will be illustrated by many examples on computer, using the R software.

Objectifs pédagogiques

After successfully taking this course, a student should be able to: • use standard statistical exploration tools from descriptive statistics and have a sound approach of data • be aware that assertions should be statistically tested, and be able to provide scientific evidence of what is read from the data

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires: Grading scale: (min) 0 – 20 (max) Passing grade = 10/20

Ressources en ligne

1. Mathematical statistics, Vol. 1&2, P.J. Bickel, K.A. Doksum, CRC Press, Chapman and Hall, 2015 2. Introduction to Probability and Statistics Using R by G. Jay Kerns http://ipsur.r-forge.r-project.org/book/ 3. Introduction to R by Andrew Ellis, Boris Mayer https://methodenlehre.github.io/SGSCLM-R-course/

Pédagogie

24 hours, including lectures and exercise sessions Language of instruction is specified in the course offering information in the course and programme directory. English is the default language.

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

None

Nombre maximum d'inscrits

Remarques

Libellé du cours :	Machine learning 1
Département d'enseignement :	EEA / Electronique Electrotechnique Automatique
Responsable d'enseignement :	Monsieur LOUIS FILSTROFF / Monsieur PIERRE-ANTOINE THOUVENIN / 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 LOUIS FILSTROFF / Monsieur PIERRE-ANTOINE THOUVENIN / Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

Introduction to machine learning (ML), emphasizing the link with the other classes within the programme the master's degree (ML2, probability, optimization). Several hands-on practical sessions in Python are aimed at building knowledge on the main concepts, covering: - scikit-learn basics; - data cleaning; - basics in plotting; - designing, implementing, testing, and evaluating an ML pipeline.

Objectifs pédagogiques

After successfully taking this course, a student should be able to: - identify a category of problems, in light of the available data and the nature of the parameters to learn (classification, regression, dimensionality reduction); - understand the main objectives of machine learning (ML) and the main approaches; - know the basic principles behind classical ML algorithms; - understand the first limits and requirements to conduct a ML project; - understand the notion of error and the principle of (regularized) empirical risk minimization (ERM); - use Python to implement ML algorithms, 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 1. Continuous assessment activities and duration: - 1 intermediate written exam (20 min) (exam1, /10) - 1 final written exam (1h) (exam2, /20) - 2 graded lab reports (2h each) (lab1, lab2) 2. Computation of the overall grade: - `Mark1 = 0.125*(exam1 * 2) + 0.375*exam2 + 0.25*lab1 + 0.25*lab2` 3. If Mark1 < 10/20: - 2nde chance exam : 1 written exam (2h) (exam3) - final grade after 2nd chance exam (if required): `Mark2 = 0.6 * Mark1 + 0.4 * exam3`

Ressources en ligne

- Shalev-Shwartz and Ben-David (2014). Understanding Machine Learning: From Theory to Algorithms, Cambridge University Press, 2014 - Bishop, C. M., & Nasrabadi, N. M. (2006). Pattern recognition and machine learning (Vol. 4, No. 4, p. 738). New York: Springer.

Pédagogie

- Labs (6h) and tutorial sessions (2 x 2h). - Final exam (2h). - Language of instruction is specified in the course offering information in the course and programme directory. English is the default language.

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 such as Python; notions on algorithms and fundamental notions of mathematics (linear algebra, notions in probability and optimization).

Nombre maximum d'inscrits

Remarques

Continuous evaluation, based on: - lab report(s), 50% of the overall grade, grading scale: (min) 0 – 20 (max) - 2 exams, 50% of the overall grade, grading scale: (min) 0 – 20 (max) 2nd chance exam (session 2): - grade on 20 points - final grade for the course: 60% session 1 (grade at the continuous assessment), 40% session 2

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.

Nombre maximum d'inscrits

Remarques

Libellé du cours :	Ethics and Laws
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_S1_ELA - Ethics and Laws

Equipe pédagogique

Enseignants : Monsieur PIERRE-ANTOINE THOUVENIN / Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

• Ethics and right of data, complementarity or competition? The place of codes of conduct and certification. • Personal data : notion and sources of notion and sources of regulation • Non personal data and public data : notions and sources of regulation • The person concerned by data processing, the person responsible for data processing • Main principles of RGPD (european regulation) • Legal causes of data processing: agreement and consent • Legal causes of data processing: the legitimate interest in collecting data • Rights and obligations of the person concerned by data • Rights and obligations of the person responsible for data processing • Transfer of personal data toward other countries or international organisations • The delegate to data protection • The french CNIL, the european committee for data protection, the european

Objectifs pédagogiques

The goal of this course is to give students insights in the main aspects of right and ethics as far as data analysis is concerned.

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires: Exam, grading scale: (min) 0 – 20 (max) - Passing grade = 10/20

Ressources en ligne

Pédagogie

24 hours, 12 lectures. Language of instruction is specified in the course offering information in the course and program directory. English is the default language.

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

None

Nombre maximum d'inscrits

Remarques

Libellé du cours :	English
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_ANG - Anglais

Equipe pédagogique

Enseignants : Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

This class is intended to improve your english level in case you are B2 only. Other languages might be proposed otherwise.

Objectifs pédagogiques

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires:

Ressources en ligne

Pédagogie

Séquencement / modalités d'apprentissage

Nombre d'heures en CM (Cours Magistraux) :	0
Nombre d'heures en TD (Travaux Dirigés) :	24
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

Nombre maximum d'inscrits

Remarques

Libellé du cours :	FLE
Département d'enseignement :	EEA / Electronique Electrotechnique Automatique
Responsable d'enseignement :	Madame HAKIMA LARABI / Madame VERONIQUE DZIWNIEL
Langue d'enseignement :
Ects potentiels :	0
Grille des résultats :
Code et libellé (hp) :	MR_DS_S1_FLE - FLE ou 2nde langue

Equipe pédagogique

Enseignants : Madame HAKIMA LARABI / Madame VERONIQUE DZIWNIEL
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

Students will be able to express themselves and understand French, feel comfortable in everyday day, during their studies and in professional contexts.

Objectifs pédagogiques

To reach these objectives, students will be able to : -use their language skills to deal with written and oral documents, -feel at ease in class and everyday life situations (phone calls, health, shopping, administration …), -understand the French approach to scientific and professional documents (how to write an email, a cover letter, a CV, basic approach to scientific articles, etc …) NB : students will have the opportunity to take delf/dalf exams (at their own cost).

