Descriptif
L'apprentissage automatique est une discipline scientifique qui s'intéresse à la conception et au développement d'algorithmes permettant aux ordinateurs d'apprendre à partir de données. L'un des principaux objectifs de l'apprentissage automatique est d'apprendre automatiquement des modèles complexes et de prendre des décisions intelligentes sur la base de ces modèles. L'ensemble des données possibles qui alimentent une tâche d'apprentissage peut être très vaste et diversifié, ce qui fait de la modélisation et des hypothèses préalables des problèmes critiques pour la conception d'algorithmes pertinents.
Ce cours vise à compléter le premier cours sur l'apprentissage automatique.
Objectifs pédagogiques
Objectif :
- compléter vos connaissances sur les méthodes classiques supervisées, non supervisées et génératives ;
- vous présenter les systèmes de recommandation et l'apprentissage par renforcement.
- vous donner quelques idées de base sur la façon de mettre un algorithme à l'échelle et de le déployer.
Diplôme(s) concerné(s)
- MScT-Double Degree Data and Finance (DDDF)
- MScT-Data Science for Business
- Titre d’Ingénieur diplômé de l’École polytechnique
Parcours de rattachement
Objectifs de développement durable
ODD 15 Vie terrestre.Format des notes
Numérique sur 20Littérale/grade réduitPour les étudiants du diplôme MScT-Data Science for Business
Vos modalités d'acquisition :
- Un lab numérique (5 pt)
- Un project (15 pt)
- 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
Vos modalités d'acquisition :
- Un lab numérique (5 pt)
- Un project (15 pt)
- Crédits ECTS acquis : 5 ECTS
Pour les étudiants du diplôme MScT-Double Degree Data and Finance (DDDF)
Vos modalités d'acquisition :
- Un lab numérique (5 pt)
- Un project (15 pt)
- Crédits ECTS acquis : 5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Programme détaillé
- Introduction, Error Estimation, Cross Validation and Auto ML
- A Review of the Methods seen so far
- Trees and Ensemble Methods
- Unsupervised Learning and Generative Learning: Beyond PCA and k-means
- Recommender System and Matrix Factorization
- Introduction to Reinforcement Learning
- At Scale Machine Learning and Deployment