Machine learning

  • Enseignement

    Détails

    Faculté Faculté des sciences et de médecine
    Domaine Informatique
    Code UE-SIN.06022
    Langues Anglais
    Type d'enseignement Cours
    Cursus Bachelor
    Semestre(s) SP-2023

    Titre

    Français Apprentissage automatique
    Allemand Maschinelles Lernen
    Anglais Machine learning

    Horaires et salles

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

    Enseignement

    Responsables
    • Cudré-Mauroux Philippe
    Enseignants
    • Cuccu Giuseppe
    Assistants
    • Gauch David
    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

    Please register to the course on the students portal < https://my.unifr.ch >; in case of problems write an email with your name, Nr SIUS, Code and Course Name to Stephanie Fasel < stephanie.fasel@unifr.ch >.
    All official communication will go through Moodle, please register at your earliest convenience  https://moodle.unifr.ch/course/view.php?id=274767. All lectures will be online for the time being, using Microsoft Teams: access details will be made available on Moodle.

     

     

    Commentaire

    Les unités d’enseignement se composent généralement de deux heures de cours et une heure d’exercices par semaine. Nous vous prions de bien vouloir vous conformer aux délais d’inscriptions aux épreuves de la Faculté des sciences et de 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
    20.02.2023 14:15 - 17:00 Cours PER 21, salle E230
    27.02.2023 14:15 - 17:00 Cours PER 21, salle G230
    06.03.2023 14:15 - 17:00 Cours PER 21, salle G230
    13.03.2023 14:15 - 17:00 Cours PER 21, salle G230
    20.03.2023 14:15 - 17:00 Cours PER 21, salle G230
    27.03.2023 14:15 - 17:00 Cours PER 21, salle G230
    03.04.2023 14:15 - 17:00 Cours PER 21, salle G230
    17.04.2023 14:15 - 17:00 Cours PER 21, salle G230
    24.04.2023 14:15 - 17:00 Cours PER 21, salle G230
    01.05.2023 14:15 - 17:00 Cours PER 21, salle G230
    08.05.2023 14:15 - 17:00 Cours PER 21, salle G230
    15.05.2023 14:15 - 17:00 Cours PER 21, salle G230
    22.05.2023 14:15 - 17:00 Cours PER 21, salle G230
  • Modalités d'évaluation

    Examen écrit - SP-2023, Session d'été 2023

    Date 05.06.2023 11:00 - 13:00
    Mode d'évaluation Par note
    Description

    Selon modalité A de l'annexe du plan d'études en informatique

    Condition

    Access requires passing 10 out of 13 of the weekly assignments

    Commentaire

    Open book exam

    Examen écrit - SP-2023, Session d'automne 2023

    Date 07.09.2023 14:00 - 16:00
    Mode d'évaluation Par note
    Description

    Selon modalité A de l'annexe du plan d'études en informatique

    Condition

    Access requires passing 10 out of 13 of the weekly assignments

    Commentaire

    Open book exam

  • Affiliation
    Valable pour les plans d'études suivants:
    Ba - Economie politique - 180 ECTS
    Version: 2018-SA_V03
    3ème année 60 ECTS > Cours à choix - Maximum 18 ECTS > Cours à choix en informatique de gestion pour Économie politique 180 ECTS - SA 2018 - 3ème année > Apprentissage automatique / Maschinelles Lernen / Machine learning

    Ba - Informatique de gestion - 180 ECTS
    Version: 2020-SA_V02
    3ème année 60 ECTS > Cours de 3ème année > Cours obligatoires 32.5 ECTS > Apprentissage automatique / Maschinelles Lernen / Machine learning

    BcBa - Informatique de gestion - 60 ECTS
    Version: 2021-SA_V03
    Inscrivez-vous dans l'option correspondante à votre situation. > Standard > Min. 18 ECTS de la liste > Machine Learning

    Complément DEEM en informatique
    Version: 2022_1/V_01
    Complément DEEM pour Informatique 60 ou +30 > Programmes 60 ou +30 > Complément au programme Informatique 60 > Complément DEEM pour Informatique 60 (dès SA2020)

    Complément au MSc en Neurosciences digitales [MA]
    Version: 2023_1/V_01
    Complément au MSc en informatique > UE avancées en Informatique (niveau bachelor)

    Complément au MSc in Bioinformatics and Computational Biology [MA]
    Version: 2022_1/V_01
    Complément au MSc in Bioinformatics and Computational Biology > UE avancées en Informatique (niveau bachelor)

    Complément au MSc in Computer Science [MA]
    Version: 2022_1/V_01
    Complément au MSc en informatique > UE avancées en Informatique (niveau bachelor)

    Enseignement complémentaire en sciences
    Version: ens_compl_sciences
    Paquet indépendant des branches > UE avancées en Informatique (niveau bachelor)

    Informatique 120
    Version: 2022_1/V_01
    BSc en informatique, branche principale, 2-3ème années > Informatique 2e et 3e année, UE obligatoires (dès SA2021)

    Informatique 30
    Version: 2022_1/V_01
    Branche complémentaire en informatique 30 > Informatique br. compl. 30 ou 60 ECTS à choix (dès SA2019)

    Informatique 60
    Version: 2022_1/V_01
    Branche complémentaire en informatique 60 > Informatique br. compl. 30 ou 60 ECTS à choix (dès SA2019)

    Informatique 50 [BSc/BA SI]
    Version: 2022_1/V_01
    BSc_SI/BA_SI, Informatique 50 ECTS, 1-3ème années > BSc_SI/BA_SI, Informatique, 2-3ème années, UE à choix pour 50 ECTS (dès SA2020)

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

    Informatique [DEEM] 60
    Version: 2022_1/V_01
    Branche complémentaire en informatique (DEEM) 60 > Informatique branche complémentaire DEEM 60 ECTS à choix (dès SA2021)

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

    Préalable au Bioinformatique et biologie computationnelle [PRE-MA]
    Version: 2022_1/V_01
    Préalable au MSc in Bioinformatics and Computational Biology > UE avancées en Informatique (niveau bachelor)

    Préalable au MSc en Neurosciences digitales [PRE-MA]
    Version: 2023_1/V_01
    Préalable au MSc en Neurosciences digitales > UE avancées en Informatique (niveau bachelor)

    Préalable au MSc en informatique [PRE-MA]
    Version: 2022_1/V_01
    Préalable au MSc en informatique > UE avancées en Informatique (niveau bachelor)