2024-2025 / ELEN0062-1

Introduction to machine learning

Durée

30h Th, 5h Pr, 40h Proj.

Nombre de crédits

 Master : ingénieur civil physicien, à finalité approfondie5 crédits 
 Master : ingénieur civil biomédical, à finalité spécialisée5 crédits 
 Master en sciences informatiques, à finalité spécialisée en "computer systems security"5 crédits 
 Master en sciences informatiques, à finalité spécialisée en "computer systems security" (double diplômation avec HEC)5 crédits 
 Master en science des données, à finalité spécialisée5 crédits 
 Master : ingénieur civil électricien, à finalité spécialisée en "electronic systems and devices"5 crédits 
 Master : ingénieur civil électricien, à finalité spécialisée "Smart grids"5 crédits 
 Master : ingénieur civil en science des données, à finalité spécialisée5 crédits 
 Master : ingénieur civil en informatique, à finalité spécialisée en "management"5 crédits 
 Master : ingénieur civil en informatique, à finalité spécialisée en "intelligent systems"5 crédits 
 Master : ingénieur civil en informatique, à finalité spécialisée en "intelligent systems" (double diplômation avec HEC)5 crédits 
 Master en sciences informatiques, à finalité spécialisée en "management"5 crédits 
 Master : ingénieur civil en génie de l'énergie à finalité spécialisée en Energy Networks5 crédits 
 Master : ingénieur civil électricien, à finalité spécialisée en Neuromorphic Engineering5 crédits 
 Master : ingénieur civil en informatique, à finalité spécialisée en "computer systems security"5 crédits 
 Master : ingénieur civil en informatique, à finalité spécialisée en "computer systems security" (double diplômation avec HEC)5 crédits 
 Master en sciences informatiques, à finalité spécialisée en "intelligent systems"5 crédits 
 Master en sciences informatiques, à finalité spécialisée en "intelligent systems" (double diplômation avec HEC)5 crédits 
 Master en sciences mathématiques, à finalité approfondie8 crédits 
 Master en sciences physiques, à finalité approfondie6 crédits 
 Master en sciences mathématiques, à finalité didactique8 crédits 
 Master en sciences physiques, à finalité didactique6 crédits 
 Master en sciences géographiques, orientation géomatique, à finalité spécialisée en geodata-expert5 crédits 
 Master en sciences physiques, à finalité spécialisée en radiophysique médicale6 crédits 

Enseignant

Pierre Geurts, Louis Wehenkel

Langue(s) de l'unité d'enseignement

Langue anglaise

Organisation et évaluation

Enseignement au premier quadrimestre, examen en janvier

Horaire

Horaire en ligne

Unités d'enseignement prérequises et corequises

Les unités prérequises ou corequises sont présentées au sein de chaque programme

Contenus de l'unité d'enseignement

L'apprentissage automatique étudie des méthodes permettant la construction automatique d'une solution générale à un problème à partir de solutions d'instances particulières de ce problème. Les applications en sont nombreuses: extraction de règles de diagnostic médical de relevés médicaux de patients; bioinformatique; construction de procédures d'allocation de crédits bancaires à partir de bases de données de clients; vision par ordinateur; modélisation, optimisation, contrôle de processus complexes; synthèse automatique de programmes; extraction d'expertise humaine...
La partie théorique du cours introduit les différents types de problèmes d'apprentissage (apprentissage supervisé, classification et régression, et non supervisé, clustering et réduction de dimensionalité), les principes sous-jacents (biais/variance, validation croisée, sélection de modèles) et les grandes classes de méthodes complémentaires (régression linéaire, plus proches voisins, arbres de décision, méthodes d'ensemble, machines à support vectoriel, réseaux de neurones artificiels, k-moyennes...). Le cours théorique est complémenté par différents projets pratiques permettant aux étudiants de se familiariser avec les concepts théoriques et les principales méthodes en réalisant des expériences sur des jeux de données artificiels et réels.

Acquis d'apprentissage (objectifs d'apprentissage) de l'unité d'enseignement

A l'issue de ce cours l'étudiant sera capable d'analyser les principales propriétés théoriques (computationnelles et statistiques) de principaux algorithmes d'apprentissage automatique, de les mettre en oeuvre de façon pratique, et d'en évaluer les performances de façon rigoureuse.

