Approfondissements en machine learning

Ce module approfondit les compétences en Machine Learning selon trois axes complémentaires.

• La première partie consolide les fondations d'un pipeline ML robuste : préparation des données, réduction dimensionnelle, équilibrage et optimisation des hyperparamètres.
• La deuxième partie renforce les méthodes adaptées aux données de grande dimension, en explorant les modèles linéaires régularisés (Ridge, Lasso) puis en introduisant les réseaux de neurones pour l'apprentissage de relations non linéaires complexes.
• La troisième partie introduit le Reinforcement Learning et le Deep Reinforcement Learning, abordés par leurs fondements mathématiques.

• Maîtriser les techniques avancées de préparation et nettoyage des données.
• Optimiser les hyperparamètres de modèles complexes de manière rigoureuse.
• Comprendre et appliquer les modèles linéaires régularisés pour les données de grande dimension.
• Introduire les réseaux de neurones et leurs fondements théoriques.
• Comprendre les fondements mathématiques du Reinforcement Learning.
• Appréhender les architectures de Deep Reinforcement Learning.

Modalités : CCI
SESSION UNIQUE :
Contrôle Continu
• Type : QCM, Dossier
• Durée : --

Régime Dérogatoire
• Type : Oral, Dossier
• Durée : 0h30

RATTRAPAGES
• Type : Oral, Dossier
• Durée : 0h30

Utilisation de l'intelligence artificielle : 
Pour cet EC, l’usage de l’intelligence artificielle (IA) générative pour aider à la réalisation des travaux de contrôle continu soumis à évaluation

• est autorisé pour les tâches suivantes : Dossiers
• Il est interdit pour les tâches suivantes : QCM

Les résultats fournis par l’IA doivent constituer un matériau pour votre réflexion, et toujours faire l’objet d’une réappropriation et d’une reprise critique.

Tous les usages doivent être documentés dans une section dédiée à la fin de votre travail, à l’exception des usages de recherche web augmentée, de correction orthographique et syntaxique. Cette section doit permettre à votre lecteur d’évaluer la manière dont vous avez travaillé avec l’IA et mobilisé cette ressource au service d’un travail personnel.

L’intégration directe de contenus engendrés par l’IA doit être faite sous le régime de la citation.

Module Machine Learning (M1)

• Construire un pipeline de données robuste et reproductible adapté aux grands volumes.
• Choisir et appliquer la technique de régularisation adaptée à un contexte de grande dimension.
• Concevoir et entraîner un réseau de neurones pour des tâches de régression et classification.
• Modéliser un problème décisionnel séquentiel sous forme de processus de Markov.
• Comprendre et comparer les algorithmes fondamentaux du RL (Q-learning, Policy Gradient).

• Aurélien Géron, Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow, 3e éd., O'Reilly, 2022
• Richard S. Sutton & Andrew G. Barto, Reinforcement Learning: An Introduction, 2e éd., MIT Press, 2018