Descriptif
Edition 2022 - 2023
Course Logistics
1. The course will take place on Monday and Wednesday afternoons beginning on 19/09/2022 as follows (Please check the synapses platform to see which group (Gr) you were assigned to, to determine your lab time and location):
- Monday (14:00 - 16:00) magistral teaching in: Amphi Cauchy.
- Monday (16:15 - 18:15) lab sessions in the small classes: Amphi Painlevé (Gr1), Amphi Poisson (Gr2), Amphi Sauvy (Gr3).
- Wednesday (14:00 - 16:00) lab sessions in the small classes: PC11 (Gr4), PC22 (Gr5), PC12 (Gr6).
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.
https://join.slack.com/t/slack-ymb9142/shared_invite/zt-1fi2zfe6r-RmTe4OVpq6xJKSpcn9DNJg
3. The course will be assessed via:
- (20% of the course mark) an individual take-home assessment handed out on Monday 3rd October with deadline on Monday 17th October 2pm.
- (80% of the course mark) a group data challenge handed out on Monday 7th November with a written report deadline on Wednesday 7th December 5pm and oral assessments in the week of the 12th 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 the course progression.)
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
Diplôme(s) concerné(s)
- M2 Data AI - Data and Artificial Intelligence
- M1 Cyber - Cybersecurity
- M1 MPRI - Foudations of Computer Science
- M1 Data AI - Data and Artificial Intelligence
- M1 HPDA - High Performance Data Analytics
- M2 HPDA - High Performance Data Analytics
- M1 Physique - Voie Irène Joliot Curie - X
- M1 Informatique - Voie Jacques Herbrand - X
- M1 Physics
- M1 Mathematiques Jacques Hadamard
- M2 Énergie
- M1 CPS - Cyber Physical Systems
- MSc X-HEC Entrepreneurs
- Non Diplomant
- Titre d’Ingénieur diplômé de l’École polytechnique
- M1 Innovation, Entreprise, et Société - Voie Innovation technologique
- M1 IGD - Interaction, Graphic and Design
- M2 Cyber Physical System
- Echanges PEI
- MScT-Artificial Intelligence and Advanced Visual Computing
Parcours de rattachement
- M2 Data AI - Data and Artificial Intelligence - Master 2A
- M1 Cyber - Cybersecurity - Master 1A
- M1 Data AI - Data and Artificial Intelligence - Master 1A
- M1 HPDA - High Performance Data Analytics - Master 1A
- M1 IGD - Interaction, Graphic and Design - Master 1A
- M1 Informatique - Voie Jacques Herbrand - X - Semestre 1
- M1 Physique - Voie Irène Joliot Curie - X - Semestre 1
- MSc X-HEC Entrepreneurs - Master
- M2 HPDA - High Performance Data Analytics - Master 2A
- M1 MPRI - Foudations of Computer Science - Master 1A
- M1 - Mathematiques Jacques Hadamard - Master 1A
- MScT AI-ViC - Semestre 1
- M1 CPS - Cyber Physical Systems - Master 1A
- PA-Panaché P1
Format des notes
Numérique sur 20Littérale/grade réduitPour les étudiants du diplôme M1 HPDA - High Performance Data Analytics
Le rattrapage est autorisé (Note de rattrapage conservée)- Crédits ECTS acquis : 5 ECTS
Pour les étudiants du diplôme M1 Physics
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
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)- Crédits ECTS acquis : 5 ECTS
Pour les étudiants du diplôme M1 CPS - Cyber Physical Systems
Le rattrapage est autorisé (Note de rattrapage conservée)- Crédits ECTS acquis : 5 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 MSc X-HEC Entrepreneurs
Le rattrapage est autorisé (Note de rattrapage conservée)- Crédits ECTS acquis : 5 ECTS
Pour les étudiants du diplôme M1 IGD - Interaction, Graphic and Design
Le rattrapage est autorisé (Note de rattrapage conservée)- 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 M1 Mathematiques Jacques Hadamard
Pour les étudiants du diplôme M2 Cyber Physical System
Le rattrapage est autorisé (Note de rattrapage conservée)- Crédits ECTS acquis : 4 ECTS
Pour les étudiants du diplôme M1 Cyber - Cybersecurity
Le rattrapage est autorisé (Note de rattrapage conservée)- 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)- Crédits ECTS acquis : 5 ECTS
Pour les étudiants du diplôme M2 Énergie
Le rattrapage est autorisé (Note de rattrapage conservée)- Crédits ECTS acquis : 5 ECTS
Pour les étudiants du diplôme M2 HPDA - High Performance Data Analytics
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
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme MScT-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 Informatique - Voie Jacques Herbrand - X
Le rattrapage est autorisé (Note de rattrapage conservée)- Crédits ECTS acquis : 5 ECTS
Pour les étudiants du diplôme Echanges PEI
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 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 MPRI - Foudations of Computer Science
L'UE est acquise si note finale transposée >= C- Crédits ECTS acquis : 5 ECTS