Fundamentals of machine learning - Suptech University %

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

Modules

spécialisés

Modules de

base

Sciences et techniques de

l’ingénierie

Préparation à la carrière professionnelle

Nombre d’heures	Activités hors classe
22.5	18

Code

: GINML1

FUNDAMENTALS OF MACHINE LEARNING

Volume Horaire : 01h:30 Cours intégrés + 0 hTravaux pratiques (par semaine)

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

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
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

La stratégie d’évaluation pour ce module est conçue pour fournir aux étudiants la possibilité de démontrer ce qui suit :

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 :

À la fin du cours, vous devriez être capable de :

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.