Descriptif
Ce cours est recommandé aux étudiants des filières IMA ou IGR. Ces étudiants peuvent suivre SI221-A ou SI221-B. Le cours SI221-A est destiné aux étudiants plus enclins à une approche conceptuelle plus mathématiques et le cours SI221-B est destiné aux étudiants plus enclins à une approche opérationelle plus pratique. SI221-A est en anglais et est mutualisé avec le cours de Master M2 MICAS911.
Ce cours présente les principes fondamentaux de l'apprentissage automatique et de l'inférence statistique de manière unifiée et développe des algorithmes pour des applications importantes. Le cours s'articule autour de la question "Quand peut-on apprendre une tâche donnée?".
Objectifs pédagogiques
Acquis d'apprentissageÀ l'issue de l'UE, l'élève sera capable de:
- Expliquer de façon unifiée ce qu'est l'apprentissage.
- Déterminer des limites fondamentales sur ce qui peut ou peut pas être appris.
- Implémenter des algorithmes d'apprentissage pour des tâches spécifiques.
Compétences de rattachement (et justification)
- BC5.2 – Concevoir un système de traitement de données, d’intelligence artificielle, d’apprentissage machine dans un objectif d’aide à la décision ou de recherche automatique d’information; Justification : Le cours enseigne l'implémentation (en full-stack; conception, implémentation, test, validation) d'algorithmes d'apprentissage pour des tâches spécifiques, y compris dans un contexte d'aide à la décision et de recherche automatique d'information.
- BC5.4 – Tester, gérer un système de traitement de données, d’intelligence artificielle, d’apprentissage machine dans un objectif d’aide à la décision ou de recherche automatique d’information; Justification : Le cours enseigne l'implémentation (en full-stack; conception, implémentation, test, validation) d'algorithmes d'apprentissage pour des tâches spécifiques, y compris dans un contexte d'aide à la décision et de recherche automatique d'information.
24 heures en présentiel
3 heures de travail personnel estimé pour l’étudiant.
Diplôme(s) concerné(s)
Parcours de rattachement
Format des notes
Numérique sur 20Littérale/grade européenProgramme détaillé
- Why ML? ML and the broader landscape, ML vs. AI
- PAC/APAC model of learning, supervised and unsupervised learning as special cases, ERM, No Free Lunch Theorem
- Learning through uniform convergence, shattering, VC dimension
- What can/cannot be learned, statistical vs. computational complexity of learning
- Linear separators
- Linear regression, logistic regression
- Model selection/validation, K-NN, K-Means
