Lien Mattermost : https://tiny.cc/M1DAC24 (chan ML)
Planning
Cours ML : 1) 15/01, 2) 22/01, 3) 29/01, 4) 5/02, 5) 12/02, 6) 19/02, 7) 12/03, 8) 19/03, 9) 26/03, 10) 2/04
Cours MLL : 1) 15/01, 2) 22/01, 3) 12/02, 4) 19/02, 5) 12/03
MLL TD/TME : 1) 22/01, 2) 29/01, 3) 19/02, 4) 12/03, 5) 19/03
MLL TD/TME CogSup : 1) 22/01, 2) 29/01, 3) 3/02, 4) 17/02, 5) 10/03
ML CogSup : 1) 22/01, 2) 29/01, 3) 3/02, 4) 10/02, 5) 17/02, 6) 10/03, 7) 17/03, 8) 24/03, 9) 31/03, 10) 7/04
Partiel ML : 5/03
Examen ML/Examen MLL : 30/04 ou 7/05
Projet
Cours
- Cours 1 (ML et MLL) : Intro, Classification Bayésienne, Estimation de densité
- Cours 2 (ML et MLL) : Modèles linéaires, descente de gradient, perceptron
- Cours 3 (ML) : Réseau de neurones (I)
- Cours 4 (ML) : Réseau de neurones (II)
- Cours 5 (ML et MLL) : SVMs, Noyaux
- Cours 6 (ML et MLL) : Théorie de l’apprentissage, Ensemble Learning
- Cours 7 (ML et MLL) : Apprentissage non supervisé, Réduction de dimension
- Cours 8 (ML) : Reinforcement Learning
- Cours 9 (ML) : Processus Gaussien
- Cours 10 (ML) : Systèmes de recommandation
TDs
- TD 1 (ML et MLL) : Rappels MAPSI, Estimation de densité (english version)
- TD 2 (ML et MLL) : Descente de gradient, modèles linéaires (english version)
- TD 3 (ML et MLL) : Perceptron (english version)
- TD 4 (ML) : Backpropagation et Réseau de neurones (english version)
- TD 5 (ML et MLL) : SVMs, Noyaux (english version)
- TD 6 (ML et MLL) : Boosting, Entropie (english version)
- TD 7 (ML) : Non supervisé (english version)
- TD 8 (ML) : RKHS, Systèmes de recommandation (english version)
- TD 9 (ML) : RL (english version)
- TD 10 (ML) : Révisions (english version)
TMEs
- TME 1 (ML et MLL) : Estimation de densité (données et code source) (english version)
- TME2 (ML et MLL) : Descente de gradient, modèles linéaires (english version) (code source)
- TME 3 (ML) : Intro aux réseaux de neurones (english version)
- TME 4 (ML) : Intro aux réseaux de neurones (2) (english version)
- TME 5 (ML et MLL) : Perceptron et SVMs (english version) (squelette et données)
- TME 6 (ML et MLL) : Boosting, Bagging (english version)
- TME 7 (ML) : Non supervisé (k-means pour la caractéristation géographique, english version)
(ou Inpainting et apprentissage de dico, english version, squelette de code) - TME 8 (ML) : Systèmes de recommandation (english version) (données)
- TME 9 (ML) : RL (english version, squelette de code)
- TME 10 (ML): Processus gaussien (english version)
TPs sur la PPTI
Se connecter à distance sur les machines de la PPTI : voir cette page
Annales :
- 2014-2015 : Examen, Rattrapage
- 2015-2016 : Partiel, Examen
- 2016-2017 : Partiel, Exam, Rattrapage
- 2017-2018 : Partiel, Exam, Rattrapage
Bibliographie/liens utiles
Cours on-line :
- Cours de J. Corso, Buffalo University
- Cours de K. Murphy, Brown University
- Cours A. Smola, Canergie Mellon University
- Cours A. Ng, Stanford University
- Cours T. Mitchell, Stanford University
- Cours K. Weinberger, Cornell University
- Cours N. de Freitas, British Columbia University
Livres :
- Element of Statistical Learning, Hastie, Tibshirani and Friedman (la référence)
- Pattern Classification, Duda, Hart and Stork
- Machine Learning, T. Mitchell
- Pattern Recognition, C. Bishop
- Reinforcement Learning, Barto et Sutton
- Deep Learning, Goodfellow, Bengio, et Courteville
- A course in Machine Learning, Hal Daumé III (le plus abordable et simple)
Python Numpy
- Tuto MAPSi
- Autre très bon tuto (A. Gramfort, Telecom)
- Python en 10 min
- De matlab à Numpy
- Le tuto officiel