v2.6.4 (3793)

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 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 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 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 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 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 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 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 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

                  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 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 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 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 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 : 5 ECTS

                            La note obtenue rentre dans le calcul de votre GPA.

                            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 - 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 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 Non Diplomant

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

                                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