Machine learning

  • Enseignement

    Détails

    Faculté Faculté des sciences et de médecine
    Domaine Informatique
    Code UE-SIN.08022
    Langues Anglais
    Type d'enseignement Cours
    Cursus Master
    Semestre(s) SP-2022

    Titre

    Français Apprentissage automatique
    Allemand Maschinelles Lernen
    Anglais Machine learning

    Horaires et salles

    Horaire résumé Lundi 14:15 - 17:00, Hebdomadaire
    Struct. des horaires 2h +2h par semaine durant 14 semaines
    Heures de contact 56

    Enseignement

    Responsables
    Enseignants
    Description

    The goal of this course is to understand the foundation of Machine Learning as a field, providing the basis to master its many branches and applications. After an introduction about how machines learn, the focus will be on a short selection of key algorithms for supervised, unsupervised and reinforcement learning. The students will learn how parametrized function approximators can be used to take decisions, how to update their parametrization to modify their behavior, and how to leverage data and interactions in real-world applications.

    The course is composed of theoretical lectures, explaining the inner working and intuitions behind the methods, interleaved with practical sessions to gain hands-on experience. The students will be introduced to both re-implementing (and customizing) some of the basic algorithms, and to applying the current standard libraries on practical applications.
    The theoretical requirements include a basic understanding of linear algebra, calculus and statistic, as far as appropriate to understand the algorithms' inner workings. The practical sessions require a degree of familiarity with the Python programming language, and a working installation for the exercises. All lectures and material will be in English.

    Objectifs de formation

    This course is set to provide a fundamental understanding of what is Machine Learning and how all of its methods operate, with practical experience on selected algorithms and libraries. The core objective is to support and facilitate further learning on the topic, both in the form of further self-study and as an introduction for advanced classes available in the Masters course.

    Conditions d'accès

    Cours uniquement pour étudiants Master de la faculté SES avec un Bachelor acommpli / étudiants en pré-Master faculté SES pas admis!

    Voir Règlement du 6 avril 2020 pour l’obtention des Bachelor of Science et des Master of Science, Art. 7.

    Commentaire

    Cours Master SES 
    Etudiants faculté SES: Inscription possible que si Bachelor terminé

    Les unités d’enseignement se composent généralement de deux heures de cours et deux heures d’exercices par semaine.

    L’inscription au cours ET examens est obligatoire. Cette inscription ne se fait pas automatiquement par l’inscription au cours. Veuillez noter les délais d'inscription de la faculté des sciences et médecine!

    Softskills
    Non
    Hors domaine
    Non
    BeNeFri
    Oui
    Mobilité
    Oui
    UniPop
    Non

    Documents

    Bibliographie

    - Y. Abu-Mostafa, M. Magdon-Ismail, L. Hsuan-Tien. Learning from Data. AMLBook.
      http://amlbook.com/
    - M. Bishop. Pattern Recognition and Machine Learning. Springer.
      https://www.springer.com/gp/book/9780387310732
    - I. Goodfellow, Y. Bengio, A. Courville. Deep Learning. MIT Press.
      https://www.deeplearningbook.org/
    - R. Sutton, A. Barto. Reinforcement Learning. MIT Press.
    https://mitpress.mit.edu/books/reinforcement-learning-second-edition

  • Dates et salles
    Date Heure Type d'enseignement Lieu
    21.02.2022 14:15 - 17:00 Cours PER 21, salle E140
    28.02.2022 14:15 - 17:00 Cours PER 21, salle E140
    07.03.2022 14:15 - 17:00 Cours PER 21, salle E140
    14.03.2022 14:15 - 17:00 Cours PER 21, salle E140
    21.03.2022 14:15 - 17:00 Cours PER 21, salle E140
    28.03.2022 14:15 - 17:00 Cours PER 21, salle E140
    04.04.2022 14:15 - 17:00 Cours PER 21, salle E140
    11.04.2022 14:15 - 17:00 Cours PER 21, salle E140
    25.04.2022 14:15 - 17:00 Cours PER 21, salle E140
    02.05.2022 14:15 - 17:00 Cours PER 21, salle E140
    09.05.2022 14:15 - 17:00 Cours PER 21, salle E140
    16.05.2022 14:15 - 17:00 Cours PER 21, salle E140
    23.05.2022 14:15 - 17:00 Cours PER 21, salle E140
    30.05.2022 14:15 - 17:00 Cours PER 21, salle E140
  • Modalités d'évaluation

    Examen écrit - SP-2022, Session d'été 2022

    Date 23.06.2022 14:00 - 16:00
    Mode d'évaluation Par note

    Examen écrit - SP-2022, Session d'automne 2022

    Mode d'évaluation Par note
  • Affiliation
    Valable pour les plans d'études suivants:
    BcMa - Data Analytics - 30 ECTS
    Version: 2020/SA-v01
    À choix 18 crédits ECTS

    Complément au doctorat [PRE-DOC]
    Version: 2020_1/v_01
    Complément au doctorat ( Faculté des sciences et de médecine) > UE de spécialisation en Informatique (niveau master)

    Enseignement complémentaire en sciences
    Version: ens_compl_sciences
    Paquet indépendant des branches > UE de spécialisation en Informatique (niveau master)

    Informatique [3e cycle]
    Version: 2015_1/V_01
    Formation continue > UE de spécialisation en Informatique (niveau master)

    Informatique [POST-DOC]
    Version: 2015_1/V_01
    Formation continue > UE de spécialisation en Informatique (niveau master)

    Ma - Data Analytics & Economics - 90 ECTS
    Version: 2020/SA-v01
    Courses min 63 ECTS > Mandatory Modules (45 to 63 ECTS) > Module I: Data Analytics (Data)

    Ma - Economie politique - 90 ECTS
    Version: 2021/SA_V03
    Le choix de l'option se fait par l'inscription au premier cours dans l'une des options possibles. > Economie quantitative > 369 - Option : "Economie quantitative"