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires: Strong emphasis will be placed on active participation. Oral and written tests will be organized on a regular basis. Linguistic and communication competences will be assessed using the the Common European Framework of Reference for Languages (CEFR).

Ressources en ligne

-Bibliography: Grammaire progressive du français, CLE international, Paris, (several levels) Vocabulaire progressif du français , CLE international (several levels) Jean-Luc Penfornis, Vocabulaire progressif du français des affaires, CLE INTERNATIONAL, (several levels) Claude Simard, Suzanne-G. Chartrand, Grammaire de base, De Boeck, Bruxelles, 2012 -Written and oral documents , videos, articles etc … -Didactic Equipment and software -real life artefacts

Pédagogie

Use of written and oral documents, real life artefacts Interactive learning

Séquencement / modalités d'apprentissage

Nombre d'heures en CM (Cours Magistraux) :	0
Nombre d'heures en TD (Travaux Dirigés) :	24
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

None : Courses will be tailored to the student’s level.

Nombre maximum d'inscrits

Remarques

Cours mutualisés avec ENSCL et Ecole Centrale pour permettre la répartition des élèves en différents niveaux, adaptés.

Libellé du cours :	LV2
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_S1_LV2 - LV2 au choix

Equipe pédagogique

Enseignants : Monsieur PIERRE-ANTOINE THOUVENIN / Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

Objectifs pédagogiques

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires:

Ressources en ligne

Pédagogie

Séquencement / modalités d'apprentissage

Nombre d'heures en CM (Cours Magistraux) :	0
Nombre d'heures en TD (Travaux Dirigés) :	24
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

Nombre maximum d'inscrits

Remarques

Libellé du cours :	Algorithms and their complexity 2
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_S2_AC2 - Algo and their complexity 2

Equipe pédagogique

Enseignants : Monsieur PIERRE-ANTOINE THOUVENIN / Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

The course will cover the following topics: • Tractable and intractable problems. • NP-algorithms, NP-hardness, NP-completeness. • Reductions. • NP-hard problems and linear programing. • Hard problems: Traveling salesman problem, Longest path, Hamilton cycle, Boolean circuit satisfiability, Clique, Vertex cover, Correlation Clustering. • Basic notions of probability (conditional probability, the law of total probability). • Approximation algorithms. • Analysis of approximation algorithms for graph problems. • Random graphs and basic notions related to random walk. • Hashing algorithms. Searching using Hashing. Hash tables. Hash functions. Some examples of hash functions. Collision resolution. • Basic problems related to randomized algorithms (e.g., Coupon Collector’s problem , Balls and Bins, …). • Chernoff Bound and its basic applications in the analysis of randomized algorithms. • Basic properties of randomized algorithms and methods for analyzing them. • Advanced data structures to solve specific problems taking into account computational constraints.

Objectifs pédagogiques

The goal of this course is to provide advanced algorithmic and computation notions covering the main topics related to randomized algorithms, relationships between different complexity classes, reductions and approximation algorithms. After successfully taking this course, a student should be able to: • Analyze average-case running times of algorithms whose running time is probabilistic. Employ indicator random variables and linearity of expectation to perform the analyses. • Manipulate problem reductions. • Know the relationships between different specific complexity classes (including complexity classes P, NP, L, NL, PSPACE, BPP, #P). • Design heuristics for complex problems. • Apply important algorithmic design paradigms and methods of analysis. • Argue the correctness of algorithms using inductive proofs. • Explain the basic properties of randomized algorithms and methods for analyzing them. Design algorithms that employ randomization. • Explain advanced graph algorithms and their analysis. • Design and analyze approximation algorithms.

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)

Ressources en ligne

Introduction to Algorithms (Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest e Clifford Stein) – McGraw-Hill.

Pédagogie

24 hours, 8 lectures 4 exercises. Language of instruction is specified in the course offering information in the course and program directory. English is the default language.

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

This course requires some programming knowledge and a background in algorithms and data structures, with a good understanding of the fundamental notions of probability. Algorithms and their complexity 1.

Nombre maximum d'inscrits

Remarques

Libellé du cours :	Numerical analysis and optimization
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_S2_NAO - Numerical analysis and optim

Equipe pédagogique

Enseignants : Monsieur PIERRE-ANTOINE THOUVENIN / Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

- Convexity, Lipschitz continuity - Unconstrained optimization problems - Back to Empirical Risk Minimization, Machine Learning and regularization - Convergence analysis. - Stochastic Descent method Like many engineering issues, machine learning problems express as a continuous optimization problem: given a Lipschitz continuous objective function, we are looking for the parameters that minimize it. Here, the set of admissible parameters will be a convex set, often a convex polyhedron. Most of the time, finding exact minimizers is not possible and we are looking for parameters that provide a good approximation of the theoretical minimal value of the objective function. In practice, we use algorithms that improve iteratively these parameters. The lectures present the basic theory of convex optimization and the associated efficient algorithms together with applications to Machine Learning. We start by recalling some facts about unconstrained convex optimization and about the associated gradient descent algorithms (first order and Newton-like higher order methods). We will show how this applies to Neural networks and present important variations such as the Stochastic Descent Method.

Objectifs pédagogiques

After successfully taking this course, a student should be able to: ● identify convex and non-convex problems ● compute convergence rates of some approximation methods for some optimization problems ● formulate a machine learning problem as an optimization problem ● know which methods may be used to solve such a problem; know how to use them in practice.

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires: Average passing grade = 10/20 - Labs, grading scale: (min) 13.5 – 20 (max) Exam, grading scale: (min) 6.5 – 20 (max)

Ressources en ligne

- Stephen Boyd and Lieven Vandenberghe. Convex Optimization. Cambridge University Press. - Vanderbei, Linear Programming: Foundations and Extensions, Springer 2014

Pédagogie

24 hours, 8 lectures 4 exercises Language of instruction is specified in the course offering information in the course and programme directory. English is the default language.

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, Machine Learning 2, Python & tools for research, or their equivalent.

