Machine learning

  • Unterricht

    Details

    Fakultät Math.-Nat. und Med. Fakultät
    Bereich Informatik
    Code UE-SIN.06022
    Sprachen Englisch
    Art der Unterrichtseinheit Vorlesung
    Kursus Bachelor
    Semester SP-2022

    Titel

    Französisch Apprentissage automatique
    Deutsch Maschinelles Lernen
    Englisch Machine learning

    Zeitplan und Räume

    Vorlesungszeiten Montag 14:15 - 17:00, Wöchentlich, PER 21, Raum E140
    Strukturpläne 2+2h par semaine durant 14 semaines
    Kontaktstunden 56

    Unterricht

    Verantwortliche
    Dozenten-innen
    Beschreibung

    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. 

    Lernziele

    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.

    Zugangsbedingungen

    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.

    Bemerkungen

    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.

    Soft Skills
    Nein
    ausserhalb des Bereichs
    Nein
    BeNeFri
    Ja
    Mobilität
    Ja
    UniPop
    Nein

    Dokument

    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

  • Einzeltermine und Räume
    Datum Zeit Art der Unterrichtseinheit Ort
    21.02.2022 14:15 - 17:00 Kurs PER 21, Raum E140
    28.02.2022 14:15 - 17:00 Kurs PER 21, Raum E140
    07.03.2022 14:15 - 17:00 Kurs PER 21, Raum E140
    14.03.2022 14:15 - 17:00 Kurs PER 21, Raum E140
    21.03.2022 14:15 - 17:00 Kurs PER 21, Raum E140
    28.03.2022 14:15 - 17:00 Kurs PER 21, Raum E140
    04.04.2022 14:15 - 17:00 Kurs PER 21, Raum E140
    11.04.2022 14:15 - 17:00 Kurs PER 21, Raum E140
    25.04.2022 14:15 - 17:00 Kurs PER 21, Raum E140
    02.05.2022 14:15 - 17:00 Kurs PER 21, Raum E140
    09.05.2022 14:15 - 17:00 Kurs PER 21, Raum E140
    16.05.2022 14:15 - 17:00 Kurs PER 21, Raum E140
    23.05.2022 14:15 - 17:00 Kurs PER 21, Raum E140
    30.05.2022 14:15 - 17:00 Kurs PER 21, Raum E140
  • Leistungskontrolle

    Schriftliche Prüfung

    Bewertungsmodus Nach Note
    Beschreibung

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

  • Zuordnung
    Zählt für die folgenden Studienpläne:
    Ba - Volkswirtschaftslehre - 180 ECTS
    Version: 2018/SA_V02
    3. Studienjahr 60 ECTS > Kurse im 3. Jahr > Wahlkurse in der Wirtschaftsinformatik für Volkswirtschaftslehre 180 ECTS - HS 2018 - 3. Jahr > Apprentissage automatique / Maschinelles Lernen / Machine learning

    Ba - Wirtschaftsinformatik - 180 ECTS
    Version: 2020/SA_V02
    3. Studienjahr 60 ECTS > Kurse im 3. Jahr > Pflichtkurse 32.5 ECTS > Apprentissage automatique / Maschinelles Lernen / Machine learning

    Ergänzende Lehrveranstaltungen in Naturwissenschaften
    Version: ens_compl_sciences
    Paquet indépendant des branches > Fortgeschrittene UE in Informatik (Niveau Bachelor)

    Informatik 120
    Version: 2021_1/V_01
    BSc in Informatik, Hauptfach, 2.-3. Jahr > Informatik 2. und 3. Jahr, Obligatorische UE (ab HS2021)

    Informatik 30
    Version: 2020_1/V_01
    Zusatzfach in Informatik 30 > Informatik Nebenfach 30 oder 60 ECTS zur Wahl (ab HS2019)

    Informatik 60
    Version: 2020_1/V_01
    Zusatzfach in Informatik 60 > Informatik Nebenfach 30 oder 60 ECTS zur Wahl (ab HS2019)

