Aller au sommaire principal

ULB - Université libre de Bruxelles

 

AIDE | QUITTER

   

Année académique 2017-2018
24/05/2019
Image transparente
Dernière modification : le 05/09/2018 par BONTEMPI, Gianluca

Langue/Language


Statistical foundations of machine learning
INFO - F422

I. Informations générales
Intitulé de l'unité d'enseignement * Statistical foundations of machine learning
Langue d'enseignement * Enseigné en anglais
Niveau du cadre de certification * Niveau 7 (2e cycle-MA/MS/MA60)
Discipline * Informatique
Titulaire(s) * [y inclus le coordonnateur] Gianluca BONTEMPI (coordonnateur), Bernard MANDERICK
II. Place de l'enseignement
Unité(s) d'enseignement co-requise(s) *
Unité(s) d'enseignement pré-requise(s) *
Connaissances et compétences pré-requises * Introductory course on probability, statistics and numerical analysis (least-squares)
Programme(s) d'études comprenant l'unité d'enseignement - M-BINFA - Master en bioinformatique et modélisation, à finalité approfondie (5 crédits, obligatoire)
- M-ECOES - Master en sciences économiques, orientation économétrie, à finalité Research in Economics and Statistics (5 crédits, optionnel)
- M-GEOGT - Master en sciences géographiques, orientation générale, à finalité Développement territorial (5 crédits, optionnel)
- M-INFOS - Master en sciences informatiques (5 crédits, optionnel)
- M-IRIFS - Master en ingénieur civil en informatique, à finalité spécialisée (5 crédits, optionnel)
- M-STATA - Master en statistique, orientation générale, à finalité approfondie, (5 crédits, optionnel)
III. Objectifs et méthodologies
Contribution de l'unité d'enseignement au profil d'enseignement *
Objectifs de l'unité d'enseignement (et/ou acquis d'apprentissages spécifiques) *

Statistical machine learning is the discipline which aims at extracting knowledge and inferring predictive models from observed data. The course will focus on the statistical notions (like bias, variance, parametric and nonparametric estimation, regression, validation) which are necessary to create, identify and assess a predictive model. This course aims to find a good balance between theory and practice by situating most of the theoretical notions in a real context with the help of illustrative case studies (from biology, finance, medicine) and real datasets.

Contenu de l'unité d'enseignement *

(1) Foundations of statistical modelling, (2) parametric estimation, (3) nonparametric estimation and resampling, (4) supervised learning ( model selection, variable selection), (5) algorithms for regression (neural networks, local learning, (6) classification algorithms (KNN, Naive- Bayes, SVM), (vii) applications of machine learning (data mining, text mining, web mining)

Méthodes d'enseignement et activités d'apprentissages *

4 ECTS (théorie: 2, exercices: 0, travaux pratiques: 1, travaux personnels: 1)

Support(s) de cours indispensable(s) * Oui (1)
Autres supports de cours
Références, bibliographie et lectures recommandées *
  • Bontempi G., (2006) "Statistical foundations of machine learning" (handbook available on the course web page)
  • T. Hastie, R. Tibshirani, J. Friedman (2002) The Elements of Statistical Learning. Springer.
IV. Evaluation
Méthode(s) d'évaluation *

Project and oral exam.

Construction de la note (en ce compris, la pondération des notes partielles) *

10/20 (projet)

10/20 (oral)

Langue d'évaluation *

English

V. Organisation pratique
Institution organisatrice * ULB
Faculté gestionnaire * Sciences
Quadrimestre * Deuxième quadrimestre (NRE : 18369)
Horaire * Deuxième quadrimestre
Volume horaire
VI. Coordination pédagogique
Contact *

Email: gbonte@ulb.ac.be

Office: Campus La Plaine,

NO8-107

Postal address: Département d'Informatique, Bld de Triomphe, CP 212

Lieu d’enseignement *
VII. Autres informations relatives à l’unité d’enseignement
Remarques

Retour aux détails du cursus
Image transparente
Passer directement au début de la page
Version: 8.1.1.17