Chaque module vaut 3 ECTS. Vous sélectionnez 10 modules/30 ECTS parmi les catégories suivantes:
- 12-15 crédits ECTS en Modules technico-scientifiques (TSM)
Les modules TSM vous transmettent une compétence technique spécifique à votre orientation et complètent les modules de spécialisation décentralisés. - 9-12 crédits ECTS en Bases théoriques élargies (FTP)
Les modules FTP traitent de bases théoriques telles que les mathématiques élevées, la physique, la théorie de l’information, la chimie, etc., vous permettant d’étendre votre profondeur scientifique abstraite et de contribuer à créer le lien important entre l’abstraction et l’application dans le domaine de l’innovation. - 6-9 crédits ECTS en Modules contextuels (CM)
Les modules CM vous transmettent des compétences supplémentaires dans des domaines tels que la gestion des technologies, la gestion d’entreprise, la communication, la gestion de projets, le droit des brevets et des contrats, etc.
Le descriptif de module (download pdf) contient le détail des langues pour chaque module selon les catégories suivantes:
- leçons
- documentation
- examen
L’apprentissage automatique ou Machine Learning (ML) est le fruit de l’intelligence artificielle et de la science informatique, et se définit comme une discipline universitaire visant à « donner aux ordinateurs la faculté d’apprendre sans avoir été explicitement programmés pour le faire ». (A. Samuel, 1959). A l’heure actuelle, l'apprentissage automatique est le moteur méthodologique des grandes tendances de fond de la digitalisation. Les experts en ML sont très recherchés aussi bien dans le milieu universitaire que dans le monde industriel.
Ce cours s’appuie sur des connaissances de base en mathématiques, programmation et analyses/statistiques telles qu’elles sont dispensées dans les différents cursus bachelor d’ingénieurs. Partant de là, il enseigne les bases des techniques modernes de l’apprentissage automatique par une méthode centrée sur la mise en pratique et l’application à des problèmes de la vie réelle. Le processus de création d’un système d’apprentissage est abordé dans sa globalité:
- formulation de la tâche à l’étude sous forme de problème d’apprentissage ;
- extraction de caractéristiques intéressantes à partir des données disponibles ;
- sélection et paramétrage d’un algorithme d’apprentissage convenant à la situation.
Les sujets abordés englobent des concepts transversaux tels que la conception et le débogage de système ML (comment interpréter les modèles appris et leurs résultats) ainsi que l’ingénierie des caractéristiques (feature engineering) ; les algorithmes abordés comprennent (parmi d’autres) les machines à vecteurs de support (Support Vector Machines) ainsi que les méthodes d’apprentissage ensemblistes.
Compétences préalables
- Mathématiques: calcul de base / algèbre linéaire / calcul des probabilités (c.-à-d. dérivées, multiplication de matrices, distribution normale)
- Statistiques: statistiques descriptives de base (c.-à-d. moyennes, variances et covariances, histogrammes, boîtes à moustaches)
- Programmation: bonne maîtrise d’un langage de programmation structuré (c.-à-d. Python, Matlab, R, Java, C, C++)
- Analyse: méthodes d’analyse des données élémentaires (prétraitement des données, régression linéaire & logistique)
Objectifs d'apprentissage
- Les étudiants connaissent le contexte et la taxonomie des méthodes d’apprentissage automatique ;
- Sur cette base, ils traduisent des problèmes donnés en tâches d’apprentissage et sélectionnent une méthode d’apprentissage adaptée;
- Les étudiants sont capables de convertir un set de données en un set de caractéristiques adapté à la tâche à l’étude ;
- Ils évaluent l’approche choisie de façon structurée en faisant appel à un design d’expérience adapté ;
- Les étudiants savent comment sélectionner des modèles, et «déboguer» des caractéristiques et des algorithmes d’apprentissage si les résultats ne répondent pas aux attentes ;
- Les étudiants sont capables d’utiliser les résultats d’évaluation pour optimiser les paramètres d’un système donné et maximiser ses performances ;
- Les étudiants ont pris connaissance d’exemples de différentes sources de données / types de problèmes et sont capables de consulter la littérature scientifique pour acquérir des connaissances spécialisées additionnelles.
Catégorie de module
- Introduction (2 semaines): convergence des participants ayant suivi diverses formations
- Apprentissage supervisé (7 semaines) : méthodes de modélisation à partir de données labellisées
Sujets transversaux: feature engineering ; ensemble Learning ; débogage des systèmes ML
Algorithmes: p. ex., SVM, apprentissage ensembliste, modèles graphiques (réseaux bayésiens) - Apprentissage non supervisé (3 semaines) : méthodes de modélisation à partir de données non-labellisées
Algorithmes: p.ex., réduction de dimensionnalité, détection d’anomalie, analyse de prototypes - Chapitres spéciaux (2 semaines):
Algorithmes: p.ex., apprentissage par renforcement, systèmes de recommandation, modèles de mélange gaussien
Méthodes d'enseignement et d'apprentissage
Cours en classe; exercices de programmation (p.ex., Python 3)
Bibliographie
T. Mitchell, « Machine Learning », 1997
C. M. Bishop, « Pattern Recognition and Machine Learning », 2006
G. James et al., « An Introduction to Statistical Learning », 2014
K. Murphy, « Machine Learning – A Probabilistic Perspective », 2012
Télécharger le descriptif complet
Retour