v2.2.9 (2327)

PA - C2 - MAP569 : Machine Learning II

Domaine > Mathématiques appliquées.

Descriptif

Machine learning is a scientific discipline that is concerned with the design and development of algorithms that allow computers to learn from data. A major focus of machine learning is to automatically learn complex patterns and to make intelligent decisions based on them. The set of possible data inputs that feed a learning task can be very large and diverse, which makes modelling and prior assumptions critical problems for the design of relevant algorithms.

This course focuses on the methodology underlying supervised learning, with a particular emphasis on the mathematical formulation of algorithms, and the way they can be implemented and used in practice. We will therefore describe some necessary tools from optimization theory, and explain how to use them for machine learning.

Syllabus

  1. Statistical Learning: Introduction and Cross Validation
  2. ML Methods: Probabilistic Point of View
  3. ML Methods: Optimization Point of View
  4. Optimization: Gradient Descent Algorithms
  5. Optimization: Stochastic Gradient Algorithm and Stochastic Approximation
  6. ML Methods: Neural Networks and Deep Learning
  7. ML Methods: Trees and Ensemble Methods
  8. Statistical Learning: Bayesian Approach
  9. Reinforcement Learning: Introduction

 

Course evaluation : Final Exam plus a Lab

Course Language: Either in English or in French with lecture material  in English



Format des notes

Numérique sur 20

Littérale/grade réduit

Pour les étudiants du diplôme Internet of Things : Innovation and Management Program (IoT)

Le rattrapage est autorisé (Note de rattrapage conservée)
    L'UE est acquise si note finale transposée >= C
    • Crédits ECTS acquis : 4 ECTS

    Pour les étudiants du diplôme M1 Innovation, Entreprise, et Société - Voie Innovation technologique

    Le rattrapage est autorisé (Note de rattrapage conservée)
      L'UE est acquise si note finale transposée >= C
      • Crédits ECTS acquis : 4 ECTS

      La note obtenue rentre dans le calcul de votre GPA.

      Pour les étudiants du diplôme Artificial Intelligence and Advanced Visual Computing

      Le rattrapage est autorisé (Note de rattrapage conservée)
        L'UE est acquise si note finale transposée >= C
        • Crédits ECTS acquis : 4 ECTS

        Pour les étudiants du diplôme Innovation Technologique : ingénierie et entrepreneuriat

        Le rattrapage est autorisé (Note de rattrapage conservée)
          L'UE est acquise si note finale transposée >= C
          • Crédits ECTS acquis : 4 ECTS

          La note obtenue rentre dans le calcul de votre GPA.

          Pour les étudiants du diplôme Diplôme d'ingénieur de l'Ecole polytechnique

          Le rattrapage est autorisé (Note de rattrapage conservée)
            L'UE est acquise si note finale transposée >= C
            • Crédits ECTS acquis : 5 ECTS
            Veuillez patienter