Nombre maximum d'inscrits

Remarques

Libellé du cours :	Probability 2
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_S2_PR2 - Probability 2

Equipe pédagogique

Enseignants : Monsieur PIERRE-ANTOINE THOUVENIN / Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

Le cours présente les grandes notions associées aux chaînes de Markov à temps discret (matrice de transition, états récurrents, transients, mesure invariante, convergence en temps long) puis aborde plusieurs applications : la modélisation des files d'attente (avec généralisation au temps continu), algorithme de Metropolis-Hastings et de recuit simulé. 1. Chaînes de Markov en temps discret 2. Processus de Poisson et files d'attente 3. Méthodes de Monte Carlo (algorithme de Metropolis-Hastings), recuit simulé

Objectifs pédagogiques

- Savoir énoncer toutes les caractéristiques d'une chaîne de Markov donnée (en temps discret), et étudier son comportement en temps long. Savoir la simuler en Python. - Calculer la mesure invariante associée à une file d'attente, et analyser son comportement - Mettre en pratique les algorithmes de Metropolis-Hastings et de recuit simulé sur des exemples

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires: 1 devoir maison (/20), 2 compte-rendus de TP notés (/20), examen final (/20) Pondération des devoirs dans la grade finale: (DM*2 + examen*5 + TP1*1,5 + TP2*1,5)/10

Ressources en ligne

Pédagogie

Cours (6x2h) avec support de cours, TDs (6x2h, dont 2x2h d'application en salle informatique)

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

Notions de probabilité et de programmation en Python.

Nombre maximum d'inscrits

Remarques

Cours enseigné intégralement en anglais.

Libellé du cours :	Statistics 2
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_S2_ST2 - Statistics 2

Equipe pédagogique

Enseignants : Monsieur PIERRE-ANTOINE THOUVENIN / Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

• Estimators: bias, variance. Consistency, bias-variance decomposition. • Likelihood and maximum likelihood estimators. Exponential families. • Fisher information, Cramer-Rao bound lower bound on the variance of an unbiased estimator. • Asymptotic normality, Delta-method. • Asymptotic properties of the maximum likelihood estimators and associated tests • Likelihood-ratio tests, Uniformly more powerful tests • Mixture models, EM algorithm. All methods will be illustrated in practical sessions using Python.

Objectifs pédagogiques

After successfully taking this course, a student should be able to: • master the techniques of mathematical statistics.

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires: Final Exam, grading scale: (min) 0 – 20 (max) Labs, grading scale: (min) 0 – 20 (max) The final grade is the average of the exam and the labs grades. Passing grade is 10/20.

Ressources en ligne

1. Larry Wasserman, All of Statistics, A concise course in statistical inference.Springer, 2003. 2. A.Van der Vaart, Asymptotic Statistics. Cambridge University Press, 1998. 3. Vincent Rivoirard and Gilles Stoltz, Statistique en Action. Vuibert, 2009.

Pédagogie

24 hours, 6 lectures, 4 exercise sessions, 2 labs

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

Probability 1. Statistics 1.

Nombre maximum d'inscrits

Remarques

Libellé du cours :	Machine learning 3: Deep learning
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_S2_ML3 - Machine learning 3: Deep learn

Equipe pédagogique

Enseignants : Monsieur PIERRE-ANTOINE THOUVENIN / Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

● reminder (ML1) + some complements: introduction to formal neural networks, the perceptron, training a perceptron, multilayer perceptron, full presentation of the backpropagation of the gradient of the error (incl. tricks to make it work in practice) ● elements of the formal analysis of neural networks (incl. MLP and their approximation ability) ● limitations of the classical MLP + backprop approach (vanishing or exploding gradient, etc.) ● the renewal of neural networks: deep learning and convolutional networks (conv / pool layers) ● deep net as a representation learner (auto-encoders, restricted Boltzmann machines) ● efficient deep net training (batch normalization, dropout, regularization etc.) ● recurrent neural networks and long-short time memories ● generative adversarial networks.

Objectifs pédagogiques

After successfully taking this course, a student should: ● know and understand the main concepts related to neural networks ● know the main types of neural networks (feedforward, convolutional, recurrent) and neurons ● know the main algorithms to train a neural network in practice ● understand the design of a deep neural network ● know how to use a neural network in practice to solve a particular supervised learning problem ● understand the limits of neural networks ● know theoretical properties of deep nets

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)

Ressources en ligne

Hastie & Tibshirani, The Elements of Statistical Learning, Springer 2009. Goodfellow, Bengio, Courville, The Deep Learning book, MIT Press, 2016.

Pédagogie

24 hours, 6 lectures 6 exercises / labs

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

ML1. ML2. Python & tools for research. Bases of optimization.

Nombre maximum d'inscrits

Remarques

Libellé du cours :	Models for Machine Learning
Département d'enseignement :	EEA / Electronique Electrotechnique Automatique
Responsable d'enseignement :	Monsieur PIERRE-ANTOINE THOUVENIN
Langue d'enseignement :
Ects potentiels :	0
Grille des résultats :
Code et libellé (hp) :	MR_DS_S2_MML - Models for Machine Learning

Equipe pédagogique

Enseignants : Monsieur PIERRE-ANTOINE THOUVENIN
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

Introduction à l'analyse statistique bayésienne. Les notions et méthodes suivantes seront abordées : - définitions élémentaires (vraisemblance, distribution a priori, distribution a posteriori, distribution prédictive, loi conditionnelles et marginales, ...); - distribution a priori conjuguée, non-informative, famille exponentielle; - modèles hiérarchiques; - représentation graphique à l'aide d'un graphe acyclique orienté; - algorithme de Monte Carlo par chaînes de Markov (MCMC) (algorithme de Metropolis-Hastings, échantillonneur de Gibbs, effective sample size (ESS)).

Objectifs pédagogiques

Après validation du cours, les étudiants seront capables de : - identifier un modèle pertinent en fonction des données disponibles; - formuler un problème d'apprentissage sous forme d'un problème d'optimisation; - identifier la nature des distributions impliquées dans un problème d'apprentissage (distribution a posteriori, prédictive, marginales, ...); - comprendre les connexions entre modélisation déterministe et probabiliste; - comprendre les implications du choix d'un modèle sur les résultats; - implanter une approche simple pour résoudre le problème (MCMC).

