Descriptif
Nous sommes entrés dans l'ère des mégadonnées. L'explosion de données disponibles dans unlarge éventail de domaines d'applications suscite de nouveaux enjeux dans une pléthore de disciplines, allant des sciences de l'ingénieur au commerce et à la société en générale. Un enjeux principal émerge dans la question de comment prendre l'avantage de ces échelles de données, de manière à acquérir de nouvelles idées et connaissances pour améliorer la qualité des services offerts. C'est là que l'apprentissage machine et profond viennent en capitalisant sur les techniques et les méthodologies issues de l'exploration de données (profilage statistique, visualisation), visant à identifier des schémas, des corrélations, des modélisations et des prévisions. Dans ce domaine, l'apprentissage profond est devenu un élément très important pour la résolution de problèmes de prévision à grande échelle ces dernières années.
effectifs minimal / maximal:
/156Diplôme(s) concerné(s)
- M2 Data AI - Data and Artificial Intelligence
- M1 Cyber - Cybersecurity
- Programmes d'échange internationaux
- M1 Data AI - Data and Artificial Intelligence
- M1 HPDA - High Performance Data Analytics
- M2 HPDA - High Performance Data Analytics
- M1 Physique
- M2 Énergie
- MSc X-HEC Entrepreneurs
- Non Diplomant
- M1 Système Cyber Physique
- M2 Système Cyber Physique
- M1 Mathématiques Appliquées et Statistiques
- M1 IGD - Interaction, Graphic and Design
- M1 Fondements de l'Informatique MPRI
- MScT-Artificial Intelligence and Advanced Visual Computing
- Titre d’Ingénieur diplômé de l’École polytechnique
Parcours de rattachement
- PA-Panaché P1
- M2 Data AI - Data and Artificial Intelligence - Master 2A
- M1 Cyber - Cybersecurity - Master 1A
- M1 IGD - Interaction, Graphic and Design - Master 1A
- M1 Data AI - Data and Artificial Intelligence - Master 1A
- M1 HPDA - High Performance Data Analytics - Master 1A
- MSc X-HEC Entrepreneurs - Master
- M2 HPDA - High Performance Data Analytics - Master 2A
- M1 MPRI - Fondements de l'Informatique - Master 1A
- PA - Bioinformatique
- MScT AI-ViC - Semestre 1
- M1 - Mathématiques Appliquées et Statistiques - Master 1A
- PA - Informatique
- PA - Mathématiques Appliquées
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 M2 Système Cyber Physique
Le rattrapage est autorisé (Note de rattrapage conservée)- Crédits ECTS acquis : 4 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 Système Cyber Physique
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 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 HPDA - High Performance Data Analytics
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 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
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 MSc X-HEC Entrepreneurs
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 Énergie
Le rattrapage est autorisé (Note de rattrapage conservée)- Crédits ECTS acquis : 5 ECTS
Pour les étudiants du diplôme M1 Fondements de l'Informatique MPRI
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)- 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 : 5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme M2 - Energy Infrastructures Management
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 Programmes d'échange internationaux
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 Physique
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 Mathématiques Appliquées et Statistiques
Pour les étudiants du diplôme M1 Informatique - Voie Jacques Herbrand - X
Le rattrapage est autorisé (Note de rattrapage conservée)- Crédits ECTS acquis : 5 ECTS
Programme détaillé
Programme détaillé du cours :
(des changements mineurs peuvent se produire pendant le déroulement du cours)
Introduction générale à l'apprentissage machine
- Paradigmes d'apprentissage machine
- Pipelines d'apprentissage machine
Apprentissage supervisé
- Méthodes génératives et non génératives
- Classification naïve bayésienne
- Méthode basée sur l'utilisation d'un arbre de décision
Apprentissage non supervisé
- Réduction dimensionnelle
- Regroupement
Concepts avancés d'apprentissage machine
- Régularisation
- Sélection de modèles
- Sélection de caractéristiques
- Méthodes d'ensemble
Kernels
- Introduction aux kernels
- Machines à vecteurs de support
Réseaux de neurones
- Introduction aux réseaux de neurones
- Perceptrons et rétropropagation du gradient
Apprentissage profond I
- Réseaux de neurones conventionnels
- Réseaux de neurones récurrents
- Applications
Apprentissage profond II
- Traitement automatique des langues moderne
- Apprentissage profond non supervisé
- Intégrations, auto-encodeurs, réseaux antagonistes génératifs
Apprentissage par renforcement