Acquis d'apprentissage

A l'issue du cours, l'étudiant devra faire preuve d'une compréhension des différents thèmes abordés (cf. contenu), c'est-à-dire être capable d'exprimer avec ses propres mots la théorie et les méthodes vues au cours et expliquer dans quel contexte celles-ci sont utiles. Il doit également être capable de mettre en oeuvre les techniques vues au cours sur un problème complexe d’analyse de données.

 

Contenu

Dans le prolongement du cours IDASM102 « Machine learning et data mining », ce cours explore des méthodes plus avancées en machine learning et deep learning.  Les sujets suivants seront abordés :

  1. probabilistic learning
  2. deep learning for images
  3. XAI and regularisation
  4. XGBoost and feature importance
  5. deep learning for sequences
  6. density estimation and information theory
  7. generative deep learning models
  8. from text mining to large language models
  9. machine learning in the cloud and MLOps

Ces cours seront complétées par deux séances « research talks » sur base d’interventions d’experts scientifiques en live et de conférences internationales enregistrées et visionnées en auditoires.  Une séance sera également consacrée au présentations des projets (cf. « mode d’évaluation »).

 

Méthode d'évaluation

Le cours est divisé en deux activités d'apprentissage. La première est constituée des cours magistraux et est évaluée par un examen oral portant sur la théorie du cours (70% de la note globale). La seconde est une évaluation continue de la capacité des étudiants à mettre en oeuvre les techniques vues au cours et de se documenter sur celles-ci (30% de la note globale).  Il devra pour cela réaliser un projet dont le timing approximatif est :

  1. fin septembre : séance d’introduction aux frameworks usuels en deep learning
  2. début octobre : séance de lancement du projet par les assistants
  3. fin octobre : séance de questions-réponses / checkpoint d’avancecment du projet
  4. mi-novembre : présentations des résultats obtenus

Le projet sera évalué sur base de soumissions régulières sur une plateforme en ligne et de la présentation finale.  Il sera réalisé par équipes de deux étudiants.

 

Sources, références et supports éventuels

Des références sont données pendant le cours.

 

Langue d'instruction