Fundamentals of machine learning

Fundamentals of machine learning GIN4ML1

Enseignant:

Email:

Durée totale du cours: 22.5 H

Option concernée :

Ingénierie logicielle  Nombre de crédits : 2

Ingénierie des connaissances Nombre de crédits 3

Semestre : 4

Objectif du module :

Contenu du  cours

• Algèbre linéaire
• Méthodes de régression et régression logistique
• Soutenir les machines vectorielles
• Modèles d'apprentissage automatique basés sur des arbres
• Clustering et réduction de la dimensionnalité
• Les réseaux de neurones
• Techniques d'évaluation
• Apprentissage automatique à grande échelle
• Conception de système d'apprentissage automatique

Méthodes d'enseignement / d'apprentissage

• Introduire les idées de base de l'apprentissage automatique pour mettre en place une solide compréhension des algorithmes d'apprentissage fondamentaux
• Introduire les connaissances mathématiques nécessaires à l'apprentissage automatique telles que l'algèbre linéaire
• Apprendre à analyser le problème d'un point de vue mathématique et identifier le meilleur paradigme d'apprentissage automatique qui peut être utilisé pour construire des solutions possibles
• Acquérir des compétences de base en programmation et comprendre les outils logiciels, les environnements de développement, les bibliothèques et les composants réutilisables tels que les bibliothèques Python
• Acquérir des compétences d'application de méthodes d'apprentissage automatique et d'utilisation de logiciels informatiques (Python) pour résoudre des problèmes représentatifs
• Les compétences impliquent l'identification et l'analyse des problèmes en fonction de certaines connaissances du domaine et le développement de solutions logicielles pour résoudre les problèmes.

• Conférences et présentation de nouveau matériel aux étudiants avec discussion en classe associée
• Séances de laboratoire au cours desquelles les étudiants auront l'occasion de développer leurs compétences en programmation et l'utilisation de bibliothèques pour résoudre des problèmes
• Une mission de codage basée sur Python avec un rapport écrit associé.
• Cours de révision programmés qui démontrent les principes de la théorie dans des exemples concrets quantitatifs et préparent les étudiants à l'examen écrit.

• Enseignement frontal (magistral) avec des exemples à résoudre en
• Exercices théoriques et études de cas (présentation et discussion).
• Travaux pratiques (laboratoire)
• Travaux à faire à domicile (mini-projet, exposé, compte-rendu, …)

Connaissances et compétences pré-requises

• Aucun

Références bibliographiques

• Un polycopié (Notes du cours) de l’enseignant sera
• https://readinglists.surrey.ac.uk

Modalité d’évaluation

• 40% Contrôle continu (TP noté, Test, Assiduité, Devoir surveillé, travaux non présentiel, …)
• 60% Examen

• connaissance des concepts d'apprentissage automatique, y compris pourquoi l'apprentissage automatique est nécessaire et pour quels types de circonstances. Connaissance des paradigmes fondamentaux d'apprentissage automatique et des algorithmes d'apprentissage représentatifs, y compris leur champ d'application et les hypothèses sous-jacentes.
• Compétences pour identifier les paradigmes d'apprentissage automatique appropriés pour un problème donné dans un domaine spécifique. Connaissance de la conception de systèmes d'apprentissage automatique, y compris comment obtenir des performances optimales et comment traiter des données à grande échelle.
• Aptitudes à appliquer des méthodes d'apprentissage automatique, des modèles mathématiques et informatiques et à utiliser des logiciels informatiques (Python) pour résoudre des problèmes cibles.
• Compétences en programmation et compréhension des outils logiciels, des environnements de développement, des bibliothèques et des composants réutilisables (tels que les workflows Python). Évaluation en laboratoire : connaissances et compétences pratiques sur la façon de mettre en œuvre des systèmes d'apprentissage automatique de base basés sur une compréhension des connaissances pertinentes fournies dans les cours magistraux.
• Compétences pour identifier et analyser les problèmes et développer des solutions logicielles pour résoudre les problèmes. Évalué par des exercices de laboratoire.Ainsi, l’évaluation sommativepour ce module se compose des éléments suivants : cours 40 %, examen 60 %. L'examen consiste en une épreuve écrite. Il y a plusieurs questions chacune provenant de différents domaines du cours. Certaines questions peuvent chacune consister en quelques sous-questions pour tester les connaissances, les compétences analytiques et de conception. Les évaluations de cours consistent à utiliser le langage de programmation Python pour effectuer une expérience soigneusement conçue, avec un rapport résumant les résultats. Le but du cours est que les étudiants appliquent pratiquement les connaissances théoriques acquises lors des cours magistraux à des applications réelles. Évaluation formative et rétroaction Pour le module, les étudiants recevront une évaluation formative / des commentaires des manières suivantes. · Pendant les cours magistraux, par des séances de questions-réponses · Pendant les séances de laboratoire informatique supervisées

Résultat d'apprentissage :

• Capacités numériques: en initiant les étudiants aux serveurs de calcul haute performance nécessaires pour compléter les cours ; en enrichissant leurs compétences en programmation pour la discipline IA via Python et les différentes bibliothèques de deep learning
• Employabilité: en enseignant aux étudiants des compétences pratiques d'apprentissage en profondeur, qui sont les compétences les plus appréciées dans l'apprentissage automatique moderne, par exemple en explorant un composant qui répond à des problèmes industriels spécifiques
• Capacités globales et culturelles: en étudiant des sujets liés à l'éthique autour de la vision par ordinateur ; en enseignant des techniques d'apprentissage automatique autour du biais de données et de l'adaptation de domaine, qui est la pierre angulaire du déploiement de solutions ML dans plusieurs cultures et à l'échelle mondiale.