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
effectifs minimal / maximal:
/72Diplôme(s) concerné(s)
- Internet of Things : Innovation and Management Program (IoT)
- Echanges PEI
- M1 Cyber - Cybersecurity
- Artificial Intelligence and Advanced Visual Computing
- Titre d’Ingénieur diplômé de l’École polytechnique
- M1 Data AI - Data and Artificial Intelligence
- M1 - Applied Mathematics and statistics
- M1 Mathématiques et Applications - Voie Jacques Hadamard - École Polytechnique
- M1 Innovation, Entreprise, et Société - Voie Innovation technologique
- M2 HPDA - High Performance Data Analytics
- M1 IES - Innovation, Entreprise and Société
Parcours de rattachement
Format des notes
Numérique sur 20Littérale/grade réduitPour 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)- 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)- 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)- 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)- 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)- Crédits ECTS acquis : 5 ECTS
Pour les étudiants du diplôme Artificial Intelligence and Advanced Visual Computing
Le rattrapage est autorisé (Note de rattrapage conservée)- 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)- Crédits ECTS acquis : 5 ECTS
