Programma di studio

• Obiettivi

  Machine Learning Applications and Frameworks

  A la fin du cours l'étudiant est capable de:

  • identifier les cas d'utilisation de techniques de machine learning
  • comprendre les concepts d'apprentissage à partir des données, d'apprentissage supervisé vs non supervisé, de présentation d'hypothèses
  • d'appliquer des méthodes machine learning pour des tâches de clustering, de classification, de prédiction
  • de comprendre les principes de base d'algorithmes de machine learning, tel que les algorithmes de clustering (k-Means), les approches bayésiennes, les Réseaux de Neurones Artificiels, les arbres de décisions, etc.
  • d'utiliser des frameworks ou des environnements d'analyse des donnéées tels que SciKit Learn, Jupyter Notebook, etc.
• contenuto

  ---------------------------------

  -Introduction-

  ---------------------------------

  Le Machine Learning est une branche de l'Intelligence Artificielle qui étudie des algorithmes dits à ''apprentissage automatique''. Ces algorithmes sont capables, à partir d'exemples, de résoudre des problèmes complexes qu'il serait difficile de résoudre en utilisant des approches traditionnelles. Le Machine Learning est aujourd'hui utilisé dans plusieurs domaines: prédiction (évolution de la bourse, météo), classification (reconnaissance de geste, reconnaissance de la parole, reconnaissance d'image), vérification/détection (authentification biométrique), data-mining (clustering sur données complexes).

  ---------------------------------

  -Méthode-

  ---------------------------------

  Le cours combine des séances théoriques et des séances pratiques. Une importance particulière est donnée aux séances pratiques qui se feront via des exercices dirigés en classe (entre autre par l'utilisation de Python et en utilisant des toolkits tels que SciKit Learn) et via des mini-projets réalisés en groupe de 2-3 personnes.

  ---------------------------------

  -Contenu-

  ---------------------------------

  -- Partie I - Principes de bases (20%) --

  • Définition des approches Machine Learning : concepts d'apprentissage à partir des données, d'apprentissage supervisé vs non supervisé, d'extraction de caractéristiques, de présentation d'hypothèses.
  • Définition des domaines d'utilisation à travers des exemples concrets : prédiction, classification, vérification, clustering.

  -- Partie II - Algorithmes de Machine Learning: théorie et application (60%) --

  • Introduction à SciKit Learn, Jupyter Notebook
  • Données brutes vers caractéristiques utiles: algorithmes de preprocessing et extraction de caractéristiques
  • Clustering
  • Règles d'association
  • Approches Bayesiennes
  • Arbres de décisions
  • Réseaux de neurones artificiels

  -- Partie III - Applications avancées (20%) --

  • Traitement de signaux sur des datasets typiques
  • Traitement de données hétérogènes, principes de fusion

Metodo d'insegnamento e volume di lavoro

Titolo del corso

Metodi di valutazione

• prove in itinere prove scritte, lavori pratici / valuatazione delle relazioni di laboratorio

Metodo di calcolo della nota del corso

La note du cours est la moyenne pondérée entre la note des travaux écrits et la note attribuée au travail pratique (mini-projet). Les pondérations des séries et mini-projets seront communiquées avec leurs énoncés.

Docente/i e/o coordinatore/i

Leonardo Angelini, Jean Hennebert, Elena Mugellini