v2.11.0 (5648)

Programme d'approfondissement - CSC_51054_EP : Machine and Deep learning

Domaine > Mathématiques appliquées, Informatique.

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.

 

 

Format des notes

Numérique sur 20

Littérale/grade réduit

Pour les étudiants du diplôme M1 MPRI - Fondements de l'Informatique

L'UE est acquise si Note finale >= 10
  • Crédits ECTS acquis : 5 ECTS

Pour les étudiants du diplôme M1 CPS - Système Cyber Physique

Le rattrapage est autorisé (Note de rattrapage conservée)
    L'UE est acquise si Note finale >= 10
    • 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 CPS - Système Cyber Physique

    Le rattrapage est autorisé (Note de rattrapage conservée)
      L'UE est acquise si Note finale >= 10
      • Crédits ECTS acquis : 5 ECTS

      Pour les étudiants du diplôme MScT-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 Programmes d'échange internationaux

        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 Titre d’Ingénieur diplômé de l’École 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 MSc X-HEC Entrepreneurs

            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

            Mots clés

            apprentissage machine, apprentissage profond, intelligence artificielle, réseau de neurones graphiques
            Veuillez patienter