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires: Évaluation continue, basée sur - compte-rendu de TP, 45 % de la note finale : (min) 0 – 20 (max) - examen, 55 % de la note finale : (min) 0 – 20 (max) Examen de rattrapage (session 2): - épreuve d'examen notée sur 20 points - note final du cours : 70% session 1 (note de l'évaluation continue), 30% session 2

Ressources en ligne

Livres et articles de référence, à disposition sur Moodle. Robert, C. P. (2007). The Bayesian choice: from decision-theoretic foundations to computational implementation (Vol. 2). New York: Springer. Bishop, C. M., & Nasrabadi, N. M. (2006). Pattern recognition and machine learning (Vol. 4, No. 4, p. 738). New York: springer. Murphy, K. P. (2012). Machine learning: a probabilistic perspective. MIT press. Jones, Galin L and Qin, Qian (2022). Markov Chain Monte Carlo in Practice, Annual Review of Statistics and Its Application (Vol. 9, pp. 557-578) Robert, C. P., Casella, G., & Casella, G. (1999). Monte Carlo statistical methods (Vol. 2). New York: Springer.

Pédagogie

TP (6h) and TD (2 x 2h). Examen final (2h). 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 1 semestre du master 1 Data science : Python and tools for research, Machine learning 1, Probability 1 & 2, Statistics 1. Notions en optimisation.

Nombre maximum d'inscrits

Remarques

Cours enseigné intégralement en anglais.

Libellé du cours :	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_S2_SPR - Signal processing

Equipe pédagogique

Enseignants : Monsieur PIERRE-ANTOINE THOUVENIN / Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

• Usual signals ◦ Discrete and continuous signals, sampling, sensors ◦ Time series ◦ Images • The notion of representation ◦ Fourier transform, orthogonal bases / overcomplete representations ◦ Linear transforms in practice • Usual representations ◦ Global representations: FT, DFT, DCT ◦ STFT, Wavelets, Splines… ◦ Discrete cosines transform… • Sparse representations ◦ The notion of sparsity ◦ L1-penalty, LASSO… • Inverse problems in signal processing ◦ Denoising, Interpolation/inpainting ◦ Segmentation ◦ Filtering, smoothing

Objectifs pédagogiques

After successfully taking this course, a student should be able to: • Understand how to work with discrete representations of continuous signals • Manage usual changes of representation: Fourier, STFT, discrete cosines, splines, wavelets… • Choose an adequate representation depending on the data at hand • Solve data processing problems with continuous signals/functional data

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires: Exam, grading scale: (min) 0 – 20 (max) Labs, grading scale: (min) 0 – 20 (max) Average passing grade = 10/20

Ressources en ligne

Signal Processing & Linear Systems, B.P. Lathi 1998 Foundations of signal processing. Vetterli, Kovacevic & Goyal, 2014 A complete and recent overview of modern signal processing.

Pédagogie

24 hours, 7 lectures 5 exercises/labs

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

Bases of linear algebra, integration and functional analysis ; optimization Fundamental mathematics, Probability 1, Statistics 1, Python.

Nombre maximum d'inscrits

Remarques

Libellé du cours :	Data Challenge
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_S2_DCA - Data Challenge

Equipe pédagogique

Enseignants : Monsieur PIERRE-ANTOINE THOUVENIN / Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

A short-term data challenge will be proposed to students (either by pairs or groups) over a short period of time (1 week) so that they can get familiar with the methodology of the participation to a Kaggle competition thanks to team collaboration. This project will be based on some datasets and will be supervised by a team of coaches/supervisors.

Objectifs pédagogiques

After successfully taking this course, a student should be able to: ● participate to a data challenge, ● handle brute datasets, ● give a presentation of his results and methods ● work in a team and collaborate with others.

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires: Report + final presentation + score: grading scale: (min) 0 – 20 (max) Passing grade = 10/20

Ressources en ligne

Provided by the supervisors.

Pédagogie

Language of instruction is specified in the course offering information in the course and programme directory. English is the default language.

Séquencement / modalités d'apprentissage

Nombre d'heures en CM (Cours Magistraux) :	0
Nombre d'heures en TD (Travaux Dirigés) :	24
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

M1S1

Nombre maximum d'inscrits

Remarques

Libellé du cours :	Seminars
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_S2_SEM - Seminars

Equipe pédagogique

Enseignants : Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

A weekly seminar will permit students to hear about all kinds of research areas connected to machine learning.

Objectifs pédagogiques

After successfully taking this course, a student should: ● Understand topics of various areas, ● Have an overview of the main research area in machine learning ● Know how to exploit seminars for his own improvement.

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires:

Ressources en ligne

Provided by the speaker.

Pédagogie

Contact with in ongoing research by attending experts' presentations.

Séquencement / modalités d'apprentissage

Nombre d'heures en CM (Cours Magistraux) :	0
Nombre d'heures en TD (Travaux Dirigés) :	24
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

Nombre maximum d'inscrits

Remarques

Libellé du cours :	Internship
Département d'enseignement :	EEA / Electronique Electrotechnique Automatique
Responsable d'enseignement :
Langue d'enseignement :
Ects potentiels :	0
Grille des résultats :
Code et libellé (hp) :	MR_DS_S2_INT - Internship

Equipe pédagogique

Enseignants :
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

This first internship aims at a first professional experience in either a research lab or a company for at least 6 to 14 weeks.

Objectifs pédagogiques

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires: Report + final presentation: 6 credits, grading scale: (min) 0 – 20 (max) Passing grade = 10/20

Ressources en ligne

Pédagogie

Séquencement / modalités d'apprentissage

Nombre d'heures en CM (Cours Magistraux) :	0
Nombre d'heures en TD (Travaux Dirigés) :	0
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

M1S1+M1S2 courses.

Nombre maximum d'inscrits

Remarques

Libellé du cours :	Research project
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_S2_RPR - Research project

Equipe pédagogique

Enseignants : Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

A short-term research project will be given to students (either alone or by pairs or groups) over a period of 3 to 4 months so that they can get familiar with the methodology of research. This project will in general include the reading of an article that introduces some algorithm that should be implemented in the end.

