Ects : 3

Enseignant responsable :

• FABRICE RIVA

Volume horaire : 21

Description du contenu de l'enseignement :

Objectifs du cours

 

Ce cours vise à initier les étudiants aux concepts fondamentaux et aux algorithmes clés du Machine Learning (ML), en couvrant les approches supervisées et non supervisées. Il prépare les étudiants à mettre en œuvre un projet ML complet, depuis la compréhension des données jusqu'à la construction d'un modèle prédictif robuste.

 

Plan du cours

 

Partie 1 : Fondamentaux du machine learning

 

· Qu’est-ce que le machine learning ?

· Types de machine learning

· Les étapes de construction d’un modèle

· Fondements de l’apprentissage supervisé

· Fonctions de perte

· Entraînement

· Généralisation

· Evaluation et réglage d’un modèle

· Sélection de modèle

 

Partie 2 : Support Vector Machines

 

· Séparateurs à marge rigide

· Séparateurs à marge souple

 

Partie 3 : Apprentissage non supervisé

 

· SVD et ACP

· Clustering

 

Partie 4 : Deep Learning (Introduction)

 

· Neurones artificiels et réseaux de neurones

· Fonctions d’activation

· Rétropropagation

 

Méthodes pédagogiques

 

· Cours magistraux

· Travaux pratiques en Python (Scikit-learn, TensorFlow ou PyTorch)

· Études de cas et projets concrets

Coefficient : 0.5

Compétence à acquérir :

À l’issue du cours, les étudiants seront capables de :

· Comprendre les fondements algorithmiques du machine learning

· Choisir et paramétrer une technique d’apprentissage adaptée à un problème donné

· Concevoir et mettre en œuvre un pipeline de machine learning

· Évaluer les performances d’un modèle

· Construire des modèles prédictifs robustes à l’aide d’outils adaptés

Mode de contrôle des connaissances :

· Participation : 10%

· Quiz : 30%

· Projet : 60%