Mina Arzaghi

1- Séance 1 (le 27 Août): Introduction au cours et rappels mathématiques

Lecture:
- Diapos
- Lecture obligatoire:Prologue to The Master Algorithm
- Lecture suggérée:

2- Séance 2 (le 3 Septembre): Les fondements de l’apprentissage automatiques

Capsules:
- Diapos
- Learning Problem [14:40]
- Types of Experiences [13:15]
- A first Supervised Model [8:03]
- Model Evaluation [15:26]
- Regularization [4:09]
- Model Validation [3:08]
- Bias / Variance tradeoff [11:50]
Lecture obligatoire::
- Chapter 5 of Deep Learning. You can skip 5.4 (except 5.4.4) to 5.10.
Matériel pour la classe::
- Résumé.
- Exercices,
- Solution

3- Séance 3 (le 10 Septembre): Modèles d’apprentissage supervisé

Capsules:
- Diapos
- Nearest Neighbor [19:05]
- Linear Classification [15:26]
- Introduction to Probabilistic Models (for Classification) [11:55]
- The Naive Bayes Model [24:28]
- Naive Bayes Example [9:26]
Lecture: Sections 4.1-4.3, 4.5 of The Elements of Statistical Learning (available online), Sections 3.5 and 4.2 of Machine Learning (K. Murphy)
Matériel pour la classe::
- Résumé.
- Exercices,
- Solution

4- Séance 4 (le 17 Septembre): Python pour la programmation scientifique et pour l’apprentissage automatique [Séance pratique]

ATENTION:
- Pour cette séance pratique, il est obligatoire d’avoir un ordinateur portable!
- Je vous recommande de démarrer le tutoriel la semaine avant le cours et de le terminer pendant le cours.
Lecture:
- Tutorial
- Solution

5- Séance 5 (le 24 Septembre): Réseaux de neurones et apprentissage profond

Capsules:
- Diapos
- From linear classification to neural networks [19:28]
- Training neural networks [20:14]
- Learning representations [13:40]
- Neural networks hyperparameters [25:20]
- Neural networks takeaways [7:00]
Lecture obligatoire: 6.1–6.3 et 6.5 du livre DL (arrëtez à 6.5.4).
Lecture facultatif: Chapitre 11 du livre ESL.
Matériel pour la classe::

6- Séance 6 (le 1 Octobre): Réseaux de neurones récurrents et réseaux de neurones à convolutions

Capsules:
- Diapos
- Modelling Sequential Data [8:42]
- Practical Overview of RNNs [29:32]
- RNNs for language modelling [15:13]
- Overview of CNNs [13:30]
- Convolutions and Pooling [26:00]
- Conclusions and Practical remarks [9:17]
Lecture obligatoire: Sections 10, 10.1, 10.2 (survoler 10.2.2, sauter 10.2.3) et 10.7. Sections 9, 9.1, 9.2, 9.3 (9.11 pour le plaisir). Les deux venant de DL
Matériel pour la classe::

7- Séance 7 (le 8 Octobre): Apprentissage Non supervisé

Capsules:
- Diapos
- Introduction to unsupervised learning [8:17]
- K-means clustering [41:58] (there’s a natural break at 22:28)
- GMMs for clustering [17:52]
- Beyond Clustering [14:42]
Lecture obligatoire: Section 14.3 (sauf 14.3.5 et 14.3.12) du livre [ESL]
Matériel pour la classe::

8- Semaine d’étude (le 15 Octobre): pas de cours

9- Semaine d’étude (le 22 Octobre): pas de cours ___

10- Proposition du projet(le 29 Octobre): Rencontre en équipe à propos du projet

11- Séance 8 (le 12 Novembre): Calcul parallèle pour données massives

ATENTION:
- Cette séance ne sera pas donnée en pédagogie inversée.
Capsules:
- Diapos
- Introduction to Distributed Computing for ML [19:35]
- MapReduce [17:41]
- Spark [17:37]
Matériel pour la classe::
- Diapos
- Résumé

12- Séance 9 (le 5 Novembre): Systèmes de recommandations

Lecture obligatoire: Présentation du cas et du dérolement de la séance et réponse à la Question 1 à remettre la veille du cours au plus tard)
Matériel pour la classe::
- Diapos
- Référence (facultative)Tutoriel sur les systèmes de recommandation

13- Séance 10 (le 19 Novembre): Attention et transformeurs

14- Séance 11 (le 26 Novembre): Modèles génératifs modernes

15- Présentations des projets(le 3 Décembre): Poster