Ce cours apparaît dans les formations suivantes :
• Ecole Du Numérique (EDN) - Master 2 Data & Intelligence Artificielle - S3 - 5 ECTS

Pré requis

Connaissances de base en programmation (de préférence en Python)

Connaissances en mathématiques (algèbre linéaire, statistiques et probabilités)

Objectifs du cours

• Se familiariser avec le langage de programmation Python et ses bibliothèques externes


• Comprendre et appliquer les approches d'apprentissage supervisé et non supervisé


• Résoudre des problèmes concrets à l'aide de diverses techniques et algorithmes de machine Learning Découvrir les réseaux de neurones et l'apprentissage par renforcement


• Appliquer les normes industrielles et les bonnes pratiques en matière de déploiement de modèles

Contenu du cours

Contenu :

• Introduction to Machine Learning : Definition, Life Cycle, and state of the art in Machine Learning


• Python Crash : Refresh students’ memory of commonly useful Python syntax and methods.


• Python Crash : Work with external python libraries such as NumPy, Pandas and Matplotlib.


• Supervised Learning : Introduction to supervised models with the help of scikit – learn ; Understand different types of problems (classification and prediction ) ; Solve real -world problems using regression models, decision trees , and NLP ; Feature engineering, data collection , and states ; Learn about common pitfalls (overfitting, training/testing, parameter optimization). Production mode tips, APIs , and deployment ; Hands -on projects using realworld datasets.


• Unsupervised Learning : Introduction to unsupervised models ; Understanding clustering problems. Working with recommender systems for multiple use cases. Hands -on projects.


• Advanced Learning : Introduction to Reinforcement Learning ; Introduction to Neural Networks and their variants .

Modalités d'enseignement

Organisation du cours

Cours de 36 heures

Méthodes pédagogiques

Évaluation

Examen : coeff. 1

Bibliographie

• ||
  

  
  
  • Murphy, K. P. (2012). Machine learning: a probabilistic perspective. MIT press.
  
  
  • Ng, A. (2017). Machine learning yearning. URL: http://www.mlyearning.org/(96), 139.
  
  

Ressources internet

• 
  

  1. https://docs.python.org

  
  

  2. NumPy : https://numpy.org/doc

  
  

  3. Pandas : https://pandas.pydata.org/docs

  
  

  4. Scikit-Learn : https://scikit-learn.org/stable/user_guide.html

  
  

  5. Coursera (Andrew Ng) : https://www.coursera.org/learn/machine-learningGoogle

  
  

  6. Machine Learning Crash Course : https://developers.google.com/machine-learning/crash-course