[{"command":"insert","method":null,"selector":".course-modal-ajax-placeholder-964246","data":"\u003Cdiv class=\u0022container content-rte\u0022\u003E\n  \u003Cdiv class=\u0022row\u0022\u003E\n    \u003Cdiv class=\u0022box col-md-6 bg-primary text-white\u0022\u003E\n      \u003Ch2 class=\u0022h1 text-left\u0022\u003E  Generalisation properties of algorithms in ML\n\u003C\/h2\u003E\n                  \u003Cdiv class=\u0022field-spacing\u0022\u003E\n        \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EECTS :\n          5\n        \u003C\/div\u003E\n      \u003C\/div\u003E\n                  \u003Cdiv class=\u0022field-spacing\u0022\u003E\n        \u003Cdiv class=\u0022field__label h3 dash\u0022\u003ESemester:\n          Semestre 1\n        \u003C\/div\u003E\n      \u003C\/div\u003E\n            \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003ED\u00e9tail du volume horaire\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                          \u003Cspan class=\u0022field__label h4 mt-5 \u0022\u003ELecture:\u003C\/span\u003E\n                                      \u003Cspan\u003E20\u003C\/span\u003E\n                      \u003C\/div\u003E\n                                                                                        \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003ELangue d\u0026#039;enseignement\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003EAnglais\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EEnseignement \u00e0 distance\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003Enon\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n      \u003C\/div\u003E\n    \u003Cdiv class=\u0022box col-md-6\u0022\u003E\n                    \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EProgramme \/ plan \/ contenus\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003E\u003Cp\u003ELa majorit\u00e9 des probl\u00e8mes d\u2019apprentissage sont formul\u00e9s comme des probl\u00e8mes d\u2019optimisation, \u00e0 partir de l\u2019observation d\u2019un \u00e9chantillon de donn\u00e9es (ensemble d\u2019entrainement). L\u2019optimisation d\u2019un objectif d\u00e9fini \u00e0 partir de cet \u00e9chantillon permet de proposer un estimateur qui a une bonne performance sur l\u2019ensemble d\u2019apprentissage. Cependant, on s\u2019int\u00e9resse g\u00e9n\u00e9ralement \u00e0 la capacit\u00e9 de g\u00e9n\u00e9ralisation de cet estimateur, c\u2019est \u00e0 dire sa performance sur une nouvelle observation.\u003C\/p\u003E\n\u003Cp\u003EDans ce cours, on s\u2019int\u00e9resse \u00e0 l\u2019ensemble des r\u00e9sultats tant th\u00e9oriques qu\u2019heuristiques qui permettent d\u2019aboder de probl\u00e8me.\nPlus pr\u00e9cis\u00e9ment, on \u00e9tudiera dans un premier temps les diff\u00e9rentes approches qui permettent d\u2019obtenir des garanties th\u00e9oriques quant \u00e0 la g\u00e9n\u00e9ralisation des algorithmes, en particulier les approches li\u00e9es \u00e0 la complexit\u00e9, \u00e0 la stabilit\u00e9, aux m\u00e9thodes d\u2019arr\u00eat anticip\u00e9 (Early stopping). Dans une seconde partie, on \u00e9tudiera les approches heuristiques et les diff\u00e9rences (expliqu\u00e9es ou constat\u00e9es) dans le cadre du deep learning (non convexe et over-parametrized).Le cours comportera \u00e9galement des s\u00e9ances d\u2019ouverture pour explorer le flot de gradient et la quantification de l\u2019incertitude en termes de g\u00e9n\u00e9ralisation.Dans ce cours, on s\u2019int\u00e9resse \u00e0 l\u2019ensemble des r\u00e9sultats tant th\u00e9oriques qu\u2019heuristiques qui permettent d\u2019aboder de probl\u00e8me.\nPlus pr\u00e9cis\u00e9ment, on \u00e9tudiera dans un premier temps les diff\u00e9rentes approches qui permettent d\u2019obtenir des garanties th\u00e9oriques quant \u00e0 la g\u00e9n\u00e9ralisation des algorithmes, en particulier les approches li\u00e9es \u00e0 la complexit\u00e9, \u00e0 la stabilit\u00e9, aux m\u00e9thodes d\u2019arr\u00eat anticip\u00e9 (Early stopping). Dans une seconde partie, on \u00e9tudiera les approches dans le cadre du deep learning.\u003C\/p\u003E\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n                                                \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003ENature de l\u0026#039;\u00e9valuation\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003EEvaluation Continue non Int\u00e9grale\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n      \u003C\/div\u003E\n  \u003C\/div\u003E\n\u003C\/div\u003E\n","settings":null}]