Introduction to Machine Learning

Structure : EUR LIFE
Niveau du cours : M1		 Code de l'UE : SMUSVPI
Semestre : impair		 Lieu d'enseignement : Campus Valrose
Langue : anglais

À propos 

Course presentation

Learning outcomes:

At the end of this course, learners will be able to:

  • Clearly explain both the logic and the mathematical framework behind some of the most renown ML methodologies
  • Detail the mathematical derivation of some ML algorithms
  • Use off-the-shelf implementations of ML algorithms in diverse biomedical contexts
  • Correct, modify, adapt, refine existing ML algorithms to meet specific scientific needs
  • Analyze, preprocess, and transform data for ensuring an effective and correct use of a target ML method

The purpose of this course is to provide the student with the mathematical framework and technical toolkit needed in order to understand advanced topics in machine learning and be able to adapt and refine reference methodologies to meet their scientific needs.

Given its brevity, the course does not attempt to provide an exhaustive overview of the wide variety of ML sub-disciplines, but to give the student the tools to autonomously delve deeper in these subjects without losing track of their scientific aim.

Warning : if you are looking for a discursive and exhaustive overview of Machine Learning and/or Deep Learning techniques, this course is not for you : EFELIA offers other resources covering the aforementioned subjects without delving too much into the mathematical background.

Upon successful completion of this course, students will be awarded 3 ECTS.

This course was co-developed by the EUR ELMI and the EFELIA team (École Française de l'Intelligence Artificielle) of the Institut 3IA Côte d'Azur.

Professors

- Edoardo Sarti (edoardo.sarti@univ-cotedazur.fr)
- Guillaume Carrière (guillaume.carriere@univ-cotedazur.fr)
Public

Students in the first year of one of the following Masters : Life Sciences Major : Bioinformatics and Computational Biology et MSc BOOST: BOOST - Biocontrol for Plant Health.

Equipment

A personal computer is recommended but not required.

Teaching methods
•    1h30 Theory (blackboard + slides)
•    0h30 Exercises (on paper)
•    2h00 Practicals (on machine)
Organization

Présentiel :

  • 14 heures (CM)
  • 14 heures (TD)
Assessment

Theoretical questions (60%, 1h30) and practical exercise (40%, 2h).
More information will be provided at the beginning of the course.

Bibliography
•    Mehta et al. 2018 - High-bias, low-variance introduction to Machine Learning for physicists [REVIEW]
•    Goodfellow et al. 2016 - Deep Learning [TEXTBOOK]
•    Murphy 2012 - Machine Learning : a probabilistic perspective [TEXTBOOK]
•    Bishop 2006 - Pattern recognition and Machine Learning [TEXTBOOK]
•    Tripathy et al. 2021 - Unsupervised learning approaches for dimensionality reduction and data visualization [TEXTBOOK]
•    Friedman et al. 2001 - The elements of statistical learning [TEXTBOOK]
Resources for success
  • TUT'TOP : bénéficier du tutorat par les pairs sur le plan méthodologique, social, administratif ou logistique.
  • écri+ : améliorer son français écrit.
  • Centre de ressources en langues : développer ses compétences en langues vivantes (française ou étrangères).
  • METODA : développer ses compétences en recherche documentaire.
  • S'orienter / Se réorienter : être accompagné par les conseillers d'orientation et d'insertion professionnelle de l'université.
  • Centre de santé et aide sociale : prendre soin de sa santé physique et mentale et se faire accompagner en cas de difficulté sociale.
  • Cellule Handicap : découvrir les aides proposées pour les étudiant.es en situation de handicap.
  • Plateforme de signalement : écoute et accompagnement des victimes ou témoins d’actes de violence, de harcèlement ou de discrimination (violences sexistes et sexuelles, LGBTphobies, racisme, xénophobie…).

Programme

4 heures
Séance Date Durée Enseignant·es Sujet
1 03/10/2024
8h30 - 12h30		 4 heures Edoardo Sarti
Guillaume Carrière		 The way of Machine Learning
2 10/10/2024
8h30 - 12h30		 4 heures Edoardo Sarti
Guillaume Carrière		 Linear Regression
3 17/10/2024
8h30 - 12h30		 4 heures Edoardo Sarti
Guillaume Carrière		 Logistic Regression
4 24/10/2024
8h30 - 12h30		 4 heures Edoardo Sarti
Guillaume Carrière		 Support Vector Machines
5 07/11/2024
8h30 - 12h30		 4 heures Edoardo Sarti
Guillaume Carrière		 Clustering
6 14/11/2024
8h30 -12h30		 4 heures Edoardo Sarti
Guillaume Carrière		 Dimensional Reduction
6 28/11/2024
8h30 -12h30		 4 heures Edoardo Sarti
Guillaume Carrière		 Decision Trees
6 12/12/2024
8h30 -12h30		 4 heures Edoardo Sarti
Guillaume Carrière		 Evaluation
Important : ce syllabus n’a aucune valeur contractuelle. Son contenu est susceptible d’évoluer en cours d’année.

Ce travail a bénéficié d'une aide de l'Etat gérée par l'Agence Nationale de la Recherche (ANR) au titre de France 2030 pour le projet EFELIA Côte d’Azur portant la référence ANR-22-CMAS-0004.