Objectifs pédagogiques

After successfully taking this course, a student should be able to: ● read easy reading research articles, ● move from an article to the implementation of the proposed method, ● write a research report and give a small talk about his work

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires: Report + final presentation : 3 credits, grading scale: (min) 0 – 20 (max) Passing grade = 10/20

Ressources en ligne

Pédagogie

Séquencement / modalités d'apprentissage

Nombre d'heures en CM (Cours Magistraux) :	0
Nombre d'heures en TD (Travaux Dirigés) :	24
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

Attend the M1 programme.

Nombre maximum d'inscrits

Remarques

Libellé du cours :	English
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_S3_ANG - Anglais

Equipe pédagogique

Enseignants : Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

This class is for students who need to improve their english beyond a B2 level. The TOEIC might be proposed. Another language might be proposed to those who have a sufficiently high level in english.

Objectifs pédagogiques

Different types of classes will be proposed depending on the level.

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires:

Ressources en ligne

Pédagogie

Séquencement / modalités d'apprentissage

Nombre d'heures en CM (Cours Magistraux) :	0
Nombre d'heures en TD (Travaux Dirigés) :	24
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

Nombre maximum d'inscrits

Remarques

Libellé du cours :	FLE
Département d'enseignement :	EEA / Electronique Electrotechnique Automatique
Responsable d'enseignement :	Madame HAKIMA LARABI / Madame VERONIQUE DZIWNIEL
Langue d'enseignement :
Ects potentiels :	0
Grille des résultats :
Code et libellé (hp) :	MR_DS_S3_FLE - FLE ou 2nde langue

Equipe pédagogique

Enseignants : Madame HAKIMA LARABI / Madame VERONIQUE DZIWNIEL
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

Students will be able to express themselves and understand French, feel comfortable in everyday day, during their studies and in professional contexts.

Objectifs pédagogiques

To reach these objectives, students will be able to : -use their language skills to deal with written and oral documents, -feel at ease in class and everyday life situations (phone calls, health, shopping, administration …), -understand the French approach to scientific and professional documents (how to write an email, a cover letter, a CV, basic approach to scientific articles, etc …) NB : students will have the opportunity to take delf/dalf exams (at their own cost).

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires: Strong emphasis will be placed on active participation. Oral and written tests will be organized on a regular basis. Linguistic and communication competences will be assessed using the the Common European Framework of Reference for Languages (CEFR).

Ressources en ligne

-Bibliography: Grammaire progressive du français, CLE international, Paris, (several levels) Vocabulaire progressif du français , CLE international (several levels) Jean-Luc Penfornis, Vocabulaire progressif du français des affaires, CLE INTERNATIONAL, (several levels) Claude Simard, Suzanne-G. Chartrand, Grammaire de base, De Boeck, Bruxelles, 2012 -Written and oral documents , videos, articles etc … -Didactic Equipment and software -real life artefacts

Pédagogie

Use of written and oral documents, real life artefacts Interactive learning

Séquencement / modalités d'apprentissage

Nombre d'heures en CM (Cours Magistraux) :	0
Nombre d'heures en TD (Travaux Dirigés) :	24
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

Courses will be tailored to the student’s level.

Nombre maximum d'inscrits

Remarques

Cours mutualisés Masters, ENSCL et Ecole Centrale pour permettre la répartition en groupes de niveaux.

Libellé du cours :	LV2
Département d'enseignement :	EEA / Electronique Electrotechnique Automatique
Responsable d'enseignement :
Langue d'enseignement :
Ects potentiels :	0
Grille des résultats :
Code et libellé (hp) :	MR_DS_S3_LV2 - LV2 au choix

Equipe pédagogique

Enseignants :
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

Objectifs pédagogiques

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires:

Ressources en ligne

Pédagogie

Séquencement / modalités d'apprentissage

Nombre d'heures en CM (Cours Magistraux) :	0
Nombre d'heures en TD (Travaux Dirigés) :	24
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

Nombre maximum d'inscrits

Remarques

Libellé du cours :	Algorithmics and databases 1 - Databases
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_AD1 - Algorithmics and databases 1 -

Equipe pédagogique

Enseignants : Monsieur PIERRE-ANTOINE THOUVENIN / Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

The course will go through the following topics: • logic syntax vs semantics • finite models and model checking • conjunctive queries • acyclic queries and Yannakakis algorithm • representation of query solutions by means of circuits • circuits and aggregation • fixedpoint logic and datalog • naive and semi-naive evaluation of datalog queries • supplementary magic set rewriting

Objectifs pédagogiques

The goal of this course is present theoretical foundations of databases. It presents the various connections with logic, optimizations of logical queries. Successful students attending this course will learn: • syntax and semantics of several logics • the algorithmics behind logical querying • various optimization methods for logical queries

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires: Labs, 4.0 credits, grading scale: A, B, C, D, E, F Exam, 2 credits, grading scale: A, B, C, D, E, F

Ressources en ligne

Serge Abiteboul, Richard B. Hull, Victor Vianu: Foundations of Databases. Addison-Wesley, 1995.

Pédagogie

24 hours, 8 lectures 4 exercises

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 mathematical knowledge and basic knowledge in databases

Nombre maximum d'inscrits

Remarques

Libellé du cours :	Algorithmics and databases 2 - High Performance Computing
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_AD2 - Algorithmics and databases 2 -

Equipe pédagogique

Enseignants : Monsieur PIERRE-ANTOINE THOUVENIN / Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

This course aims at presenting the basics of parallel and high performance computing on one or multiple node(s) of multi-core CPUs and GPUs. This includes: · parallel architectures, · parallel algorithmics, · data and task parallelism, · data distribution and load balancing, · parallel programming on distributed-memory architectures (MPI standard), · sequential code optimization for high performance computing, · GPU programming and optimization

Objectifs pédagogiques

After successfully taking this course, a student should be able to: · know the various parallel architectures and the various parallel programming models, · design parallel algorithms, · design, implement and optimize parallel programs on high performance architectures (one or multiple node(s) of multi-core CPUs and GPUs), · determine whether an application is relevant for CPU and/or GPU parallel acceleration, · use a supercomputer with multiple CPU+GPU nodes.

