Programme d’études 2023-2024 | English | ||
First-Order Methods for Large Scale Machine Learning | |||
Unité d’enseignement du programme de Master : ingénieur civil en informatique et gestion (MONS) (Horaire jour) à la Faculté Polytechnique |
Code | Type | Responsable | Coordonnées du service | Enseignant(s) |
---|---|---|---|---|
UI-M2-IRIGIG-204-M | UE Obligatoire | GILLIS Nicolas | F151 - Mathématique et Recherche opérationnelle |
|
Langue d’enseignement | Langue d’évaluation | HT(*) | HTPE(*) | HTPS(*) | HR(*) | HD(*) | Crédits | Pondération | Période d’enseignement |
---|---|---|---|---|---|---|---|---|---|
| Anglais | 8 | 16 | 0 | 0 | 0 | 2 | 2.00 | 2e quadrimestre |
Code(s) d’AA | Activité(s) d’apprentissage (AA) | HT(*) | HTPE(*) | HTPS(*) | HR(*) | HD(*) | Période d’enseignement | Pondération |
---|---|---|---|---|---|---|---|---|
I-MARO-303 | First-Order Methods for Large Scale Machine Learning | 6 | 12 | 0 | 0 | 0 | Q2 | 75.00% |
I-MARO-304 | First-Order Methods for Large Scale Machine Learning - Complements | 2 | 4 | 0 | 0 | 0 | Q2 | 25.00% |
Unité d'enseignement |
---|
Objectifs par rapport aux acquis d'apprentissage du programme
Acquis d'apprentissage de l'UE
Ce cours a pour objet l'introduction de méthode du premier ordre pour l'optimisation de problèmes de grande taille, avec des applications en analyse de données et machine learning. En particulier, l'attention sera portée sur les méthodes de gradient stochatisques qui sont utilisées pour optimiser les poids dans un réseau de neurones profonds.
Contenu de l'UE : descriptif et cohérence pédagogique
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.
Compétences préalables
Optimisation non-linéaire
Types d'activités
AA | Types d'activités |
---|---|
I-MARO-303 |
|
I-MARO-304 |
|
Mode d'enseignement
AA | Mode d'enseignement |
---|---|
I-MARO-303 |
|
I-MARO-304 |
|
Supports principaux non reproductibles
AA | Supports principaux non reproductibles |
---|---|
I-MARO-303 | Slides et autres supports disponibles sur Moodle |
I-MARO-304 | Slides et autres supports disponibles sur Moodle |
Supports complémentaires non reproductibles
AA | Support complémentaires non reproductibles |
---|---|
I-MARO-303 | 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. |
I-MARO-304 | 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
AA | Autres références conseillées |
---|---|
I-MARO-303 | Sans objet |
I-MARO-304 | Sans objet |
Reports des notes d'AA d'une année à l'autre
AA | Reports des notes d'AA d'une année à l'autre |
---|---|
I-MARO-303 | Non autorisé |
I-MARO-304 | Autorisé |
Evaluation du quadrimestre 2 (Q2) - type
AA | Type(s) et mode(s) d'évaluation Q2 |
---|---|
I-MARO-303 |
|
I-MARO-304 |
|
Evaluation du quadrimestre 2 (Q2) - commentaire
AA | Commentaire sur l'évaluation Q2 |
---|---|
I-MARO-303 | Cette AA est évalué via un projet |
I-MARO-304 | Cette AA est évalué via un projet |
Evaluation du quadrimestre 3 (Q3) - type
AA | Type(s) et mode(s) d'évaluation du Q3 |
---|---|
I-MARO-303 |
|
I-MARO-304 |
|
Evaluation du quadrimestre 3 (Q3) - commentaire
AA | Commentaire sur l'évaluation Q3 |
---|---|
I-MARO-303 | idem Q1 |
I-MARO-304 | idem Q1 |