Aller au contenu

Introduction à l'apprentissage machine

PDF icon Télécharger en PDF

  • Responsable de l'UE : Catherine ACHARD (catherine.achard@sorbonne-universite.fr)
  • Code UE : UM4RBI10-IntroML
  • Volumes horaires / étu : 14 h Cours, h TD, 14 h TP
  • Nombre de crédits de l'UE/EC : 3 ECTS
  • Parcours-type :
  • Semestre où l'enseignement est proposé : S1 S2 S3 S4
  • Langue d'enseignement : Français Anglais
  • Public concerné : Département SDI Autre (préciser) :
  • Localisation : Campus PMC Autre (préciser) :

Thématique

Cette UE introduit les concepts et méthodes de l'apprentissage machine. L'enseignement vise à donner aux étudiants la maitrise technique et méthodologique de l'intégralité d'un problème d'apprentissage : depuis l'acquisition et la préparation de données, l'apprentissage d'un modèle, jusqu'à l'évaluation des modèles et l'interprétation des résulats issus de cette évaluation.

Mots-clés : Apprentissage machine. Problèmes de régression et de classification. Apprentissage supervisé et non-supervisé. ACP. KPPV. Random forest. Classification bayésienne. SVM. Réseaux de neurones. Préparation de données. Méthodologie d'évaluation.

Prérequis

Afin de suivre cette UE, doivent être acquis précédemment :

  • Mathématiques : algèbre linéaire, analyse vectorielle et matricielle, fonctions de plusieurs variables
  • Informatique : programmation (sous Python : numpy, etc...), algorithmie

Acquis d'apprentissage visés (AAV)

À l'issue de cette UE, les étudiantes ou étudiants seront capables de :

  1. Analyser un problème : Identifier le paradigme adapté à la tâche et aux données
  2. Analyser un problème : Choisir un algorithme adapté à la tâche, aux données, et aux ressources
  3. Conception : Dimensionner un modèle
  4. Conception : Spécifier les méta-paramètres pour optimiser l’apprentissage des paramètres d'un modèle
  5. Mise en œuvre : Utiliser les environnements de conception avancés dédiés à l’apprentissage profond (langage, api, ide, matériel) pour mettre en œuvre l’implémentation d'un modèle
  6. Mise en œuvre : Préparer les données pour l’apprentissage
  7. Evaluation : Élaborer un protocole expérimental adéquat pour évaluer les performances d’un modèle
  8. Evaluation: Contrôler et interpréter les résultats obtenus pour assurer un apprentissage optimal

Séquencement et modalités de l'enseignement (indicatif)

Semaine C/TD/TP Contenu Préparation AAV associé(s)
S1 C1 C1 - Intro, codage, matrice de covariance, ACP, LDA, sélection de caractéristiques AAV 1
S2 C2 / TP1 C2 - Formalisme d’un problème d’apprentissage, performance d’un classifieur, KPPV et distance de Mahalanobis TP1 - ACP AAV 1, 2
S3 C3 / TP2 C3 - Random Forest, Classification bayésienne, estimation des ddp TP2 - KPPV avec test sur 2 images non mises en forme AAV 1, 2, 5, 6, 7
S4 C4 / TP3 C4 - SVM TP3 - Courbe ROC AAV 1, 2, 5, 6, 7
S5 C5 / TP4 C5 - Régression, classification non supervisée TP4 - Random forest AAV 1, 2, 3, 4, 8
S6 C6 / TP5 C6 - Introduction aux Réseaux de neurones : du MLP au CNN TP5 - Biais/variance de l'erreur, mesure de performance sur modèle pré-entrainés AAV 1, 2, 3, 4, 5
S7 C7 / TP6 C7 - Architectures neuronales classiques, processus d'attention, application à la segmentation U-Net TP6 - SVM AAV 1, 2, 3, 4, 5
S8 TP7 TP7 - RN AAV 1, 2, 3, 4, 5, 6, 7

Modalités d'évaluation des acquis d'apprentissage (1ère session)

Semaine Indiv/collectif Présentiel/distanciel Type d'examen AAV évalué(s) Barème %
S4 Individuel Présentiel Écrit AAV 1- 8 30%
S10 Individuel Présentiel Écrit AAV 1- 8 30%
S10 Individuel Présentiel TP AAV 1- 8 20%
S10 Individuel Présentiel TP AAV 1- 8 20%

2nde session

Session Indiv/collectif Présentiel/distanciel Type d'examen AAV évalué(s) Barème %
2 Individuel Présentiel Écrit AAV 1- 8 60%
1 Individuel Présentiel TP AAV 1- 8 20%
1 Individuel Présentiel TP AAV 1- 8 20%

Logo SDI Date de génération de la fiche d'UE : 14/01/2026 Logo SDI