v2.11.0 (5380)

PA - C2B - INF554 : Machine and Deep learning

Domaine > Mathématiques appliquées, Informatique.

Format des notes

Numérique sur 20

Littérale/grade réduit

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 M1 - Applied Mathematics and statistics

    L'UE est acquise si note finale transposée >= C
    • Crédits ECTS acquis : 5 ECTS

    Pour les étudiants du diplôme M1 MPRI - Foudations of Computer Science

    L'UE est acquise si note finale transposée >= C
    • Crédits ECTS acquis : 5 ECTS

    Pour les étudiants du diplôme M1 Physique - Voie Irène Joliot Curie - X

    L'UE est acquise si note finale transposée >= C
    • Crédits ECTS acquis : 5 ECTS

    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 M2 HPDA - High Performance Data Analytics

      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 M2 Biomechanics

        Le rattrapage est autorisé (Note de rattrapage conservée)
          L'UE est acquise si note finale transposée >= C
          • Crédits ECTS acquis : 3 ECTS

          Pour les étudiants du diplôme Non Diplomant

          L'UE est acquise si note finale transposée >= C
          • Crédits ECTS acquis : 5 ECTS

          Pour les étudiants du diplôme Cyber Physical System

          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 CPS - Cyber Physical Systems

            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 IGD - Interaction, Graphic and Design

              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 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 M2 Data AI - Data and Artificial Intelligence

                  Vos modalités d'acquisition :

                  2.5 ECTS si l'élève fait la version "courte" soit 24h du cours  .

                  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 HPDA - High Performance Data Analytics

                    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 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 : 5 ECTS

                        Pour les étudiants du diplôme M2 - Energy Infrastructures Management

                        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 Cyber - Cybersecurity

                          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 M2 Biomeca - Biomechanics

                            L'UE est acquise si note finale transposée >= C
                            • Crédits ECTS acquis : 3 ECTS

                            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 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 Data AI - Data and Artificial Intelligence

                                Vos modalités d'acquisition :

                                2.5 ECTS si l'élève fait la version "courte" soit 24h du cours  .

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

                                  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