Ce cours vise à fournir aux étudiants une base théorique et pratique solide en techniques d’optimisation mathématique, essentielles au développement et à l’amélioration des algorithmes d’apprentissage automatique et des applications en intelligence artificielle. Les étudiants apprendront à analyser et à implémenter des méthodes d’optimisation, notamment les algorithmes basés sur le gradient, les techniques de taux d’apprentissage adaptatif (par exemple Adam, RMSProp), la différentiation automatique et la rétropropagation, tout en abordant les défis critiques liés à l’entraînement tels que les gradients qui disparaissent ou explosent. Le cours couvre également les stratégies d’initialisation des réseaux de neurones, la réduction de dimensionnalité (ACP), l’estimation de densité et les machines à vecteurs de support (SVM), ainsi que les problèmes d’optimisation avec ou sans contraintes. À l’issue du cours, les étudiants seront en mesure d’appliquer ces techniques pour améliorer les performances des modèles et résoudre des problèmes complexes dans divers domaines de l’IA.

Temps présentiel : 30 heures

Charge de travail étudiant : 70 heures

Méthode(s) d'évaluation : Examen final, Examen partiel, Travail personnel