v2.3.2 (2676)

PA - C2B - INF554 : Machine and Deep learning

Domaine > Mathématiques appliquées, Informatique.

Descriptif

Edition 2020-21

We have entered the Big Data Era. The explosion and profusion of available data in a wide range of application domains rise up new challenges and opportunities in a plethora of disciplines – ranging from science and engineering to business and society in general. A major challenge is how to take advantage of the unprecedented scale of data, in order to acquire further insights and knowledge for improving the quality of the offered services, and this is where Machine and Deep Learning comes in capitalizing on techniques and methodologies from data exploration (statistical profiling, visualization) aiming at identifying patterns, correlations, groupings, modeling and doing predictions. In the last years Deep learning is becoming a very important element for solving large scale prediction problems. 

The Introduction to Machine and Deep Learning class will cover the following aspects:

  • The Machine Learning Pipeline
  • Unsupervised Learning
  • Data Preprocessing and Exploration
  • Feature Selection/Engineering & Dimensionality reduction
  • Supervised Learning 
  • Deep and Reinforcement Learning

 

Logistics

1. The course will take place on Mondays afternoon from 21/09/2020 for 9 weeks and will be divided into nine 4-hour sessions Due to the COVID situation we will conduct the course/labs with VIDEO online synchronous classes/labs

- magistral teaching (14:00 - 16:00) FOLLOW THIS ZOOM LINK FOR ALL CLASSES

-  online lab sessions (16:15 - 18:15) FOLLOW THIS ZOOM LINK FOR ALL LABS

 

Interaction/Q&As: 
As there is currently lack of physical co presence a slack channel was set up for individual questions to course/lab teachers: https://inf554workspace.slack.com. Please us it as much as possible. 
We will also set up some online video time slots to handle your questions in real time. 
 
We will also try to provide recorded versions of the class and the labs if the storage requirements can be met. 

IPPMaster and other students - access: 

you may get access to the course and material by registering to this form: 

we will then send you your guest access code. 

2. The students will have to complete the course work on their own laptops (preferably with a Unix environment like Linux or Mac OS X for compatibility reasons). As for software, we will be using  Python among others (to be installed locally on the laptops). Students are invited to install the Anaconda distribution version 3.7 BEFORE the 1st lab session.

 

 

Format des notes

Numérique sur 20

Littérale/grade américain

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

    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

      La note obtenue rentre dans le calcul de votre GPA.

      Pour les étudiants du diplôme Echanges PEI

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

          La note obtenue rentre dans le calcul de votre GPA.

          Pour les étudiants du diplôme M1 Informatique - Voie Jacques Herbrand - X

          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 M2 HPDA - High Performance Data Analytics

            Le rattrapage est autorisé (Note de rattrapage conservée)

              Pour les étudiants du diplôme Cyber Physical System

              Le rattrapage est autorisé (Note de rattrapage conservée)

                Pour les étudiants du diplôme M1 CPS - Cyber Physical Systems

                Le rattrapage est autorisé (Note de rattrapage conservée)

                  Pour les étudiants du diplôme M1 IGD - Interaction, Graphic and Design

                  Le rattrapage est autorisé (Note de rattrapage conservée)

                    Pour les étudiants du diplôme M2 Data AI - Data and Artificial Intelligence

                    Le rattrapage est autorisé (Note de rattrapage conservée)

                      Pour les étudiants du diplôme M1 HPDA - High Performance Data Analytics

                      Le rattrapage est autorisé (Note de rattrapage conservée)

                        Pour les étudiants du diplôme M1 Cyber - Cybersecurity

                        Le rattrapage est autorisé (Note de rattrapage conservée)

                          Pour les étudiants du diplôme M1 - Physics

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

                            La note obtenue rentre dans le calcul de votre GPA.

                            Pour les étudiants du diplôme M1 Data AI - Data and Artificial Intelligence

                            Le rattrapage est autorisé (Note de rattrapage conservée)

                              Programme détaillé

                              Detailed syllabus of the course

                              (minor changes may apply during course evolution.)

                               

                              General Introduction to Machine Learning
                              - Machine Learning paradigms
                              - The Machine Learning Pipeline

                              Supervised Learning
                              - Generative and non generative methods
                              - Naive Bayes, KNN and regressions
                              - Tree based methods

                              Unsupervised Learning
                              - Dimensionality reduction
                              - Clustering 

                              Advanced Machine Learning Concepts
                              - Regularization
                              - Model selection
                              - Feature selection
                              - Ensemble Methods

                              Kernels
                              - Introduction to kernels
                              - Support Vector Machines

                              Neural Networks
                              - Introduction to Neural Networks
                              - Perceptrons and back-propagation

                              Deep Learning I
                              - Convolutional Neural Networks
                              - Recurrent Neural Networks
                              - Applications

                              Deep Learning II
                              - Modern Natural Language Processing
                              - Unsupervised Deep Learning
                              - Embeddings, Auto-Encoders, Generative Adversarial Networks

                              Reinforcement Learning

                              Veuillez patienter