Maitriser les bases des techniques de Machine Learning et du Deep Learning
PREREQUIS : Probabilité / Statistiques, langage interprété (Python)
| A la fin de l’unité pédagogique, l’élève sera capable de : | Niveau de taxonomie | Priorité |
|---|---|---|
| Connaître les paradigmes d’apprentissage | 1. Connaître | Essentiel |
| Comprendre et appliquer le fonctionnement des grandes méthodes d’apprentissage dont le deep learning | 2. Comprendre | Important |
| Comprendre et appliquer le fonctionnement des grandes méthodes d’apprentissage dont le deep learning | 3. Appliquer | Important |
| Analyser des problèmes de type Data Analysis | 4. Analyser | Important |
| Connaître les failles de sécurité des modèles de Machine Learning | 1. Connaître | Utile |
| Part de l'évaluation individuelle | Part de l'évaluation collective | ||||
|---|---|---|---|---|---|
| Examen sur table : | 50 | % | Livrable(s) de projet : | % | |
| Examen oral individuel : | % | Exposé collectif : | % | ||
| Exposé individuel : | % | Exercice pratique collectif : | % | ||
| Exercice pratique individuel : | 50 | % | Rapport collectif : | % | |
| Rapport individuel : | % | ||||
| Autre(s) : % | |||||
| Type d’activité pédagogique : | Contenu, séquencement et organisation |
|---|---|
| Cours 1 | (3h) Introduction au Machine Learning, bases mathématiques et rappel Python Les paradigmes d’apprentissages Bases de données, modèles, overfitting, généralisation Bases Probabilité/Statistiques Rappels Python pour l’analyse de données |
| Cours 2 | (3h) Apprentissage non supervisé et supervisé (SVM, boosting) Analyse en Composantes Principales Méthodes de Clustering Régression Logistique SVM Boosting |
| Cours 3 | (3h) Deep Learning I Perceptron et réseaux de neurones MultiLayer Perceptron Convolutionnal Neural Network (CNN) |
| Cours 4 | (3h) Deep Learning II Recurent Neural Network (RNN) Autoencoder Modèles génératifs Transfer Learning et adaptation de domaines |
| TD 5 | (3h) TD, Analyse de données / Machine Learning |
| Cours 6 | (1,5h) Sécurité du Machine Learning Les menaces visant l’intégrité la confidentialité et l’accessibilité des systèmes de Machine Learning Cas des Adversarial Examples |
| TD 7 | (1,5h) TD, Machine Learning |