Cette UE présente des méthodes de Machine Learning avancées. En particulier, on explorera les techniques applicable à des cas où les données et la puissance de calcul ne sont pas centralisées mais distribuées, avec un certain nombre de contraintes (par exemple, échanges limités entre les machines, temps de calcul pour l'apprentissage et la prédiction). Dans ce contexte (cf. MapReduce), les données sont généralement acquises de façons séquentielle et hétérogène, ce qui constitue un autre aspect auquel les algorithmes doivent être adaptés.
- Enseignant: Pascal Bianchi
- Enseignant: Thomas Bonald
- Enseignant: Romain Brault
- Enseignant: Slim Essid
- Enseignant: Olivier Fercoq
- Enseignant: Dorian Gailhard
- Enseignant: Stéphane Gentric
- Enseignant: Jhony Heriberto Giraldo Zuluaga
- Enseignant: Pietro Gori
- Enseignant: Yannick Guyonvarch
- Enseignant: Ekhine Irurozki Arrieta
- Enseignant: Hicham Janati
- Enseignant: Matthieu Labeau
- Enseignant: Stéphane Lathuilière
- Enseignant: Arthur Leclaire
- Enseignant: Laurence Likforman-Sulem
- Enseignant: Pavlo Mozharovskyi
- Enseignant: Nathan Noiry
- Enseignant: Geoffroy Peeters
- Enseignant: Victor Priser
- Enseignant: Aurian Quelennec
- Enseignant: Bertha Helena Rodriguez
- Enseignant: Enzo Tartaglione
- Enseignant responsable de l'UE: Charlotte Laclau