azeytin@gsu.edu.tr
Contenus
Objectif du Cours
L'objectif de ce cours est de fournir aux étudiants des bases solides en apprentissage automatique (machine learning) et en apprentissage profond (deep learning). En abordant à la fois les concepts théoriques et les applications pratiques, les étudiants apprendront à concevoir, implémenter et évaluer différents modèles d'apprentissage automatique afin de résoudre des problèmes du monde réel.
Contenu du Cours
L'objectif de ce cours est de fournir aux étudiants des bases solides en apprentissage automatique (machine learning) et en apprentissage profond (deep learning). En abordant à la fois les concepts théoriques et les applications pratiques, les étudiants apprendront à concevoir, implémenter et évaluer différents modèles d'apprentissage automatique afin de résoudre des problèmes du monde réel.
Acquis d'Apprentissage du Cours
À l'issue de ce cours, les étudiants seront capables de comprendre les principes de l'apprentissage automatique et du? d'apprentissage profond, d'appliquer diverses techniques de ML pour résoudre des problèmes, d'implémenter des modèles en utilisant Python et les bibliothèques associées, et de développer leurs propres projets démontrant leurs acquis.
Méthodes d'Enseignement
Notebooks Python, diaporamas, projets.
Ressources
https://udlbook.github.io/udlbook/
https://www.amazon.com/Hundred-Page-Machine-Learning-Book/dp/199957950X
https://www.di.ens.fr/appstat/spring-2023/
Intitulés des Sujets
| Semaine | Intitulés des Sujets |
|---|---|
| 1 | Introduction |
| 2 | Pipeline de données ML minimal réutilisable et fuite de données (data leakage) |
| 3 | Fondations de l'optimisation |
| 4 | Entraînement = minimiser une perte |
| 5 | Descente de gradient pour les fonctions univariées |
| 6 | Descente de gradient pour les fonctions multivariées |
| 7 | Problème du point-selle et méthodes d'ordre supérieur |
| 8 | Régularisation |
| 9 | Boîte à outils des modèles I : Régression, prévision et classification binaire |
| 10 | Boîte à outils des modèles II : Classification multiclasse, arbres de décision et forêts aléatoires |
| 11 | Boîte à outils des modèles III : Boosting de gradient avec arbres, XGBoost, LightGBM et Clustering / Segmentation |
Système d'évalution
| Activités | Numéro | Contribution |
|---|---|---|
| Contribution du contrôle continu à la note finale | 1 | 50 |
| Contribution de l'examen final à la note finale | 1 | 50 |
| Total | 2 | 100 |
| Activités | Numéro | Contribution |
|---|---|---|
| Devoir | 0 | 0 |
| Présentation | 0 | 0 |
| Examen partiel (temps de préparation inclu) | 1 | 50 |
| Projet | 0 | 0 |
| Travail de laboratoire | 0 | 0 |
| Autres travaux pratiques | 0 | 0 |
| Quiz | 0 | 0 |
| Devoir/projet de session | 0 | 0 |
| Portefeuille | 0 | 0 |
| Rapport | 0 | 0 |
| Journal d'apprentissage | 0 | 0 |
| Mémoire/projet de fin d'études | 0 | 0 |
| Séminaire | 0 | 0 |
| Autre | 0 | 0 |
| Make-up | 0 | 0 |
| Total | 1 | 50 |
Tableau de la Charge de Travail
| Activités | Nombre | Durée | Charge totale de Travail |
|---|---|---|---|
| Durée du cours | 14 | 42 | 588 |
| Préparation pour le cours | 0 | 0 | 0 |
| Devoir | 0 | 0 | 0 |
| Présentation | 0 | 0 | 0 |
| Examen partiel (temps de préparation inclu) | 1 | 3 | 3 |
| Projet | 1 | 10 | 10 |
| Laboratoire | 0 | 0 | 0 |
| Autres travaux pratiques | 0 | 0 | 0 |
| Examen final (temps de préparation inclu) | 0 | 0 | 0 |
| Quiz | 0 | 0 | 0 |
| Devoir/projet de session | 0 | 0 | 0 |
| Portefeuille | 0 | 0 | 0 |
| Rapport | 0 | 0 | 0 |
| Journal d'apprentissage | 0 | 0 | 0 |
| Mémoire/projet de fin d'études | 0 | 0 | 0 |
| Séminaire | 0 | 0 | 0 |
| Autre | 0 | 0 | 0 |
| Charge totale de Travail | 601 | ||
| Charge totale de Travail / 25 | 24.04 | ||
| Crédits ECTS | 24 | ||