Machine Learning & Deep learning : fondements et applications (6ECTS)
Responsable : Nathanaël Fijalkow
Contenu
L’apprentissage automatique et l’apprentissage profond sont parmi les branches d’IA qui ont connu le plus d’avancées ces dernières années et qui, par conséquent, ont impacté le plus ses usages. Cette UE proposera un contenu permettant d’aller des fondements théoriques de l’apprentissage automatique et des réseaux de neurones jusqu’à leurs applications les
plus récentes. L’objectif étant de dépasser la vision utilisateur « boîte noire » des outils et comprendre/vérifier/prouver mathématiquement les concepts et théorèmes à la base de la réussite de ces techniques.
Contenu Détaillé
- Linear Regression and Gradient Descent, Locally Weighted & Logistic Regression
- Perceptron & Generalized Linear Model, Gaussian Discriminant Analysis
- Support Vector Machines, Kernels
- Data Splits, Models, Cross-Validation, Approximation / Estimation Error, Empirical Risk Minimization algorithms
- Decision Trees and Ensemble Methods
- Introduction to Neural Networks, Backpropagation
- Debugging ML Models and Error Analysis, Expectation-Maximization Algorithms, Factor Analysis
- Projet