Machine learning avancé

Cette UE vise à explorer les techniques récentes permettant d’étendre les méthodes de type « machine-learning » dans le cadre où les données et la puissance de calcul ne sont pas centralisées, mais distribuées selon un réseau, dont les éléments communiquent en suivant un certain nombre de contraintes (e.g. échanges limités entre les machines formant le réseau, temps de calcul pour l’apprentissage et/ou la prédiction). Dans ce contexte (e.g. MapReduce), les données sont généralement acquises de façon séquentielle et hétérogène, ce qui constitue un autre aspect auquel les algorithmes utilisés en pratique doivent être adaptés. Cette UE vise à explorer les techniques récentes permettant d’étendre les méthodes de type « machine-learning » dans le cadre où les données et la puissance de calcul ne sont pas centralisées, mais distribuées selon un réseau, dont les éléments communiquent en suivant un certain nombre de contraintes (e.g. échanges limités entre les machines formant le réseau, temps de calcul pour l’apprentissage et/ou la prédiction). Dans ce contexte (e.g. MapReduce), les données sont généralement acquises de façon séquentielle et hétérogène, ce qui constitue un autre aspect auquel les algorithmes utilisés en pratique doivent être adaptés.