    Informatik 50 [BSc/BA SI]
    Version: 2020_1/V_01
    BSc_SI/BA_SI, Informatik 50 ECTS, 1.-3. Jahre > BSc_SI/BA_SI, Informatik, 2-3. Jahr, UE zur Wahl für 50 ECTS (ab HS2020)

    Informatik [3e cycle]
    Version: 2015_1/V_01
    Weiterbildung > Fortgeschrittene UE in Informatik (Niveau Bachelor)

    Informatik [LDM] 60
    Version: 2021_1/V_01
    Zusatzfach in Informatik (LDS) 60 > Informatik Nebenfach LDM 60 ECTS zur Wahl (ab HS2021)

    Informatik [POST-DOC]
    Version: 2015_1/V_01
    Weiterbildung > Fortgeschrittene UE in Informatik (Niveau Bachelor)

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

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

    Ma - Business Communication : Betriebswirtschaftslehre - 90 ECTS
    Version: 2021/SA_V01
    Kurse - 60 ECTS > Gewählte Option > Betriebswirtschaftslehre > 30 ECTS parmi les modules : > DAT: Data Analytics

    Ma - Business Communication : Wirtschaftsinformatik - 90 ECTS
    Version: 2020/SA_V01
    Kurse - 60 ECTS > Optionsgruppe > Wirtschaftsinformatik > Kurse > Module Betriebswirtschaftslehre > DAT: Data Analytics

    Ma - International and European Business - 90 ECTS
    Version: 2021/SA_V01
    Courses > Module > One complete module taken from the following list > Groupe d'élément de validation du Module DAT > DAT: Data Analytics

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

    Ma - Wirtschaftsinformatik - 90 ECTS
    Version: 2020/SA-v01
    Kurse - min. 45 ECTS > Module Betriebswirtschaftslehre - max. 15 ECTS > DAT: Data Analytics

    NfBa - Wirtschaftsinformatik - 60 ECTS
    Version: 2021/SA_V02
    Tragen Sie sich in die Ihrer Situation entsprechende Option ein. > Standard > Min. 18 ECTS aus der Liste > Machine Learning

    NfMa - Betriebswirtschaftslehre - 30 ECTS
    Version: 2020/SA_V01
    Es müssen zwei der folgenden aufgeführten Wahlmodule belegt werden > DAT: Data Analytics

    NfMa - Wirtschaftsinformatik - 30 ECTS
    Version: 2020/SA_V01
    Kurse > Module Betriebswirtschaftslehre > DAT: Data Analytics

    Vorstufe zum MSc in Bioinformatik und computationale Biologie [PRE-MA]
    Version: 2020_1/V_01
    Vorstufe zum MSc in Bioinformtics and Computational Biology > Fortgeschrittene UE in Informatik (Niveau Bachelor)

    Vorstufe zum MSc in Informatik [PRE-MA]
    Version: 2020_1/V_01
    Vorstufe zum MSc in Informatik > Fortgeschrittene UE in Informatik (Niveau Bachelor)

    Zusatz LDM Informatik
    Version: 2020_1/V_01
    Zusatzfach LDS für Informatik 60 oder +30 > Programm 60 oder +30 > Zusatz zum Programm Informatik 60 > Zusatz LDM für Informatik 60 (ab HS2020)

    Zusatz zum MSc in Bioinformatics and Computational Biology [MA]
    Version: 2020_1/V_01
    Zusatz zum MSc in Bioinformatics and Computational Biology > Fortgeschrittene UE in Informatik (Niveau Bachelor)

    Zusatz zum MSc in Computer Science [MA]
    Version: 2018_1/V_01
    Zusatz zum MSc in Informatik > Fortgeschrittene UE in Informatik (Niveau Bachelor)

    Zusatz zum MSc in Computer Science [MA]
    Version: 2020_1/V_01
    Zusatz zum MSc in Informatik > Fortgeschrittene UE in Informatik (Niveau Bachelor)