2024-2025
Avenue Victor Maistriau 8a
7000 Mons
Fiche ects de l'unité d'enseignement #3624 intitulée :
Compléments en Machine learning
Master en sciences de l'Ingénieur industriel / orientation Informatique / Cycle 2 Bloc 2
- option Intelligence artificielle et Big Data
Informations
Responsable d'UE : Jean-Sébastien LERAT
Bloc : MA2 Info
Période : 1er quadrimestre
Durée : 60 h
Crédits : 5 ects
UE Prérequises : aucune
UE Corequises : aucune
Activités d'apprentissage (AA)
- Machine learning et Deep learning : 21 h, Jean-Sébastien LERAT
- Projet en Machine learning : 39 h, Jean-Sébastien LERAT
Connaissances et compétences préalables
Maîtrise des prérequis et des acquis d'apprentissage de l'unité d'enseignement Intelligence artificielle de la première année de master en sciences de l'ingénieur industriel en informatique de la haute école en Hainaut.
Contribution aux objectifs du référentiel de compétences de l'ARES
- Identifier, conceptualiser et résoudre des problèmes complexes
- Intégrer les savoirs scientifiques et technologiques afin de faire face à la diversité et à la complexité des problèmes rencontrés
- Concevoir, développer et améliorer des produits, processus et systèmes techniques
- Sélectionner et exploiter les logiciels et outils conceptuels les plus appropriés pour résoudre une tâche spécifique
- Établir ou concevoir un protocole de tests, de contrôles et de mesures.
- Concevoir et gérer des projets de recherche appliquée
- Réunir les informations nécessaires au développement de projets de recherche
- Réaliser des simulations, modéliser des phénomènes afin d’approfondir les études et la recherche sur des sujets technologiques ou scientifiques
- Mener des études expérimentales, en évaluer les résultats et en tirer des conclusions
- Valider les performances et certifier les résultats en fonction des objectifs attendus
- Exploiter les résultats de recherche
- S’intégrer et contribuer au développement de son milieu professionnel
- Travailler en autonomie et en équipe dans le respect de la culture d’entreprise
- Entreprendre et innover, dans le cadre de projets personnels ou par l’initiative et l’implication au
sein de l’entreprise
- Intégrer les enjeux sociétaux, économiques et environnementaux dans ses décisions
- Dépasser les cadres ou les limites d’un problème et apporter des solutions innovantes
- Communiquer face à un public de spécialistes ou de non-spécialistes, dans des contextes
nationaux et internationaux
- Intégrer les réalités culturelles dans un contexte national et international
- S’engager dans une démarche de développement professionnel
- Actualiser ses connaissances et s’engager dans les formations complémentaires adéquates
Acquis d'apprentissage spécifiques
- Utiliser la terminologie du domaine.
- Définir chaque terme du domaine.
- Expliquer et illustrer les grands principes et algorithmes standards.
- Choisir une solution d'auto-apprentissage adaptée à un problème donné.
- Choisir les hyperparamètres et entraîner un méta-modèle.
- Comparer les performances entre deux modèles distincts.
- Construire une solution complète d'auto-apprentissage par rapport à un problème donné.
- Evaluer un modèle ou solution d'auto-apprentissage, argumenter et justifier les performances.
Contenu des AA
Machine learning et Deep learning
- Classification
- Clustering
- SVM, Decision Trees, DBScan, K-means, Hierarchical Clustering, k-NN
- Training set, Validation set, Test set
- k-cross fold validation
- Activation functions
- Loss functions
- Backpropagation
- Perceptron
- Multi-layer Perceptron
- Convolutional Neural Network (Convolution, Pooling)
- Recurrent Neural Networks (RNN, LSTM)
- Generative Adversarial Networks
- Autoencoders
- Deep Reinforcement Learning (Deep Q-Learning)
- Time Series Forecasting
- Transfert Learning
- Compression
- Object Detection
- Transformers
Projet en Machine learning
Challenges :
- Convolutional Neural Network
- Generative Adversarial Networks
- Time Series Forecasting
Répartition des heures
Machine learning et Deep learning : 14 h de théorie, 7 h d'exercices/Labos
Projet en Machine learning : 1 h de théorie, 1 h d'exercices/Labos, 37 h de travaux
Méthodes d'enseignement
Machine learning et Deep learning : cours magistral, approche par situation problème, approche avec TIC, utilisation de logiciels
Projet en Machine learning : approche par projets, approche avec TIC, utilisation de logiciels
Langues d'enseignement
Machine learning et Deep learning : français
Projet en Machine learning : français
Supports
Machine learning et Deep learning : copies de présentations, notes d'exercices
Projet en Machine learning : copies de présentations, activités sur eCampus
Ressources bibliographiques
Machine learning et Deep learning
Dua, S. & Du, X. (2016). Data Mining and Machine Learning in Cybersecurity. CRC Press
Talbi, E.G. (2009). Metaheuristics: From Design to Implementation. Wiley
Shoham, Y. & Leyton-Brown, K. (2008). Multiagent Systems: Algorithmic, Game-Theoretic, and Logical Foundations. Cambridge
University Press
Nowak, M.A. (2006). Evolutionary Dynamics. Harvard University Press
Osborne, M.J. (2009). An Introduction to Game Theory. Oxford University Press
Borne, P., Benrejeb, M. & Haggège, J. (2007). Les réseaux de neurones: présentation et applications. Éditions Technip
Sutton, R.S. (2012). Reinforcement Learning. Springer US
Lin, C.T. & Lee, C.S.G. (1996). Neural Fuzzy Systems: A Neuro-fuzzy Synergism to Intelligent Systems. Prentice Hall PTR
Conway, D., & White, J. M. (2012). Machine learning for hackers: Case studies and algorithms to get you started. O’Reilly Media.
Dua, S., & Du, X. (2011). Data mining and machine learning in cybersecurity. Auerbach Publications.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning (adaptive computation and machine learning series). The MIT Press.
Machine learning in cyber trust: Security, privacy, and reliability. (2009). Springer.
Patterson, J., & Gibson, A. (2017). Deep learning: A practitioner’s approach. O’Reilly Media.
Projet en Machine learning
-
Évaluation et pondération
Méthode d'évaluation : note globale à l'UE
Langues d'évaluation : français, anglais
Modalités d'évaluation :
Le résultat des challenges (précision, classement) ainsi que l'évaluation du rapport permettent d'attribuer une note au projet.
Un examen oral permet d'attribuer une note à l'activité académique "Machine Learning et Deep Learning".
La note finale est une moyenne de ces deux notes.
Toutefois, un travail de qualité (justifications et fondement théorique requis dans le rapport) à l'activité d'apprentissage "Projet en Machine Learning" peut dispenser l'étudiant d'un examen oral.
Report de note d'une année à l'autre pour l'AA réussie en cas d'échec à l'UE :
- Machine learning et Deep learning : non
- Projet en Machine learning : non