Intitulé de l’enseignement |
Code UE |
Crédits |
IA Chimie |
CHIM-M1-C25-S1 |
4 ECTS |
Bases de Python pour l’analyse numérique (les bibliothèques spécifiques au ML ne sont pas nécessaires), connaissances en statistiques (estimation, inférence).
Description
Dans une première partie (6 cours) seront présentées les bases de l’apprentissage automatique (ML) ainsi que les outils Python génériques (PyTorch) à travers des travaux pratiques. Voici une liste non exhaustive des sujets abordés :
- ML supervisé/non supervisé,
- Optimisation,
- Sur-apprentissage et régularisation,
- Réseaux de neurones,
- Réseaux de neurones profonds.
Après cette courte introduction, les étudiants travailleront en groupe sur un sujet d’apprentissage lié à une problématique de chimie pour le reste du semestre. Le projet sera effectué en autonomie partielle avec des interactions hebdomadaires pour chaque groupe.
Examen
L’examen consistera en une présentation orale de 20 minutes de la solution proposée et de l’approche scientifique suivie au cours du projet.
—
Prerequisites
Python bases for numerical analysis (ML-specific libraries are not required), knowledge in statistics (estimation, inference).
Description
In the first part of the course (6 lectures) will be exposed the bases of machine learning (ML) as well as the generic Python tools (PyTorch) through hands-on sessions. Here is a non-exhaustive list of the topics covered:
- Supervised/unsupervised ML,
- Optimization,
- Overfitting and regularization,
- Neural networks,
- Deep neural networks.
After this short introduction, the students will work in groups on a chemistry-related problem during the rest of the semester. The work will be done in partial autonomy with weekly interactions for each group.
Final examination
The exam consists of a 20-minute oral presentation of the proposed solution but also of the scientific approach followed throughout the project.