ECTS : 3
Description du contenu de l'enseignement :
Objectifs du cours
Ce cours vise à initier les étudiants aux concepts fondamentaux et aux algorithmes clés du Machine Learning (ML), en couvrant les approches supervisées et non supervisées. Il prépare les étudiants à mettre en œuvre un projet ML complet, depuis la compréhension des données jusqu'à la construction d'un modèle prédictif robuste.
Plan du cours
Partie 1 : Fondamentaux du machine learning
· Qu’est-ce que le machine learning ?
· Types de machine learning
· Les étapes de construction d’un modèle
· Fondements de l’apprentissage supervisé
· Fonctions de perte
· Entraînement
· Généralisation
· Evaluation et réglage d’un modèle
· Sélection de modèle
Partie 2 : Support Vector Machines
· Séparateurs à marge rigide
· Séparateurs à marge souple
Partie 3 : Apprentissage non supervisé
· SVD et ACP
· Clustering
Partie 4 : Deep Learning (Introduction)
· Neurones artificiels et réseaux de neurones
· Fonctions d’activation
· Rétropropagation
Méthodes pédagogiques
· Cours magistraux
· Travaux pratiques en Python (Scikit-learn, TensorFlow ou PyTorch)
· Études de cas et projets concrets
Compétence à acquérir :
À l’issue du cours, les étudiants seront capables de :
· Comprendre les fondements algorithmiques du machine learning
· Choisir et paramétrer une technique d’apprentissage adaptée à un problème donné
· Concevoir et mettre en œuvre un pipeline de machine learning
· Évaluer les performances d’un modèle
· Construire des modèles prédictifs robustes à l’aide d’outils adaptés
Mode de contrôle des connaissances :
· Participation : 10%
· Quiz : 30%
· Projet : 60%