INFO8010-1

Durée

25h Th, 10h Pr, 55h Proj.

Nombre de crédits

	Master en science des données, à finalité	5 crédits
	Master : ingénieur civil électricien, à finalité	5 crédits
	Master : ingénieur civil en informatique, à finalité	5 crédits
	Master : ingénieur civil en informatique, à finalité (double diplômation avec HEC)	5 crédits
	Master : ingénieur civil en science des données, à finalité	5 crédits
	Master en sciences informatiques, à finalité	5 crédits
	Master en sciences informatiques, à finalité (double diplômation avec HEC)	5 crédits

Enseignant

Gilles Louppe

Langue(s) de l'unité d'enseignement

Langue anglaise

Organisation et évaluation

Enseignement au deuxième quadrimestre

Horaire

Horaire en ligne

Unités d'enseignement prérequises et corequises

Les unités prérequises ou corequises sont présentées au sein de chaque programme

Contenus de l'unité d'enseignement

Latest developments in deep machine learning have enabled great and unprecedented advances in systems for visual recognition, speech and text understanding or autonomous intelligent agents. In this context, this course is a deep dive into the details of deep learning architectures, with a focus on learning end-to-end models for these tasks. Students will learn to implement, train and debug their own neural networks and gain a detailed understanding of cutting-edge research in the field. The course will also tour recent innovations in inference methods, including differential inference, adversarial training and Bayesian deep learning.
Topics to be covered (tentative and subject to change):

Fundamentals of machine learning
Neural networks
Convolutional neural networks
Training neural networks
Recurrent neural networks
Auto-encoders and generative models
Generative adversarial networks
Uncertainty
Adversarial attacks and defenses

Acquis d'apprentissage (objectifs d'apprentissage) de l'unité d'enseignement

At the end of the course, the student will have acquired a solid and detailed understanding of the field of deep learning. He/she will have studied both well-established and novel algorithms (in theory and in practice), and will also have become familiar with some of the many open research questions and challenges of the field.

Savoirs et compétences prérequis

Programming experience. Probability and statistics.
Following "ELEN0062 Introduction to Machine learning" before taking this class is strongly recommend.

Activités d'apprentissage prévues et méthodes d'enseignement

Theoretical lectures
Programming tutorials
Reading assignment
Programming project

Mode d'enseignement (présentiel, à distance, hybride)

Lectures will taught face-to-face. Projects will be carried out remotely.

Adaptations organisationnelles liées au contexte sanitaire

Lectures recommandées ou obligatoires et notes de cours

Slides will be made publicly available on GitHub during the semester.

Modalités d'évaluation et critères

Vous trouverez ci-dessous les modalités d'évaluation envisagées pour les examens en présentiel et à distance ainsi que celle souhaitée en cas de session hybride. En fonction de l'évolution sanitaire, la modalité choisie vous sera communiquée au plus tard un mois avant le début de la session d'examen.

Exam (50%)
Reading assignment (10%)
Programming project (40%)

The reading assignment and the programming projects are mandatory for presenting the exam.

Deep learning