Mathématiques pour l’apprentissage automatique FUN3100 S4
Enseignant:
Email:
Durée totale du cours: 45 H
Semestre : 4 Option ingénierie des connaissances
Nombre de crédits : 3
| Modules
spécialisés |
Modules de
base |
Sciences et techniques de
l’ingénierie |
Préparation à la carrière professionnelle |
| X |
| Nombre d’heures | Activités hors classe | |||
| 45 | 18 | |||
| cours | TD | TP | ||
| 22.5 | 22.5
|
|||
1h30 de cours intégré par semaine
| Code | FUN3100 | Mathématiques pour l’apprentissage automatique |
Objectifs pédagogiques
Dans ce module, vous aurez l’opportunité d’étudier les techniques mathématiques avancées nécessaires pour comprendre, concevoir et mettre en œuvre des algorithmes d’apprentissage automatique statistiques modernes et des mécanismes d’inférence.
Contenu
– Calcul multivarié (notation d’einstein, différenciation et intégration)
– Probabilité multivariée (pmfs jointes, pdfs jointes, moyennes, matrices de covariance)
– Probabilité conditionnelle et règle de Bayes
– Estimation du maximum de vraisemblance
– Estimation de Monte Carlo
– Validation et estimation des erreurs de test, et validation
– Inégalités de concentration (ex. loi des grands nombres)
– Descente de gradient et sa convergence
– ACP, décomposition propre, SVD
– Inférence bayésienne
– Inférence MAP
– Gaussiennes multivariées
– Régression linéaire bayésienne
Recommandé : Le contenu Probabilités et statistiques.
Méthodes d’enseignement
Ce cours sera enseigné principalement par le biais de cours magistraux traditionnels, soutenus par des problèmes non évalués conçus pour tester votre compréhension du matériel. Il y aura un ou plusieurs exercices de cours évalués, impliquant éventuellement des exercices pratiques en laboratoire.
Un service Web en ligne servira de forum de discussion en ligne ouvert pour le module.
Modalité d’évaluation
Examen Partiel + Examen final
Les cours évalués contribuent à 40% des notes. Il y aura un examen écrit final, qui compte pour les 60 % restants.
Des commentaires écrits et verbaux seront fournis tout au long du module. Des commentaires écrits détaillés seront fournis sur le cours. Une rétroaction à l’échelle de la classe sera fournie après l’examen.
Bibliographie
BOOK Mathematics for machine learning
Deisenroth, Marc Peter,Faisal, A. Aldo,; Ong, Cheng Soon,Cambridge :Cambridge University Press2020.
BOOK Machine learning : a probabilistic perspective
Murphy, Kevin P., 1970-Cambridge, Mass. ;Cambridge, Mass. ; London : MIT Press2012
Résultats d’apprentissage :
Une fois ce cours terminé avec succès, vous serez en mesure de :
- mettre en œuvre des algorithmes d’apprentissage automatique fondamentaux à partir de zéro
- appliquer les techniques mathématiques appropriées dans un contexte d’apprentissage automatique
- évaluer de manière critique la qualité des modèles d’apprentissage automatique
- évaluer les connexions entre différents algorithmes d’apprentissage automatique