User Tools

Site Tools


teaching:master

Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Both sides previous revision Previous revision
Next revision
Previous revision
teaching:master [2016/03/08 13:55]
atif [Calendrier Prévisionnel parcours normal]
teaching:master [2018/02/20 16:01] (current)
atif [Calendrier Prévisionnel parcours normal]
Line 4: Line 4:
   *  Nom du cours : Data Mining/​Machine learning.   *  Nom du cours : Data Mining/​Machine learning.
   *  Nombre de crédits : 4 ECTS   *  Nombre de crédits : 4 ECTS
-  * Mode d'​évaluation : **Partiel ​(FIX%) + Examen final (FIX %)** +  * Mode d'​évaluation : **Projet ​(40%) + Examen final (60 %)** 
   *  Nombre de séances :  24h Cours et 12h TP (sur {{teaching:​rlogo.jpg?​25}} ou Weka).   *  Nombre de séances :  24h Cours et 12h TP (sur {{teaching:​rlogo.jpg?​25}} ou Weka).
   *  Prérequis : Cours M1 en Analyse Factorielle,​ Algèbre linéaire, éléments de statistiques descriptives et inférentielles.   *  Prérequis : Cours M1 en Analyse Factorielle,​ Algèbre linéaire, éléments de statistiques descriptives et inférentielles.
Line 45: Line 45:
 |   ​3 ​ |  18 dec.    | {{teaching:​m2-id_em.pdf|EM}} |{{teaching:​id_tp1_association.pdf|TP Association}} ​ | |   ​3 ​ |  18 dec.    | {{teaching:​m2-id_em.pdf|EM}} |{{teaching:​id_tp1_association.pdf|TP Association}} ​ |
 |   ​4 ​ |   7 jan.   ​| ​  ​|{{teaching:​id_tp2_kmeans_em.pdf|TP Kmeans vs EM}}| |   ​4 ​ |   7 jan.   ​| ​  ​|{{teaching:​id_tp2_kmeans_em.pdf|TP Kmeans vs EM}}|
-|   ​5 ​ |   15 jan.   ​| ​ {{:​teaching:​cours_dimred.pdf |ACP, SVD, LSA}}| {{teaching:​exo-acp.pdf|TD ACP}}{{:​teaching:​tp_textmining.pdf|TP Text Mining}}| +|   ​5 ​ |   15 jan.   ​| ​ {{:​teaching:​cours_dimred.pdf |ACP, SVD, LSA}}| {{teaching:​exo-acp.pdf|TD ACP}}{{:​teaching:​cds_tp1_18.pdf|TP Text Mining}}| 
-|     ​| ​     | {{:​teaching:​decisiontrees.pdf| Arbres de décision}} | {{teaching:tp_textmining.zip|Data Text Mining}} |+|     ​| ​     | {{:​teaching:​decisiontrees.pdf| Arbres de décision}} |  {{:teaching:tp_textmining_18.zip|DAta TP Text Mining}}|
 |  6   ​| ​     | {{:​teaching:​knn_naivebayes.pdf| Knn,Naive Bayes}} |  | |  6   ​| ​     | {{:​teaching:​knn_naivebayes.pdf| Knn,Naive Bayes}} |  |
 |     ​| ​     | {{:​teaching:​validation.pdf| Validation}} |  | |     ​| ​     | {{:​teaching:​validation.pdf| Validation}} |  |
 |  7  |      | {{:​teaching:​coursm2_regression.pdf| Regression}} | {{:​teaching:​td_regression.pdf|TD Regression}} | |  7  |      | {{:​teaching:​coursm2_regression.pdf| Regression}} | {{:​teaching:​td_regression.pdf|TD Regression}} |
 |  8  |      | {{:​teaching:​deeplearning_isi.pdf| Deep learning}} |  | |  8  |      | {{:​teaching:​deeplearning_isi.pdf| Deep learning}} |  |
 +|  NA  |      |  | {{:​teaching:​tp_analysesentiments.pdf| TP Analyse de sentiments}} {{:​teaching:​data_sa.zip|Data}}|
 +==== Consignes pour le projet ====
 +Le projet est pour vous une opportunité d'​explorer un problème intéressant d'​apprentissage automatique.Il s'agit de mettre en oeuvre un ou plusieurs algorithmes sur des données "//​réelles//"​. Vous pouvez choisir l'une des **compétitions Kaggle** parmi les [[https://​inclass.kaggle.com/​Competitions|compétitions actives]]. Vous expliquerez en quoi consiste la compétition,​ la nature des données, et les méthodes que vous comptez employer pour les tester sur ces données. ​
 +
 +Les projets peuvent être réalisés par équipe de **2 étudiants** (ou exceptionnellement de3 étudiants). Les membres des équipes sont responsables du découpage du travail de telle sorte que tous les membres contribuent significativement au projet. ​
 +
 +=== Livrables ===
 + Les projets donnent lieu aux "​livrables"​ suivants : 
 +  - **Rapport final** : 6 pages (strict. Les rapports de plus de 6 pages ne seront pas lus !) (60% du projet) ​
 +  - **Archive** contenant le code, un fichier ReadMe expliquant son utilisation/​installation et une documentation des différentes partie de celui-ci (40% du projet)
 +
 +Le **rapport final** doit être soumis dans le format d'un [[http://​icml.cc/​2016/?​page_id=151|papier ICML]]. Celui-ci sera évalué en tenant compte de:
 +  - La nouveauté du projet proposé et des applications envisagées. Les équipes sont encouragées à proposer de nouvelles idées et de nouvelles applications. Un projet qui apporte de nouvelles idées (méthodes, algorithmes,​ applications,​ théories) obtiendra une meilleure note qu'un projet assez banal.
 +  - La rigueur et le caractère extensif de l'​analyse et/ou des expériences réalisées. Un projet qui répond vraiment aux interrogations et aux doutes éventuels des relecteurs sur l'​intérêt de la méthode et sur les performances annoncées obtiendra une note plus élevée.
 +  - Une attention particulière doit être portée sur l'​évaluation de l'​approche,​ et sur l'​effort d'​analyse des résultats obtenus.
 +  -  L'​expression,​ la clarté des explications et la qualité d'​exposition. Les rapports peuvent être écrits en français ou en anglais, du moment que c'est clair et bien écrit.
 +
 +=== Dates importantes ===
 +== Formation classique ==
 +  * **30 avril 2017** (23:59) : 10 avril 2016 (23:59) : dépôt ​ du rapport final et de l’archive sur [[https://​mycourse.dauphine.fr/​webapps/​blackboard/​content/​listContentEditable.jsp?​content_id=_331920_1&​course_id=_36421_1| mycourse]]
 +
 +== Formation en apprentissage ==
 +  * **16 mars 2016** ​ : envoi d'une description du projet proposé (1 page)
 +  * **30 avril 2016** (23:59) : envoi du rapport final et de l'​archive
  
  
teaching/master.1457441736.txt.gz · Last modified: 2016/03/08 13:55 by atif