- Admission : /en/education/bachelor/computer-science-and-communication-systems/admission/
- Study program : /en/education/bachelor/computer-science-and-communication-systems/study-program/
- Structure of studies : /en/education/bachelor/computer-science-and-communication-systems/structure-of-studies/
- Career perspectives : /en/education/bachelor/computer-science-and-communication-systems/career-perspectives/
- Exchange programs : /en/education/bachelor/computer-science-and-communication-systems/exchange-programs/
- People : /en/education/bachelor/computer-science-and-communication-systems/people/
- Admission : /en/education/bachelor/computer-science-and-communication-systems/admission/
- Study program : /en/education/bachelor/computer-science-and-communication-systems/study-program/
- Structure of studies : /en/education/bachelor/computer-science-and-communication-systems/structure-of-studies/
- Career perspectives : /en/education/bachelor/computer-science-and-communication-systems/career-perspectives/
- Exchange programs : /en/education/bachelor/computer-science-and-communication-systems/exchange-programs/
- People : /en/education/bachelor/computer-science-and-communication-systems/people/
Study program
Module description
BackThis module description is supplemented by the HEIA-FR Directive on module organization for the 2024/2025 academic year.
7 ECTS credits
-
Machine LearningIDB2C-MALA-SSemesterSpringWeight5Module examoral (20 min.)
-
Mathématiques pour l'analyse des donnéesIDB2C-MAAD-SSemesterSpringWeight2
Module specifications
Supervisor(s)
Philippe Joye
Module grade calculation method
Note du module = moyenne pondérée des notes des cours
Targeted competences / General learning objectives
A la fin du module, l'étudiant est en mesure de:
- Comprendre ce qu'est une variable aléatoire (discrète ou continue) et connaître les principales distributions ainsi que leurs propriétés
- Connaître les principes de la statistique bayésienne et savoir l'appliquer
- Pouvoir formuler une hypothèse statistique, appliquer le test statistique correspondant et tirer la bonne conclusion
- Trouver la droite de régression entre deux variables et établir les incertitudes des paramètres de la droite
- Appliquer la régression logistique
- Reconnaître la distribution normale multivariée et déterminer ses caractéristiques
- Réduire la dimension des variables explicatives par la méthode de l'analyse en composantes principales et savoir interpréter
- Mettre en pratique les notions étudiées avec le logiciel R
- identifier les cas d'utilisation du machine learning
- Comprendre les concepts d'apprentissage à partir des données
- Comprendre les concepts de base des algorithmes du machine learning
- Comprendre comment disposer les diférentes fonction et classifiers
- Utiliser diffèrent frameworks permettant la classification et le clustering avec des données réelles
Remediation options
Pas de remédiation
Remediation options (if repeating the year)
Identique au cas sans répétition
Evaluation and validation methods
Chaque cours du module fait l'objet d'un contrôle continu et d'une note finale de cours arrondie au dixième de point.Si le descriptif de cours mentionne un examen de révision, la note finale de cours est la moyenne arithmétique entre la note du contrôle continu et celle de l'examen. Les informations relatives aux cours figurent dans les descriptifs de cours. Le module est réussi lorsque les deux conditions suivantes sont réunies : la moyenne pondérée des notes de cours, arrondie au demi, est d'au moins 4.0 et aucune note de cours n'est inférieure à 3.0. La présence aux cours est obligatoire. Dans un module échoué, la répétition porte sur tous les cours dont la note est inférieure à 4.0.