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires: Project, (min) 0 - 20 (max) Oral exam, (min) 0 - 20 (max) Passing grade 10/20

Ressources en ligne

• Parallel Programming in C with MPI and OpenMP, M.J. Quinn • U.C. Berkeley CS267 (J. Demmel et al.): http://www.cs.berkeley.edu/~demmel • Univ. Tennessee Knoxville CS 594 (J. Dongarra et al.): http://www.netlib.org/utk/people/JackDongarra/courses.htm • IDRIS course on MPI: http://www.idris.fr/formations/mpi/ • CUDA documentation (https://docs.nvidia.com/cuda/index.html) and courses (https://developer.nvidia.com/educators/existing-courses)

Pédagogie

24 hours, 6 lectures, 6 labs/tutorial sessions English is the default language.

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

C or Python programming

Nombre maximum d'inscrits

Remarques

Libellé du cours :	Algorithmics and databases 3
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_AD3 - Algorithmics and databases 3

Equipe pédagogique

Enseignants : Monsieur PIERRE-ANTOINE THOUVENIN / Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

Objectifs pédagogiques

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires:

Ressources en ligne

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

Nombre maximum d'inscrits

Remarques

Libellé du cours :	Refresher in computer science
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_RCS - Refresher in computer science

Equipe pédagogique

Enseignants : Monsieur PIERRE-ANTOINE THOUVENIN / Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

Fundamentals of object oriented programming, with a strong focus on the Python programming language. This course emphasizes the theoretical fundamentals of object oriented programming with hands-on training for rapidly prototyping applications. The practicals will illustrate : ● the benefits of object oriented programming, ● the ability of Python to quickly translate ideas into code, ● the process of developing and scaling a proof-of-concept, and preparing for production. Some of the frameworks and tools we will utilize are : ● pyTest, cProfile, pycallgraph, Pylint, Travis, asyncio, zeroMQ, Docker, Flask.

Objectifs pédagogiques

After successfully taking this course, a student should: ● understand the notions of class and object, ● understand the concepts of encapsulation and inheritance, ● understand the most common design patterns used in object oriented programming, ● understand the principle of inversion-of-control through dependency injection, ● lay the groundwork for testing, analyzing and profiling software, ● learn to leverage continuous integration in the development process, ● learn to package and prepare an application for production, ● learn to scale applications through asynchronous parallelization, ● learn to quickly prototype applications with simple web frontends.

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)

Ressources en ligne

Design Patterns: Elements of Reusable Object-Oriented Software. Erich Gamma, Richard Helm, Ralph Johnson, John Vlissides. Python Programming: An Introduction to Computer Science. John Zelle. Clean Code: A Handbook of Agile Software Craftsmanship. Robert C. Martin Series. Flask Web Development: Developing Web Applications with Python. Miguel Grinberg. Continuous Delivery: Reliable Software Releases through Build, Test, and Deployment Automation. Jez Humble, David Farley.

Pédagogie

24 hours, 8 lectures 4 exercises Language of instruction is specified in the course offering information in the course and programme directory. English is the default language.

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

Basics of programming in Python.

Nombre maximum d'inscrits

Remarques

Libellé du cours :	Refresher in mathematics
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_RMA - Refresher in mathematics

Equipe pédagogique

Enseignants : Monsieur PIERRE-ANTOINE THOUVENIN / Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

Reminders on linear algebra and applications: Discrete Fourier Transform, Singular Value Decomposition, linear regression, low rank approximations. Basics on optimization with constraints. Lagrange multipliers. Uzawa algorithm.

Objectifs pédagogiques

After successfully taking this course, a student should be familiar with fundamental concepts from linear algebra and nonlinear optimization which are relevant to data science.

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires: Exam1, (min) 0 - 20 (max) Exam2, (min) 0 - 20 (max) Passing grade 10/20

Ressources en ligne

Gene H Golub and Charles F Van Loan. Matrix computations. JHU press, 2013.

Pédagogie

24 hours, 12 hours lectures, 12 hours exercise session.+ English is the default language.

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 mathematical knowledge

Nombre maximum d'inscrits

Remarques

Libellé du cours :	Theoretical foundations of machine learning 1 - Bayesian Learning
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_TF1 - Theoretical foundations of mac

Equipe pédagogique

Enseignants : Monsieur PIERRE-ANTOINE THOUVENIN / Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

· Probabilistic modeling and parameter inference as the main learning task · Bayesian decision theory · Refresher on MCMC · Variational inference · Gaussian processes, and their application to regression · Bayesian optimization, with application to hyperparameter tuning · Bayesian neural networks

Objectifs pédagogiques

After successfully taking this course, students should be able to: · Understand the philosophy of the Bayesian framework, and how it can be used to make decisions under uncertainty · Design probabilistic models for the task at-hand · Run some computational tools for Bayesian inference, either MCMC or variational inference · Know about the limitations of those approaches, and be knowledgeable about topical research questions

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires: Labs (60% of the grade) : (min) 0 - 20 (max) Final exam (40% of the grade) : (min) 0 - 20 (max) Passing grade 10/20

Ressources en ligne

Probabilistic Machine Learning: Advanced Topics, Kevin Murphy (2023) Bayesian Reasoning and Machine Learning, David Barber (2012) Pattern Recognition and Machine Learning, Christopher Bishop (2006) The Bayesian Choice, Christian Robert (2007)

Pédagogie

24 hours, which include 4 labs and a final exam English is the default language

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

From the M1 year : Statistics 2, Models for Machine Learning

Nombre maximum d'inscrits

Remarques

Libellé du cours :	Theoretical foundations of machine learning 2 - Sequential Decision Making
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_TF2 - Theoretical foundations of mac

Equipe pédagogique

Enseignants : Monsieur PIERRE-ANTOINE THOUVENIN / Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

● The problem of sequential decision making under uncertainty ● Markov decision problems ● the planning problem, and algorithms ● the reinforcement learning problem, and algorithms (incl. deep reinforcement learning) ● the bandit problem, and algorithms All notions visited during the course are investigated in practical sessions. Course details can be found in: https://debabrota-basu.github.io/course_bandit_rl.html

Objectifs pédagogiques

After successfully taking this course, a student should be: ● know what the problem of sequential decision making under uncertainty is ● know the various approaches to solve, along with the associated hypothesis ● know how to recognize such a problem, and model it accordingly ● know Markov decision problems, and related problems ● know about the main planning algorithms to solve them ● know about reinforcement learning approaches ● know the bandit problem, and the main algorithms

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires: Labs, 1.5 credits, grading scale: (min) 0 – 20 (max) - Passing grade = 10/20 Exam, 1.5 credits, grading scale: (min) 0 – 20 (max) - Passing grade = 10/20

Ressources en ligne

Bertsekas, Dynamic programming and optimal control, MIT Press Bertsekas, Neurodynamic Programming, MIT Press Puterman, Markov decision processes, Wiley Sutton, Barto, Reinforcement Learning, MIT Press, 2nd edition Tor Lattimore and Csaba Szepesvari, Bandit Algorithms, Cambridge University Press

Pédagogie

24 hours, 12h lectures, 12h labs/tutorial sessions + English is the default language.

