 | Programme d’études 2019-2020 | English | |
| First-Order Methods for Large Scale Machine Learning | |||
Activité d'apprentissage |
| Code | Titulaire(s) | Co-Titulaire(s) | Suppléant(s) et autre(s) | Établissement(s) |
|---|---|---|---|---|
| I-MARO-303 |
|
|
| Langue d’enseignement | Langue d’évaluation | HT(*) | HTPE(*) | HTPS(*) | HR(*) | HD(*) | Période d’enseignement |
|---|---|---|---|---|---|---|---|
| Anglais | Anglais | 8 | 16 | 0 | 0 | 0 | Q1 |
| Modalités d'organisation des évaluations à distance de fin de Q3 2019-2020 (Covid-19) |
|---|
|
| Description des modalités d'évaluation à distance de fin de Q3 2019-2020 (Covid-19) |
| Rapport de projet. |
Contenu de l'AA
Organisation du cours: - Introduction au méthodes du premier orde et motivations. - Méthode du premier ordre optimales en optimisation convexe. - Méthodes de gradient sctochastique. - Projet: comparer des méthodes du premier ordre pour un problème de classification.
Supports principaux non reproductibles
Slides et autres supports disponibles sur Moodle
Support complémentaires non reproductibles
Bottou, L., Curtis, F. E., & Nocedal, J. (2018). Optimization methods for large-scale machine learning. Siam Review, 60(2), 223-311. Newton, D., Yousefian, F., & Pasupathy, R. (2018). Stochastic Gradient Descent: Recent Trends. In Recent Advances in Optimization and Modeling of Contemporary Problems (pp. 193-220). INFORMS.
Autres références conseillées
Sans objet
Mode d'enseignement
- Face à face
Types d'activités
- Cours magistraux
- Travaux pratiques
- Projet sur ordinateur
Evaluations
Les modalités d'évaluation de l'AA sont précisées dans la fiche de l'UE dont elle dépend