Aller au menu Aller au contenu
Une formation multidisciplinaire
L'école d'ingénieurs pour l'énergie, l'eau et l'environnement
Une formation multidisciplinaire

> Formation > Cursus ingénieurs

Parcours numérique - Machine Learning and Optimization (toutes filières / M2-SGB) - 5EU9MLO0

A+Augmenter la taille du texteA-Réduire la taille du texteImprimer le documentEnvoyer cette page par mail cet article Facebook Twitter Linked In
  • Volumes horaires

    • CM : 26.0
    • TD : -
    • TP : 24.0
    • Projet : 10.0
    • Stage : -
    Crédits ECTS : 5.0
  • Responsables : Khaoula TIDRIRI

Objectifs

L'objectif du cours est de fournir une compréhension globale de la théorie et de la pratique de l'apprentissage automatique et de l'optimisation, principalement dans le domaine des systèmes énergétiques intelligents.

À la fin du module, les étudiants sont capables de:

  • Comprendre les principes fondamentaux des algorithmes d'apprentissage automatique (error-based, similarity-based, probability-based and information-based learning algorithms.)
  • Sélectionner et mettre en œuvre des méthodes d'apprentissage automatique adaptées aux applications considérées.
  • Travailler avec des ensembles de données du monde réel (analyser, comprendre, prédire, prescrire) à l'aide d'outils de science des données et d'intelligence artificielle.
  • Modéliser un problème d'optimisation avec tous ses éléments: variables de décision, fonction de coût et contraintes
  • Mettre en œuvre des algorithmes d'optimisation adaptés aux applications considérées.

Contenu

A) Partie Machine Learning (30h)

1) Introduction à l'intelligence artificielle
2) Bureau d'études - Écosystème Python et bases de programmation en Python
3) Algorithmes d'apprentissage automatique
3.1) Apprentissage automatique basé sur les erreurs
3.2) Apprentissage automatique basé sur la similarité
3.3) Apprentissage automatique basé sur les probabilités
3.4) Apprentissage automatique basé sur l'information
4) Bureau d'études - Prétraitement des données pour le Machine Learning
5) Bureau d'études - Projet de classification
6) Bureau d'études - Projet de régression
7) Projet d'apprentissage automatique (10h)

------------------------------------------------------------------------

B) Partie Méthodes d'optimisation (30h)

1) Méthodes d'optimisation

2) Optimisation linéaire contrainte (Simplex)

3) Optimisation multi-objectifs (Pareto)

Prérequis

  • Expérience en programmation Python (Numpy, Pandas et Matplotlib)
  • Calcul, algèbre linéaire, probabilités et statistiques.

Contrôles des connaissances

  • Session normale
    Evaluation rattrapable (ER): Projet ML et Projet Optimisation
    Evaluation non rattrapable (EN): Exercices et Comptes-rendus de laboratoire (ML et Optimisation)

Si situation 100% distancielle
Evaluation rattrapable (ER): Projets
Evaluation non rattrapable (EN): Exercices et Comptes-rendus de laboratoire

---------------
Session de rattrapage
EN : Evaluation non rattrapable

Moyenne de l'UE = ER 60% + EN 40%

L'examen existe uniquement en anglais FR

Calendrier

Le cours est programmé dans ces filières :

cf. l'emploi du temps 2020/2021

Informations complémentaires

Code de l'enseignement : 5EU9MLO0
Langue(s) d'enseignement : FR

Vous pouvez retrouver ce cours dans la liste de tous les cours.

A+Augmenter la taille du texteA-Réduire la taille du texteImprimer le documentEnvoyer cette page par mail cet article Facebook Twitter Linked In

mise à jour le 3 septembre 2020

Université Grenoble Alpes