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

The M1 program + Machine learning 3

Nombre maximum d'inscrits

Remarques

Libellé du cours :	Theoretical foundations of machine learning 3
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_TF3 - Theoretical foundations of mac

Equipe pédagogique

Enseignants : Monsieur PIERRE-ANTOINE THOUVENIN / Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

-

Objectifs pédagogiques

-

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires:

Ressources en ligne

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

-

Nombre maximum d'inscrits

Remarques

Libellé du cours :	Advanced Machine Learning 1 - Natural Learning 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_AM1 - Advanced machine learning 1

Equipe pédagogique

Enseignants : Monsieur PIERRE-ANTOINE THOUVENIN / Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

NLP: definition, applications, evaluation, brief history NLP pipeline: tokenization, symbolic and neural processing Language modeling Embeddings/RNN/Attention/Transformers Unsupervised learning, scaling, transfer, and training stages (RLHF) Text encoding, efficiency issues, multimodality Agents, tool use, RAG Privacy, fairness, multilinguality, data annotation

Objectifs pédagogiques

After successfully taking this course, a student should be able to: Roughly understand and apply modern NLP models

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires: Project (min) 0 - 20 (max) Knowledge Exam (min) – 0 – 20 (max) Paper presentation, (min) 0 - 20 (max) Passing grade 10/20

Ressources en ligne

Introduction to Natural Language Processing By Jacob Eisenstein

Pédagogie

24 hours, 8 lectures + labs/tutorial sessions

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

Preferably: machine learning and basic computer science, Python

Nombre maximum d'inscrits

Remarques

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 - représentation paramétrique / non-paramétrique, apprentissage de dictionnaire - 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 équivalents) : Python and tools for research, Signal processing, Machine learning 1, Probability 1 & 2, Statistics 1 & 2, Models for machine learning. Notions en optimisation.

Nombre maximum d'inscrits

Remarques

Un examen est proposé en session 2 si la note moyenne en session 1 (évaluation continue) est inférieure à 10/20.

Libellé du cours :	Advanced Machine Learning 3 - Fairness in Thrustworthy Machine Learning
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_AM3 - Advanced machine learning 3

Equipe pédagogique

Enseignants : Monsieur PIERRE-ANTOINE THOUVENIN / Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

Nowadays, machine learning methods find widespread application due to their ability to learn models that per-form outstandingly, sometimes reaching human-level capabilities. However, if these models have the potential to impact human lives, for example in justice, solely evaluating them in terms of accuracy is not sufficient any-more. Other notions then need to be considered to ensure that the models are trustworthy and that they do not have a negative impact on individuals. This course will focus on fairness as a trustworthiness concept that aims to eliminate discrimination in machine learning models. First, we will recognize various sources of unfairness before exploring several of the numerous fairness metrics proposed in literature. Then, focusing on a family of measures, we will study several strategies to mitigate these discriminatory behaviors. Finally, we will examine how privacy, another important aspect of trustworthiness, can affect fairness.

Objectifs pédagogiques

The goal of this course is to provide an introduction to the problem of fair machine learning, a core concept for building more trustworthy systems. After successfully completing this course, a student should: • Be able to identify machine learning problems where fairness issues may arise. • Be able to evaluate the degree of unfairness of the models with various metrics. • Be able to deploy some existing solutions to mitigate the discriminatory behaviors. • Be aware of the potential impact that privacy may have on fairness.

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires: Practicals, (min) 0 - 20 (max) Written exam, (min) 0 - 20 (max) Passing grade 10/20

Ressources en ligne

• "Fairness and Machine Learning: Limitations and Opportunities", Solon Barocas, Moritz hardt, Arvind Narayanan • "The Algorithmic Foundations of Differential Privacy", Cynthia Dwork, Aaron Roth

Pédagogie

24 hours, 6 lectures, 6 practical sessions.

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 notions of probabilities and statistics • Basic notions of linear algebra • Core concepts in machine learning (e.g. supervised learning, empirical risk minimization, gradient descent, …) • Python programming (e.g. jupyter notebook, numpy, pandas, scikit-learn, ...)

Nombre maximum d'inscrits

Remarques

Libellé du cours :	Advanced Machine Learning 4 - Computer Vision
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_AM4 - Advanced machine learning 4

Equipe pédagogique

Enseignants : Monsieur PIERRE-ANTOINE THOUVENIN / Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

• Image processing • Keypoints and Landmarks • Object classification and detection • Optical Flow – foundation and principles + deep learning approaches • Unsupervised Visual Feature Learning

Objectifs pédagogiques

After successfully taking this course, a student should be able to: · Understand the properties of visual data and the challenges associated to it · Master some fundamental tools in computer vision · Identify computer vision problems and leverage the right tools to solve them · Address current computer vision problems by employing state-of-the-art solutions

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires: Labs, (min) 0 - 20 (max) Exam, (min) 0 - 20 (max) Passing grade 10/20

Ressources en ligne

R. Szeliski - Computer Vision: Algorithms and Applications, Springer 2010 R. Szeliski - Computer Vision: Algorithms and Applications – 2nd edition, Springer 2022

Pédagogie

24 hours, 12 lectures, 12 labs/tutorial sessions

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 courses from M1 Data Science Signal Processing course from M1 Data Science

Nombre maximum d'inscrits

Remarques

Libellé du cours :	Advanced machine learning 5
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_AM5 - Advanced machine learning 5

Equipe pédagogique

Enseignants : Monsieur PIERRE-ANTOINE THOUVENIN / Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

Objectifs pédagogiques

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires:

