Programme d’études 2021-2022English
Advanced Machine Learning and Deep Learning
Unité d’enseignement du programme de Master en sciences mathématiques à la Faculté des Sciences

CodeTypeResponsable Coordonnées
du service
Enseignant(s)
US-M1-SCMATH-058-MUE optionnelleSIEBERT XavierF151 - Mathématique et Recherche opérationnelle
  • SIEBERT Xavier
  • MAHMOUDI Sidi

Langue
d’enseignement
Langue
d’évaluation
HT(*) HTPE(*) HTPS(*) HR(*) HD(*) CréditsPondération Période
d’enseignement
  • Anglais
Anglais303000055.001er quadrimestre

Code(s) d’AAActivité(s) d’apprentissage (AA) HT(*) HTPE(*) HTPS(*) HR(*) HD(*) Période
d’enseignement
Pondération
I-MARO-202Advanced Machine Learning2424000Q180.00%
I-ILIA-202Advanced Deep Learning66000Q120.00%

Unité d'enseignement

Objectifs par rapport aux acquis d'apprentissage du programme

  • Posséder des connaissances mathématiques intégrées et pointues
    • -Pouvoir mobiliser les mathématiques de bachelier pour traiter de questions complexes et posséder une expertise profonde de celles-ci, prolongeant celle développée en bachelier.
    • -Être capable d'utiliser ses connaissances antérieures pour apprendre des mathématiques de haut niveau de manière autonome.
  • Être capable d'innovation pour résoudre une problématique inédite en mathématiques ou dans leurs applications
    • -Pouvoir mobiliser ses connaissances, rechercher et analyser diverses sources d'information afin de proposer des solutions éventuellement innovantes à des problématiques inédites ciblées.
    • -Pouvoir faire usage de l'outil informatique de manière appropriée, au besoin en développant un petit programme.
  • Être capable de s'adapter à différents contextes
    • -Avoir développé un fort degré d'autonomie permettant d'acquérir des savoirs complémentaires et des compétences nouvelles, permettant d'évoluer dans des contextes différents.
    • -Être capable de mener une réflexion critique sur l'impact des mathématiques et sur les implications des projets auxquels ils contribuent
    • -Faire preuve de rigueur, d'autonomie, de créativité, d'honnêteté intellectuelle, de sens éthique et déontologique

Acquis d'apprentissage UE

Se familiariser avec les techniques contemporaines en analyse des données et en intelligence artificielle (apprentissage actif, apprentissage par renforcement, réseaux de neurones profonds). Etudier ces méthodes dans le cadre de la théorie de l'apprentissage statistique.  

Contenu de l'UE

apprentissage actif, apprentissage par renforcement, réseaux de neurones profonds, théorie de l'apprentissage statistique.

Compétences préalables

connaissances de base en data mining / machine learning
programmation python
bases mathématiques

Types d'évaluations Q1 pour l'UE

  • Présentation et/ou travaux
  • Examen écrit

Commentaire sur les évaluations Q1 de l'UE

travail personnel + évaluation écrite

Types d'évaluation Q3 pour l'UE

  • Présentation et/ou travaux
  • Examen écrit

Commentaire sur les évaluations Q3 de l'UE

idem Q1

Types d'évaluation rattrapage BAB1 (Q1) pour l'UE

  • Néant

Commentaire sur les évaluations rattr. Q1 de l'UE

n/a

Types d'activités

AATypes d'activités
I-MARO-202
  • Cours magistraux
  • Travaux pratiques
I-ILIA-202
  • Cours magistraux
  • Travaux pratiques
  • Projet sur ordinateur
  • Etudes de cas

Mode d'enseignement

AAMode d'enseignement
I-MARO-202
  • Mixte
I-ILIA-202
  • Mixte

Supports principaux

AA
I-MARO-202
I-ILIA-202

Supports principaux non reproductibles

AASupports principaux non reproductibles
I-MARO-202Sans objet
I-ILIA-202Sans objet

Supports complémentaires

AA
I-MARO-202
I-ILIA-202

Supports complémentaires non reproductibles

AASupport complémentaires non reproductibles
I-MARO-202Sans objet
I-ILIA-202Sans objet

Autres références conseillées

AAAutres références conseillées
I-MARO-202Sans objet
I-ILIA-202Sans objet

Reports des notes d'AA d'une année à l'autre

AAReports des notes d'AA d'une année à l'autre
I-MARO-202Non autorisé
I-ILIA-202Non autorisé
(*) HT : Heures théoriques - HTPE : Heures de travaux pratiques encadrés - HTPS : Heures de travaux pratiques supervisés - HD : Heures diverses - HR : Heures de remédiation - Dans la colonne Pér. (Période), A=Année, Q1=1er quadrimestre et Q2=2e quadrimestre
Date de dernière mise à jour de la fiche ECTS par l'enseignant : 16/05/2021
Date de dernière génération automatique de la page : 06/05/2022
20, place du Parc, B7000 Mons - Belgique
Tél: +32 (0)65 373111
Courriel: info.mons@umons.ac.be