v2.6.4 (3793)

PA - C2B - INF554 : Machine and Deep learning

Domaine > Mathématiques appliquées, Informatique.

Descriptif

Edition 2021 - 2022

We have entered the Artificial Intelligence Era. The explosion of available data in a wide range of application domains give rise to 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. 
 
 
Course Logistics:
 
1. The course will take place on Monday afternoons beginning on 20/09/2021 and will be divided into nine 4-hour sessions as follows:
  •  (14:00 - 16:00) magistral teaching in: Amphi Gay-Lussac.
  •  (16:15 - 18:15) lab sessions in the small classes: Amphi Painlevé, Amphi Poisson, Amphi Sauvy.
 
2. Interaction/Q&As: 
 
We have set up a dedicated slack workspace for this course, which we will use to communicate with you. Please register to the following workspace with your full name and use it as much as possible.
 
 
 
3. The course will be assessed via:
  • (20% of the course mark) an individual take-home assessment handed out on Monday 11th October with deadline on Monday 25th October 5pm.
  • (80% of the course mark) a group data challenge handed out on Monday 8th November with a written report deadline on Friday 3rd December 5pm and oral assessments in the week of the 13th December. We will communicate further details about the formation of groups for the challenge at the start of November on the course slack channel.
 
4. You will have to complete the course work on your 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 current Anaconda distribution BEFORE the 1st lab session (https://www.anaconda.com/products/individual). Please also make sure that you have installed the PyTorch, numpy and scikit-learn python packages. 
 
 
 
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
 
Machine & Deep Learning for Graphs
- Graph Similarity 
- Graph Kernels 
- Node Embeddings

 

Format des notes

Numérique sur 20

Littérale/grade réduit

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

      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 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

            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 CPS - Cyber Physical Systems

              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 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 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 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 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 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 Non Diplomant

                              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 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 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 - Applied Mathematics and statistics

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