| 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