ML 2023-2024

Lien Mattermost : https://channel.isir.upmc.fr/signup_user_complete/?id=hi7d5wjd1f8stfp9bhpwdytxgc&md=link&sbr=su
(chan ML)

Planning MLL

Cours : 1) 17/01, 2) 24/01, 3) 14/02, 4) 28/02, 5) 13/03
TD/TME : 1) 24/01, 2) 7/02, 3) 28/02, 4) 20/03, 5) 27/03

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
Cours 8 (ML) : RL
Cours 9 (ML) : Systèmes de recommandation
Cours 10 (ML): Processus Gaussien

Projet (ML) : Enoncé, squelette

TDs

TD 1 (ML et MLL) : Rappels MAPSI, Estimation de densité
TD 2 (ML et MLL) : Descente de gradient, modèles linéaires
TD 3 (ML et MLL) : Perceptron
TD4 (ML) : Backpropagation et NN
TD 5 (ML et MLL(4) ) : SVMs, Noyaux
TD 6 (ML et MLL(5)) : Boosting, Entropie
TD 7 (ML) : Non supervisé
TD 8 (ML) : RL
TD 9 (ML) : RKHS, Systèmes de recommandation
TD 10 (ML) : Annales

TMEs

TME 1 (ML et MLL) : Estimation de densité (données et code source)
TME 2 (ML et MLL) : Descente de gradient, modèles linéaires (code source)
TME 3 (ML) : Intro aux réseaux de neurones
TME 4 (ML) : Intro aux réseaux de neurones (II)
TME 5 (ML et MLL(3 et 4)) : Perceptron et SVMs (squelette et données)
TME 6 (ML et MLL(5)) : Boosting, Bagging
TME 7 (ML) : Non supervisé (k-means pour la caractéristation géographique)
- (ou Inpainting et apprentissage de dico)
- (ou K-means et compression d’images)
TME 8 (ML) : RL (squelette de code)
TME 9 (ML) : Systèmes de recommandation (données)
TME 10 (ML) : Processus Gaussien

TPs sur la PPTI

Machines de la PPTI

Trois salles de la ppti sont équipées de bons GPUs (RTX 2080) : la 502, la 509 et la 407. Pour se connecter, en ssh en passant par la passerelle ssh.ufr-info-p6.jussieu.fr, puis ppti-14-502-XX (XX=01 à 16) ou ppti-14-407-XX. Ces machines sont arrêtées le soir et redémarrées le matin; en cours de semestre, elles seront utilisables toute la journée, mais rebootées une fois par jour vers 8h. Au niveau espace disque, en plus du /tmp, vous avez également un répertoire /temporary qui est semi-permanent (il n’est pas nettoyé à chaque reboot) de plus de 300Go, dans lequel vous pouvez travailler quand vous avez besoin de place. N’oubliez pas de recopier les résultats expérimentaux toutefois !

Se connecter à distance sur les machines de la PPTI

Pour pouvoir vous connecter à distance aux machines de la PPTI, il faut utiliser ssh. Afin de vous permettre de vous connecter facilement, il faut ajouter dans le fichier de configuration $HOME/.ssh/config les lignes suivantes :

Host ppti 
   User votre_login 
   Hostname ssh.ufr-info-p6.jussieu.fr 

Host ppti-* User votre_login
   User votre_login  
    ProxyJump ppti

Pour lancer un jupyter lab, faire ssh -L8888:localhost:8888 -L 6006:localhost:6006 ppti-14-502-XX et lancer jupyter lab sur la machine à distance. En local, vous utilisez l’adresse habituelle de jupyter, http://localhost:8888, et de tensorboard, http://localhost:6006.

Pour plus de facilité, utilisez une clef SSH en exécutant sur votre machine

ssh-keygen -t ed25519

Dans le répertoire .ssh, vous trouverez un fichier id_ed25519.pub dont le contenu devra être mis dans le $HOME/.ssh/authorized_hosts d’une machine de la ppti.

Master Data Science Paris – DAC – SU

Planning MLL

Cours

Projet (ML) : Enoncé, squelette

TDs

TMEs

TPs sur la PPTI

Machines de la PPTI

Se connecter à distance sur les machines de la PPTI

Annales :

Bibliographie/liens utiles

Cours on-line :

Livres :

Python Numpy

Autres ressources