Optimisation pour l'apprentissage automatique
M2 IASD Apprentissage, Université Paris Dauphine-PSL, 2025-2026
But du cours
Étudier les algorithmes d'optimisation utilisés en apprentissage et sciences des données et comprendre les principes sous-jacents.
Supports de cours
Exercices (version du 28 janvier)
PDF
Séance 1 : Introduction et méthodes de gradient
Tableau virtuel (méthodes de gradient)
PDF
Notebook d'illustration (méthodes de gradient)
[Sources]
Séance 2 : Optimiseurs
Tableau virtuel (gradient stochastique et optimiseurs)
PDF
Notebook d'illustration (méthodes de Pytorch)
[Sources]
Séance 3 : Calcul de dérivées
Tableau virtuel (exercices et différentiation)
PDF
Notebook sur la différentiation automatique
[Sources] [Solutions]
Séance 4 : De la différentiation automatique aux sous-gradients
Tableau virtuel (sous-gradients)
PDF
Notebook d'illustration (sous-gradients pour régression robuste)
[Sources]
Séance 5 : Méthodes proximales
Tableau virtuel (régularisation et gradient proximal)
PDF
Notebook d'illustration (régularisation l1)
[Sources]
Materials on this page are available under Creative Commons
CC BY-NC 4.0 license.
La version française de cette page se trouve
ici.