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-2020 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 2h +2h par semaine durant 14 semaines Heures de contact 56 Enseignement
Responsables - Cudré-Mauroux Philippe
Enseignants - Cuccu Giuseppe
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.
Commentaire Cours pour Master SES
Les unités d’enseignement se composent généralement de deux heures de cours et deux heures 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 17.02.2020 14:15 - 17:00 Cours PER 21, salle C230 24.02.2020 14:15 - 17:00 Cours PER 21, salle C230 02.03.2020 14:15 - 17:00 Cours PER 21, salle C230 09.03.2020 14:15 - 17:00 Cours PER 21, salle C230 16.03.2020 14:15 - 17:00 Cours PER 21, salle C230 23.03.2020 14:15 - 17:00 Cours PER 21, salle C230 30.03.2020 14:15 - 17:00 Cours PER 21, salle C230 06.04.2020 14:15 - 17:00 Cours PER 21, salle C230 20.04.2020 14:15 - 17:00 Cours PER 21, salle C230 27.04.2020 14:15 - 17:00 Cours PER 21, salle C230 04.05.2020 14:15 - 17:00 Cours PER 21, salle C230 11.05.2020 14:15 - 17:00 Cours PER 21, salle C230 18.05.2020 14:15 - 17:00 Cours PER 21, salle C230 25.05.2020 14:15 - 17:00 Cours PER 21, salle C230 -
Modalités d'évaluation
Examen écrit - SP-2020, Session d'été 2020
Mode d'évaluation Par note Description COVID-19 – SP2020 / session d’examens ÉTÉ 2020
Examen écrit en ligne
Durée : 120 minutes
Selon modalité A de l'annexe du plan d'études en informatique
Examen écrit - SP-2020, Session d'automne 2020
Mode d'évaluation Par note Description COVID-19 – SP2020 / session d’examens ÉTÉ 2020
Examen écrit en ligne
Durée : 120 minutes
Selon modalité A de l'annexe du plan d'études en informatique
-
Affiliation
Valable pour les plans d'études suivants: BcMa - Data Analytics - 30 ECTS
Version: 2020/SA-v01
À choix 18 crédits ECTS
BcMa - Gestion d'entreprise - 30 ECTS
Version: 2021/SA_V01
Cours à choix - 30 ECTS > DAT: Data Analytics
BcMa - Informatique de gestion - 30 ECTS
Version: 2020/SA_V01
Cours > Modules gestion d'entreprise > DAT: Data Analytics
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 - Accounting and Finance - 120 ECTS
Version: 2024/SP_V01_DD_Caen
Cours UniFr > Modules "Data Analytics" et "Audit et Fiscalité": min. 2 cours > DAT: Data Analytics
Ma - Accounting and Finance - 90 ECTS
Version: 2021/SA_V01 Dès SA-2024
Cours - 72 ECTS > Modules "Data Analytics" et "Audit et Fiscalité": min. 3 cours > DAT: Data Analytics > Cours principaux
Ma - Business Communication : Informatique de gestion - 90 ECTS
Version: 2020/SA_V02
Cours - 60 ECTS > Groupe d'option > Informatique de gestion > Cours > Modules gestion d'entreprise > DAT: Data Analytics
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 - Informatique de gestion - 90 ECTS
Version: 2020/SA-v01
Cours - min. 45 ECTS > Modules gestion d'entreprise - max. 15 ECTS > DAT: Data Analytics
Ma - International and European Business - 90 ECTS
Version: 2021/SA_v01 dès SA-2024
Courses > Modules > One complete module taken from the following list > DAT Module validation element group > DAT: Data Analytics > Cours principauxCourses > Modules > Elective courses of the management modules > Elective courses of the management modules > Cours à choix pour le Master en management
Ma - Management - 90 ECTS
Version: 2021/SA_v03 dès SA-2024
Cours: min. 72 ECTS > Modules - min 54 ECTS > Minimum 3 modules à minimum 18 ECTS et 2 cours principaux complets > Groupe d'élément de validation du Module DAT > DAT: Data Analytics > Cours principauxCours: min. 72 ECTS > Modules - min 54 ECTS > Cours à choix pris hors du cadre d'un module validant > Cours choisis librement dans les modules de management > Cours à choix pour le Master en management
Ma - Marketing - 90 ECTS
Version: 2021/V03 dès SA-2024
Cours - 72 ECTS > Module complémentaire > Groupe d'élément de validation du Module DAT > DAT: Data Analytics > Cours principaux
Ma - Économie politique - 90 ECTS
Version: 2021/SA_V04
Le choix de l'option se fait par l'inscription au premier cours dans l'une des options possibles. > Économie quantitative
Neurosciences digitales (Master spécialisé) 120 [MA]
Version: 2023_1/V_01
sp-MSc en en neurosciences digitales, UE obligatoires (cours pratiques, projets, séminaires) > sp-MSc en en neurosciences digitales, UE obligatoires (dès SA2023)