v2.11.0 (5757)

Programme d'approfondissement - APM_51053_EP : Bases de l'Apprentissage Automatique

Domaine > Mathématiques appliquées.

Descriptif

L'apprentissage machine est une discipline scientifique la conception et le développement d'algorithmes qui permettent aux ordinateurs d'apprendre à partir de données. est d'apprendre des schémas complexes automatiquement et de faire des décisions intelligentes fondées sur ces modèles.

Machine learning is a scientific discipline that is concerned with the design and development of algorithms that allow computers to learn from data. A major focus of machine learning is to automatically learn complex patterns and to make intelligent decisions based on them.

This course focuses on the methodology underlying supervised and unsupervised learning, with a particular emphasis on the mathematical formulation of algorithms, and the way they can be implemented and used in practice. We will therefore describe some necessary tools from optimization theory, and explain how to use them for machine learning.

Proofs will not be made during the lectures: some will be made during the labs others could be found in a document. Finally, each lab will finish with a numerical lab in Python

Validation

  • A Kaggle challenge (10 points)
  • A final exam (10 points)

La méthodologie sera la principale préoccupation des cours, tandis que certaines preuves seront réalisées pendant les PC. La pratique sera réalisé par le biais d'un défi.

Format des notes

Numérique sur 20

Littérale/grade réduit

Pour les étudiants du diplôme M1 IES - Innovation, Entreprise et Société

Vos modalités d'acquisition :

  • Examen final (10 pt)
  • Défi Kaggle (10 pt)

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

Pour les étudiants du diplôme Titre d’Ingénieur diplômé de l’École polytechnique

Vos modalités d'acquisition :

  • Examen final (10 pt)
  • Défi Kaggle (10 pt)

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

    Vos modalités d'acquisition :

    • Examen final (10 pt)
    • Défi Kaggle (10 pt)

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

    Pour les étudiants du diplôme MScT-Internet of Things : Innovation and Management Program (IoT)

    Vos modalités d'acquisition :

    • Examen final (10 pt)
    • Défi Kaggle (10 pt)

    Le rattrapage est autorisé (Note de rattrapage conservée)
      L'UE est acquise si note finale transposée >= C
      • Crédits ECTS acquis : 4 ECTS

      La note obtenue rentre dans le calcul de votre GPA.

      Pour les étudiants du diplôme MScT-Artificial Intelligence and Advanced Visual Computing

      Vos modalités d'acquisition :

      • Examen final (10 pt)
      • Défi Kaggle (10 pt)

      Le rattrapage est autorisé (Note de rattrapage conservée)
        L'UE est acquise si note finale transposée >= C
        • Crédits ECTS acquis : 4.5 ECTS

        La note obtenue rentre dans le calcul de votre GPA.

        Pour les étudiants du diplôme M1 MJH - Mathématiques Jacques Hadamard

        Vos modalités d'acquisition :

        • Examen final (10 pt)
        • Défi Kaggle (10 pt)

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

        Pour les étudiants du diplôme Programmes d'échange internationaux

        Vos modalités d'acquisition :

        • Examen final (10 pt)
        • Défi Kaggle (10 pt)

        Le rattrapage est autorisé (Note de rattrapage conservée)
          L'UE est acquise si note finale transposée >= C
          • Crédits ECTS acquis : 5 ECTS
          Veuillez patienter