Fundamentals of machine learning

Fundamentals of machine learning

Enseignant:

Email:

Durée totale du cours: 22.5 H

Semestre :5 Option Réseaux et Services Mobiles (RSM)

Nombre de crédits : 1

Modules spécialisés	Modules de base	Sciences et techniques de l'ingénierie	Préparation à la carrière professionnelle
		X

 

Nombre d’heures		Activités hors classe
45		38
cours	TD		TP
16.5	6

 

Code

: GTIML1

FUNDAMENTALS OF MACHINE LEARNING

Objectif du module :

Ce cours offre une introduction à l'apprentissage automatique pour ceux qui s'intéressent à la science et à la technologie de l'intelligence artificielle (IA). Il fournit le contexte et la théorie pour la construction de systèmes artificiels fondamentaux capables de traiter une variété de données et d'analyser leurs informations sémantiques d'intérêt. Ceci est mis en œuvre par divers algorithmes d'apprentissage fondamentaux qui seront discutés et démontrés d'une manière facile à aborder.

Contenu du  cours

Semaine 1-2: Introduction à l'apprentissage automatique

• Définitions et concepts clés de l'apprentissage automatique.
• Types d'apprentissage : supervisé, non supervisé, renforcement.
• Processus de modélisation en apprentissage automatique.

Semaine 3-4: Prétraitement des données pour l'apprentissage automatique

• Collecte et préparation des données pour la modélisation.
• Nettoyage des données : gestion des valeurs manquantes, des valeurs aberrantes.
• Transformation des données : normalisation, encodage.

Semaine 5-6: Apprentissage supervisé

• Régression : modèles linéaires, arbres de décision.
• Classification : k-plus proches voisins, machines à vecteurs de support.

Semaine 7-8: Évaluation des modèles

• Métriques d'évaluation : précision, rappel, F1-score, courbe ROC.
• Validation croisée et surapprentissage.
• Sélection de modèle et réglage des hyperparamètres.

Semaine 9-10: Apprentissage non supervisé

• Clustering : k-moyennes, regroupement hiérarchique.
• Réduction de dimension : Analyse en composantes principales (PCA).

Semaine 11-12: Réseaux de neurones et Deep Learning

• Introduction aux réseaux de neurones artificiels.
• Architecture des réseaux de neurones profonds.
• Applications du Deep Learning dans les télécommunications.

Semaine 13-14: Traitement du langage naturel (NLP) et Télécommunications

• Introduction au NLP et à ses applications.
• Utilisation de l'apprentissage automatique pour l'analyse de texte dans les télécommunications.

Semaine 15-16: Applications avancées en télécommunications

• Apprentissage par renforcement pour l'optimisation des réseaux.
• Apprentissage automatique dans les communications sans fil et la gestion du spectre.
• Études de cas et projets pratiques.

Le contenu indicatif comprend les éléments suivants : Introduction à l'apprentissage automatique 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

La stratégie d’apprentissage et d’enseignement est conçue pour atteindre les objectifs suivants : 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. Les méthodes d'apprentissage et d'enseignement  comprennent les éléments suivants. 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 commun. 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 disponible. https://readinglists.surrey.ac.uk

Modalité d’évaluation

• Examens théoriques évaluant la compréhension des concepts.
• Projets individuels ou en groupe impliquant l'application d'apprentissage automatique aux problèmes de télécommunications.
• Présentations des projets devant la classe.

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

La  stratégie d'évaluation pour ce module est conçu pour fournir aux étudiants la possibilité de démontrer ce qui suit. Classes de problèmes, devoirs, 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 sommative pour 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 :

Après avoir réussi l'examen du cours "FUNDAMENTALS OF MACHINE LEARNING", les étudiants devraient acquérir les compétences suivantes :

• Compréhension des concepts de base de l'apprentissage automatique : Les étudiants devraient avoir une solide compréhension des principes fondamentaux de l'apprentissage automatique, y compris les concepts de classification, de régression, de clustering et de réseaux de neurones.
• Sélection et préparation des données : Ils devraient être en mesure de collecter, nettoyer et préparer les données pour l'entraînement des modèles d'apprentissage automatique, en comprenant l'importance de la qualité et de la représentativité des données.
• Sélection de modèles : Les étudiants devraient être capables de choisir les types de modèles appropriés en fonction des problèmes, de comprendre les avantages et les inconvénients de différents algorithmes et de justifier leurs choix.
• Entraînement de modèles : Ils devraient être en mesure d'entraîner des modèles d'apprentissage automatique en utilisant des techniques de validation croisée, en ajustant les hyperparamètres et en surveillant les performances.
• Évaluation des modèles : Les étudiants devraient pouvoir évaluer les performances des modèles en utilisant diverses métriques et interpréter les résultats pour prendre des décisions éclairées.
• Gestion du surapprentissage (overfitting) : Ils devraient comprendre les concepts de surapprentissage et de sous-apprentissage, ainsi que les techniques pour atténuer le surapprentissage, comme la régularisation et le dropout.
• Application des modèles : Les étudiants devraient être en mesure d'appliquer les modèles d'apprentissage automatique pour résoudre des problèmes spécifiques en génie des télécommunications, tels que la prédiction de la qualité du signal, la détection d'anomalies dans les réseaux, etc.
• Interprétation des résultats : Ils devraient être capables d'interpréter les prédictions des modèles et de les relier à des décisions ou des actions concrètes dans le contexte des télécommunications.
• Sensibilisation à l'éthique : Les étudiants devraient comprendre les implications éthiques de l'utilisation de l'apprentissage automatique et être conscients des biais potentiels dans les données et les modèles.

10. Communication efficace : Ils devraient être en mesure de communiquer de manière claire et concise les concepts liés à l'apprentissage automatique aux non-experts, qu'il s'agisse de collègues, de clients ou de parties prenantes

 

001	Être capable de démontrer une compréhension des principes d'apprentissage automatique et de la théorie sous-jacente à ceux-ci	KC
002	Être capable de choisir une méthode d'apprentissage automatique appropriée pour un problème cible donné à résoudre et de prédire le résultat de la solution appliquée	KCT
003	Être capable de formuler des problèmes d'un domaine spécifique de manière mathématique et de les résoudre pour atteindre l'optimalité des performances	KCT
004	Être capable d'analyser certains problèmes non triviaux dans des applications du monde réel, de comprendre les concepts qui les sous-tendent et de proposer des solutions algorithmiques possibles.	CP

Attributs développés C - Cognitif/analytique K - Connaissance du sujet T - Compétences transférables P - Compétences professionnelles/pratiques  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.