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-2020

    Titre

    Français Apprentissage automatique
    Allemand Maschinelles Lernen
    Anglais Machine learning

    Horaires et salles

    Horaire résumé Lundi 14:15 - 17:00, Hebdomadaire, PER 21, salle C230
    Struct. des horaires 2+2h par semaine durant 14 semaines
    Heures de contact 56

    Enseignement

    Responsables
    Enseignants
    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

    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

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

  • Affiliation
    Valable pour les plans d'études suivants:
    Enseignement complémentaire en sciences
    Version: ens_compl_sciences
    Paquet indépendant des branches > UE avancées en Informatique (niveau bachelor)

    Informatique 120
    Version: 2019_1/V_01
    BSc en informatique, branche principale, 2-3ème années > Informatique 2e et 3e année, UE obligatoires (dès SA2019)

    Informatique 30
    Version: 2019_1/V_01
    Branche complémentaire en informatique 30 > Informatique br. compl. 30 ou 60 ECTS à choix (dès SA2019)

    Informatique 60
    Version: 2019_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: 2019_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 SA2019)

    Informatique [DEEM] 60
    Version: 2019_1/V_01
    Branche complémentaire en informatique (DEEM) 60 > Informatique branche complémentaire DEEM 60 ECTS à choix (dès SA2019)

    Informatique de gestion 180 ECTS [BA]
    Version: 2018/SA_V01
    3ème année 60 ECTS > Cours de 3ème année > Cours à choix min. 14 ECTS > Apprentissage automatique / Maschinelles Lernen / Machine learning

    Informatique de gestion 180 ECTS [BA]
    Version: 2014
    3ème année 60 ECTS > Cours de 3ème année > min. 9 ECTS cours Informatique à choix