Ressources en ligne

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

Nombre maximum d'inscrits

Remarques

Libellé du cours :	Advanced machine learning 6
Département d'enseignement :	EEA / Electronique Electrotechnique Automatique
Responsable d'enseignement :
Langue d'enseignement :
Ects potentiels :	0
Grille des résultats :
Code et libellé (hp) :	MR_DS_S3_AM6 - Advanced machine learning 6

Equipe pédagogique

Enseignants :
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

Objectifs pédagogiques

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires:

Ressources en ligne

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

Nombre maximum d'inscrits

Remarques

Libellé du cours :	Ethics and digital law
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_S4_EDL - Ethics and digital law

Equipe pédagogique

Enseignants : Monsieur PIERRE-ANTOINE THOUVENIN / Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

Ethics and right of data, complementarity or competition? The place of codes of conduct and certification. • Personal data : notion and sources of notion and sources of regulation • Non personal data and public data : notions and sources of regulation • The person concerned by data processing, the person responsible for data processing • Main principles of RGPD (european regulation) • Legal causes of data processing: agreement and consent • Legal causes of data processing: the legitimate interest in collecting data • Rights and obligations of the person concerned by data • Rights and obligations of the person responsible for data processing • Transfer of personal data toward other countries or international organisations • The delegate to data protection • The french CNIL, the european committee for data protection, the european

Objectifs pédagogiques

The goal of this course is to give students insights in the main aspects of right and ethics as far as data analysis is concerned.

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires: Exam, grading scale: (min) 0 – 20 (max) - Passing grade = 10/20

Ressources en ligne

Pédagogie

24 hours, 12 lectures. Language of instruction is specified in the course offering information in the course and program directory. English is the default language.

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

None

Nombre maximum d'inscrits

Remarques

Libellé du cours :	Reading group
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_S4_RGR - Reading group

Equipe pédagogique

Enseignants : Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

On a regular basis, every week, an M2 student will have to present an article he has read and prepared for sharing with other M2 students.

Objectifs pédagogiques

After successfully taking this course, a student should be able to: ● read research articles of high level, ● move from an article to the implementation of the proposed method, ● write a research report and give a small talk about his work ● assert his confidence level in the quality of the publication

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires: A short report will be asked on the basis of read articles.

Ressources en ligne

Pédagogie

Séquencement / modalités d'apprentissage

Nombre d'heures en CM (Cours Magistraux) :	0
Nombre d'heures en TD (Travaux Dirigés) :	24
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

Nombre maximum d'inscrits

Remarques

Libellé du cours :	Seminars
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_S4_SEM - Seminars

Equipe pédagogique

Enseignants : Monsieur PIERRE-ANTOINE THOUVENIN / Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

Each seminar will focus on a specific topic in data science, presented by a researcher or industry expert.

Objectifs pédagogiques

After successfully taking this course, a student will have a basic knowledge on various topics in data science (current research topic, a team’s research theme, some application of ML/DS in the industry,... )

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires: A 3-5 pages presenting a seminar with a personal analysis and a bibliography on the subject Passing grade 10/20

Ressources en ligne

Pédagogie

24 hours, 12 sessions English is the default language.

Séquencement / modalités d'apprentissage

Nombre d'heures en CM (Cours Magistraux) :	0
Nombre d'heures en TD (Travaux Dirigés) :	24
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 in maths, computer science and data science.

Nombre maximum d'inscrits

Remarques

Libellé du cours :	Internship and memoir
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_S4_IME - Internship and memoir

Equipe pédagogique

Enseignants : Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

This final internship aims at a first professional experience in either a research lab or a company for at least 4 to 6 months. The subject must be in line with the master's programme and a professional project.

Objectifs pédagogiques

Students should be ready for their first professional position or to begin a PhD.

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires: Report + final presentation: 6 credits, grading scale: (min) 0 – 20 (max) Passing grade = 10/20

Ressources en ligne

Pédagogie

Séquencement / modalités d'apprentissage

Nombre d'heures en CM (Cours Magistraux) :	0
Nombre d'heures en TD (Travaux Dirigés) :	0
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

Nombre maximum d'inscrits

Remarques

Libellé du cours :	Data challenge
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_S4_DCH - Data challenge

Equipe pédagogique

Enseignants : Monsieur PIERRE-ANTOINE THOUVENIN / Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

A short-term data challenge will be proposed to students (either by pairs or groups) over a short period of time (1 week) so that they can get familiar with the methodology of the participation to a Kaggle competition thanks to team collaboration. This project will be based on some datasets and will be supervised by a team of coaches/supervisors.

Objectifs pédagogiques

After successfully taking this course, a student should be able to: ● participate to a data challenge, ● handle brute datasets, ● give a presentation of his results and methods ● work in a team and collaborate with others.

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires: Report + final presentation + score: grading scale: (min) 0 – 20 (max) Passing grade = 10/20

Ressources en ligne

Provided by the supervisors.

Pédagogie

Language of instruction is specified in the course offering information in the course and programme directory. English is the default language.

Séquencement / modalités d'apprentissage

Nombre d'heures en CM (Cours Magistraux) :	0
Nombre d'heures en TD (Travaux Dirigés) :	24
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

M1S1

Nombre maximum d'inscrits

Remarques

Libellé du cours :	Research project
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_S4_RPR - Research project

Equipe pédagogique

Enseignants : Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires

Résumé

A short-term research project will be given to students (either alone or by pairs or groups) over a period of 5 to 6 months so that they can get familiar with the methodology of research. This project will in general include the reading of an article that introduces some algorithm that should be implemented in the end.

Objectifs pédagogiques

After successfully taking this course, a student should be able to: ● read easy reading research articles, ● move from an article to the implementation of the proposed method, ● write a research report and give a small talk about his work

Objectifs de développement durable

Modalités de contrôle de connaissance

Contrôle Continu
Commentaires: Report + final presentation : 3 credits, grading scale: (min) 0 – 20 (max) Passing grade = 10/20

Ressources en ligne

Pédagogie

Research by searching.

Séquencement / modalités d'apprentissage

Nombre d'heures en CM (Cours Magistraux) :	0
Nombre d'heures en TD (Travaux Dirigés) :	24
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

Attend the M2 programme.

Nombre maximum d'inscrits

Remarques