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-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 2+2h par semaine durant 14 semaines
    Heures de contact 56

    Enseignement

    Responsables
    Enseignants
    Assistants
    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=256367 >. 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 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
    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
    Description

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

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

    Mode d'évaluation Par note
    Description

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

  • Affiliation
    Valable pour les plans d'études suivants:
    Ba - Economie politique - 180 ECTS
    Version: 2018/SA_V02
    3ème année 60 ECTS > Cours de 3ème année > 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

    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 MSc in Bioinformatics and Computational Biology [MA]
    Version: 2020_1/V_01
    Complément au MSc in Bioinformatics and Computational Biology > 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 [3e cycle]
    Version: 2015_1/V_01
    Formation continue > UE avancées en Informatique (niveau bachelor)

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

    Ma - Accounting and Finance - 90 ECTS
    Version: 2021/SA_V01
    Cours - 72 ECTS > Modules "Data Analytics" et "Audit et Fiscalité": min. 3 cours > DAT: Data Analytics

    Ma - Business Communication : Gestion d'entreprise - 90 ECTS
    Version: 2021/SA_V01
    Cours - 60 ECTS > Option choisie: > Gestion d'entreprise > 30 ECTS parmi les modules : > DAT: Data Analytics

    Ma - Business Communication : Informatique de gestion - 90 ECTS
    Version: 2020/SA_V01
    Cours - 60 ECTS > Groupe d'option > Informatique de gestion > Cours > Modules gestion d'entreprise > DAT: Data Analytics

    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
    Courses > Modules > One complete module taken from the following list > Groupe d'élément de validation du Module DAT > DAT: Data Analytics

    Ma - Management - 90 ECTS
    Version: 2021/SA_V01
    Cours: min. 72 ECTS > Modules - min 54 ECTS > Groupe d'élément de validation du Module DAT > DAT: Data Analytics

    Ma - Marketing - 90 ECTS
    Version: 2021/SA_V02
    Cours > Groupe d'élément de validation du Module DAT > DAT: Data Analytics

    Préalable au Bioinformatique et biologie computationnelle [PRE-MA]
    Version: 2020_1/V_01
    Préalable au MSc in Bioinformtics and Computational Biology > UE avancées en Informatique (niveau bachelor)