Dernières nouvelles

2021/12/31 : Corrections dans le polycopié de cours.
2021/12/15 : Solutions des exercices ajoutées au polycopié.
2021/11/02 : Corrections dans le polycopié de cours.
2021/10/17 : Mise à jour du polycopié de cours avec exercices.
2021/10/15 : Correctif notes du second cours.
2021/10/14 : Notebook et notes du second cours en ligne.
2021/10/13 : Mise à jour du lien d'enregistrement dans les notes de cours.
2021/10/12 : Mise à jour des notes de cours avec liens d'enregistrement.
2021/10/12 : Notebook et notes du premier cours en ligne.
2021/10/11 : Page du cours en ligne.

Enseignant

Clément Royer
clement.royer(at)dauphine.psl.eu

Retour à la page des enseignements

Aspects avancés de la descente de gradient

Optimisation pour l'apprentissage automatique

M2 IASD/MASH, Université Paris Dauphine-PSL, 2021-2022

Programme

     Le but de ces deux cours (dispensés en anglais) est de présenter des résultats modernes sur les méthodes de gradient, qui sont à la base des algorithmes utilisés en apprentissage et de sciences des données. On s'intéressera notamment au concept de momentum ainsi qu'à son utilisation en optimisation convexe. Il sera aussi question des défis posés par l'optimisation non convexe, pour lesquels nous présenterons des avancées récentes.

Emploi du temps

     Cours 1/2 (12 octobre) Descente de gradient et accélération.
     Cours 2/2 (14 octobre) Descente de gradient et optimisation non convexe.

Supports de cours

     Notes de cours (en anglais) PDF
     Notes manuscrites du premier cours PDF
     Notes manuscrites du second cours PDF
     Notebook Python pour le premier cours [Sources]
     Notebook Python pour le second cours [Sources]

Les documents présents sur cette page sont accessibles sous licence Creative Commons CC BY-NC 4.0
The English version of this page can be found here.