Mathématiques pour Apprentissage Automatique I

Objectifs de l’enseignement : L’objectif de ce cours et de doter les étudiants du bagage nécessaire en matière de notions mathématiques fondamentales pour cette formation. Après un rappel des concepts de l’algèbre linéaire, les méthodes de résolution des systèmes linéaires et factorisation des matrices sont abordées. Une grande partie du programme est consacrée à l’optimisation non linéaire sans contraintes où les méthodes telles que celles du gradient sont utilisées pour l’apprentissage des modèles neuronaux.

Référence de base: [ DFO ] Deisenroth, M., Faisal, A., & Ong, C. (2020). Mathematics for Machine Learning. Cambridge: Cambridge University Press. doi:10.1017/9781108679930

SiteWeb : https://mml-book.com/

TD1: Exercises: 2.3 - 2.4 - 2.5 - 2.7 - 2.9 - 2.10 - 2.15 - 2.16 (b,c,d,e) - 2.17 [DFO, p. 64-68 ]

Homework 1:

TD2: Exercises: 3.1 - 3.2 - 3.3 - 3.4 - 3.5 - 3.6 [DFO, p. 76 ]

Homework 2:

TD3:

Homework 3:

Lab. program:

  1. Introduction to Python

  • Variables and Data Types

  • Operators

  • Conditional Statements

  • Looping Constructs

  • Functions and classes

  • Data Structure

  • Lists and tuples

  • Dictionaries

  1. Introduction to numpy

  2. Scipy - Linear Algebra

  3. Scipy - Calculus

  4. Introduction to pytorch