Objectifs par rapport aux acquis d'apprentissage du programme

• Maîtriser des connaissances spécialisées
• -Avoir développé les connaissances et compétences acquises lors du cycle précédent à un niveau qui s'étend au-delà du niveau de bachelier en physique, et qui fournit la base pour l'élaboration et l'application d'idées originales dans un contexte professionnel.
• Communiquer des informations claires et précises
• -Avoir la capacité de communiquer avec clarté leurs connaissances, leurs conclusions, et de les étayer de manière rationnelle, à des auditoires de spécialistes et de non-spécialistes.
• Se développer sur le plan personnel et professionnel
• -Avoir développé les compétences qui leur permettront de continuer à acquérir des connaissances d'une manière autonome.
• Avoir une démarche scientifique rigoureuse et créatrice
• -Avoir la capacité de recueillir et d'interpréter des données scientifiques pertinentes et de les analyser de manière critique en distinguant les hypothèses de travail des faits avérés.
• -Avoir la capacité d'appliquer leurs connaissances, leur compréhension, leur capacité à résoudre des problèmes, dans des environnements nouveaux ou non familiers et dans des contextes multidisciplinaires liés aux sciences physiques.

Acquis d'apprentissage de l'UE

Ce cours propose une introduction aux fondements de l'apprentissage automatique. Il couvre l’apprentissage supervisé (régression, classification) et non supervisé (réduction de dimension), les modèles linéaires et non linéaires (arbres, réseaux de neurones), ainsi que les techniques ensemblistes (bagging, forêts aléatoires, boosting). Une attention particulière est portée aux concepts fondamentaux de l'apprentissage statistique (compromis biais/variance, overfitting, sélection de modèles, méthodes de rééchantillonnage). Le cours théorique est complémenté par des travaux pratiques en Python utilisant les librairies scikit-learn et PyTorch.

Contenu de l'UE : descriptif et cohérence pédagogique

Voir unique activité d'apprentissage (AA).

Compétences préalables

Probabilités et statistiques (quelques rappels sont donnés au début du quadrimestre).
Algèbre linéaire de base.
Optimisation non-linéaire de base.