Course info

L'apprentissage machine est une discipline scientifique la conception et le développement d'algorithmes qui permettent aux ordinateurs d'apprendre à partir de données. est d'apprendre des schémas complexes automatiquement et de faire des décisions intelligentes fondées sur ces modèles.

Ce cours se concentre sur la méthodologie sous-jacent l'apprentissage supervisé eet non supervisé, en insistant particulièrement sur la formulation mathématiques des algorithmes et la façon dont ils peuvent être mis en oeuvre et utilisés en pratique. Nous allons donc décrire quelques outils indispensables issus de la théorie de l'optimisation et expliquer comment les utilisés pour l'apprentissage machine. Un aperçu sur les garentis théoriques, tels que les limites supérieurs sur l'erreur en généralisation, sera fourni lors du dernier cours.

La méthodologie sera la principale préoccupation des cours, tandis que certaines preuves seront réalisées pendant les PC. La pratique sera réalisé par le biais d'un défi.

---

Machine learning is a scientific discipline that is concerned with the design and development of algorithms that allow computers to learn from data. A major focus of machine learning is to automatically learn complex patterns and to make intelligent decisions based on them.

This course focuses on the methodology underlying supervised and unsupervised learning, with a particular emphasis on the mathematical formulation of algorithms, and the way they can be implemented and used in practice. We will therefore describe some necessary tools from optimization theory, and explain how to use them for machine learning. A glimpse about theoretical guarantees, such as upper bounds on the generalization error, are provided during the last lecture.

The methodology will be the main concern of the lectures while some proofs will be done during the PCs. Practice will be done through a challenge.