- Faculté
- Faculté des lettres, Section des sciences du langage et de l’information, Université de Lausanne
- Niveau
- Master
- Semestre
- Automne 2025
- Langue
- Français
- Séances
- 12
- Prérequis
- Notions de base en statistique et en algèbre linéaire
- Outils
- Python, Jupyter, PyTorch
Session 1: Introduction au ML
Date : 15 septembre 2025
Cours 1: Introduit les concepts fondamentaux du Machine Learning.
TP 1: Prise en main des librairies Python utilisées dans presque la totalité des TP.
Session 2: Modèles linéaire et généralisation
Date : 29 septembre 2025
Cours 2: Les modèles linéaires pour la régression sont abordés, et à travers eux la problématique fondamentale de la généralisation.
TP 2: Mise en application des modèles de régression, avec sélection des hyperparamètres via cross-validation.
2. Modèles linéaires et généralisation (Slides)
Session 3: Modèles linéaires et classification
Date : 6 octobre 2025
Cours 3: On voit les modèles linéaires pour la classification, les différentes mesures de performance associées, ainsi que l’algorithme de descente du gradient
TP 3: Mise en application des modèles de classification où l’on optimise les hyperparamètres (avec cross-validation) selon les différentes mesures vues dans le cours.
3. Modèles linéaires et classification (Slides)
Session 4: Les SVM, les kernels et les \(k\) plus proches voisins
Date : 13 octobre 2025
Cours 4: Deux méthodes centrales de classification sont abordées ici : les support-vector machines (SVM), que l’on peut utiliser avec les méthodes à noyaux (kernels) ou non, et la méthode des \(k\) plus proches voisins.
TP 4: On met en pratique ces deux méthodes sur des données.
4. Les SVM, les kernels et les k plus proches voisins (Slides)
Session 5: Le clustering
Date : 20 octobre 2025
Cours 5: La classification non-supervisée ou clustering est abordée dans ce cours.
TP 5: On met en pratique le clustering.
Session 6: Réduction de la dimensionnalité
Date : 27 octobre 2025
Cours 6: On voit ici les méthodes qui permettent de réduire la dimensionnalité (le nombre de variables) d’un jeu de données. Ces méthodes sont souvent utilisées pour représenter les données dans un plan.
TP 6: On applique différentes méthodes de réduction de dimensionnalité sur des jeux de données.
6. Réduction de la dimensionnalité (Slides)
Session 7: Arbres de décision, Forêts aléatoires et Gradient Boosting
Date : 10 novembre 2025
Cours 7: Dans ce cours, on voit les arbres de décision et 2 méthodes d’ensemble dérivées : les forêts aléatoires et le gradient boosting.
TP 7: L’application de ces différentes méthodes avec visualisation des arbres entraînés.
7. Arbres de décision, Forêts aléatoires et Gradient Boosting (Slides)
TP7. arbres de décision, forêts aléatoires et gradient boosting (Notebook)
Session 8: Introduction aux Réseaux de Neurones
Date : 17 novembre 2025
Cours 8: On aborde ici les principes fondamentaux des réseaux de neurones. On part ici des méthodes classiques de Machine Learning et on voit comment elles peuvent se comprendre comme des “proto-réseaux de neurones”.
TP 8: Ce TP permet de prendre en main la librairie principale que nous allons utiliser pour les réseaux de neurones : PyTorch.
8. Introduction aux Réseaux de Neurones (Slides)
Session 9: Techniques de Deep learning et réseaux à convolution
Date : 24 novembre 2025
Cours 9: On voit ici différentes techniques utilisées fréquemment dans le domaine du Deep Learning, et on aborde les réseaux à convolution, très utilisés dans le traitement des images.
TP 8: Dans ce TP, on prend en main les réseaux à convolution.
9. Techniques de Deep learning et réseaux à convolution (Slides)
Session 10: Analyses de données textuelles
Date : 1er décembre 2025
Cours 10: Comme le reste du cours de concentre sur les données textuelles, nous abordons ici diverses pré-traitements et méthodes que l’on peut appliquer sur les données textuelles.
TP 10: Plusieurs librairies traitant des données textuelles sont abordées ici.
10. Analyses de données textuelles (Slides)
Session 11: Réseaux de neurones récurrents
Date : 8 décembre 2025
Cours 11: On voit ici les réseaux récurrents et deux de leurs incarnation les plus connues : les LSTM et GRU.
TP 11: Les deux modèles de réseaux récurrents abordés dans le cours (LSTM et GRU) sont appliqués sur des données textuelles.
Session 12: Les transformeurs
Date : 15 décembre 2025
Cours 12: Pour terminer, nous abordons l’architecture la plus moderne pour les réseaux de neurones traitant de données textuelles (et même d’autres) : les transformeurs.
TP 12: On voit ici comment prendre un modèle pré-entrainé (BERT) via Hugging Face, à l’adapter à une tâche annexe via du fine-tuning.