Ce cours contribue aux acquis d'apprentissage I.1, I.2, II.1, II.2, II.3, III.1, III.2, III.3, III.4, IV.1, IV.2, V.2, VI.1, VI.2, VI.3, VII.1, VII.2, VII.3, VII.4, VII.5 du programme d'ingénieur civil en génie biomédical.


Ce cours contribue aux acquis d'apprentissage I.1, I.2, I.3, II.1, II.2, II.3, III.1, III.2, III.3, III.4, IV.1, IV.2, V.2, VI.1, VI.2, VI.3, VII.1, VII.2, VII.3, VII.4, VII.5 du programme d'ingénieur civil en science des données.

Ce cours contribue aux acquis d'apprentissage I.1, I.2, II.1, II.2, II.3, III.1, III.2, III.3, III.4, IV.1, IV.2, IV.8, V.2, VI.1, VI.2, VI.3, VII.1, VII.2, VII.3, VII.4, VII.5 du programme d'ingénieur civil électricien.


Ce cours contribue aux acquis d'apprentissage I.1, I.2, II.1, II.2, II.3, III.1, III.2, III.3, III.4, IV.1, IV.2, V.2, VI.1, VI.2, VI.3, VII.1, VII.2, VII.3, VII.4, VII.5 du programme d'ingénieur civil en informatique.

Savoirs et compétences prérequis

Eléments de calcul de probabilités, de statistique, d'algorithmique et d'optimisation numérique (tels qu'enseignés par exemple dans le bachelier en ingénieur civil ou en sciences informatiques).

Activités d'apprentissage prévues et méthodes d'enseignement

Cours théorique ex cathedra, combiné avec des projets sur ordinateur. Trois projets sont organisés pendant le semestre. Les deux premiers visent à mettre en pratique la matière du cours en répondant à des questions théoriques et en réalisant des expériences sur des jeux de données artificiels. Le troisième projet est organisé sous la forme d'une compétition entre étudiants visant à obtenir les meilleurs performances sur un problème d'apprentissage supervisé réel. Les trois projets sont à réaliser par groupe de typiquement deux étudiants.

Mode d'enseignement (présentiel, à distance, hybride)

Les cours magistraux sont donnés en présentiel. Les projets sont à réaliser de façon autonome.

Supports de cours, lectures obligatoires ou recommandées

Les transparents des cours théoriques sont disponibles sur la page web du cours. Des liens vers d'autres sources (livres ou articles) sont fournis sur cette même page web et à la fin de chaque jeu de transparents.

Modalités d'évaluation et critères

Examen(s) en session

Toutes sessions confondues

- En présentiel

évaluation orale

Travail à rendre - rapport


Explications complémentaires:

L'évaluation est basée sur les trois projets (40%) et un examen oral (60%).
Chaque projet demandra de soumettre un rapport écrit et le code source des solutions en temps voulu. Chaque groupe aura la possibilité de présenter sa solution au troisième projet (compétition) devant toute la classe. Les projets sont inséparables de l'unité d'enseignement et considérés comme obligatoires. Les étudiants qui n'auront pas réalisé les projets et / ou qui n'auront pas soumis les rapports attendus dans le délai prescrit ou dans la forme prescrite ne seront pas autorisés à passer l'examen oral.
Le but de l'examen oral sera d'évaluer la compréhension des concepts vus au cours théoriques. Les étudiants devront présenter une ou plusieurs parties du cours et répondre à des questions couvrant toute le matière.

Stage(s)

Remarques organisationnelles et modifications principales apportées au cours

Le cours est organisé au premier semestre, les mercredis de 9h00 à 12h30.
Page web : http://www.montefiore.ulg.ac.be/~lwh/AIA
   

Contacts

Enseignant: Louis Wehenkel (L.Wehenkel@uliege.be), Pierre Geurts (p.geurts@uliege.be)

Assistant: Yann Claes (y.claes@uliege.be)

 

 
 

 
 

Association d'un ou plusieurs MOOCs