v2.11.0 (5648)

PA - C2 - MAP569 : Regression and classification

Domaine > Mathématiques appliquées.

Descriptif

Syllabus

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 and unsupervised 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.

Numerical illustrations will be given for most of the studied methods.

A glimpse about theoretical guarantees, such as upper bounds on the generalization error, are provided at the end of the lecture.
A prerequisite for this course is Machine Learning I.

Agenda


Langue du cours : Français ou Anglais, slides en Anglais 

Credits ECTS : 4

Format des notes

Numérique sur 20

Littérale/grade réduit

Pour les étudiants du diplôme M2 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 Titre d’Ingénieur diplômé de l’École 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 Data AI - Data and Artificial Intelligence

        Le rattrapage est autorisé (Note de rattrapage conservée)

          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

            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

                Pour les étudiants du diplôme M1 Mathématiques et Applications - Voie Jacques Hadamard - École Polytechnique

                Pour les étudiants du diplôme M1 - Applied Mathematics and statistics

                Le rattrapage est autorisé (Max entre les deux notes)
                  L'UE est acquise si Note finale >= 10
                  • Crédits ECTS acquis : 5 ECTS

                  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 IES - Innovation, Entreprise and Société

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