Machine Learning 1 [Odd Semester 2026/2027 Telyu] - Introduction to Machine Learning

Machine Learning 1 [Odd Semester 2026/2027 Telyu] - Introduction to Machine Learning

Machine Learning 1 [Odd Semester 2026/2027 Telyu] - Introduction au Machine Learning

par Machine Learning Indonesia (enseignant industriel) · Voir la chaîne sur PSI

Sciences formelles & physiques IA — Modèles & Recherche UYQIntelligence artificielle (IA)UYQMApprentissage par la machine
🎙 Machine Learning Indonesia (enseignant industriel) 👥 3K 📅 20 septembre 2026 ⏱ 61 min 👁 25 📄 tutoriel 🧭 2026-09-20
Disponible en : Français (actuel) English

Mots-clés

apprentissage supervisénon superviséparadigmeFCPPRML

Résumé

Ce cours inaugural de machine learning destiné à des étudiants en génie électrique introduit la discipline au travers de la méthodologie FCP (fondamentale, conceptuelle, pratique) inspirée de Richard Feynman. L’enseignant, fort d’une carrière industrielle, définit le domaine comme l’étude de motifs dans les données en l’absence de règles mathématiques explicites. Il insiste sur la nécessité de maîtriser à la fois les mathématiques, les concepts et les outils pratiques, illustrant son propos par l’exemple de la reconnaissance de chiffres manuscrits. Est ensuite posé le cadre formel : des données X, une fonction cible inconnue F, un ensemble d’hypothèses et un algorithme d’apprentissage produisant une fonction G approchant F. Les trois grands paradigmes sont distingués : supervisé, non supervisé et semi-supervisé, avec une mention du renforcement. Le cours propose également une préparation pratique (GitHub, Kaggle, outils comme Orange) et recommande des ressources livresques majeures.

142 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur du contenu repose sur une articulation rare entre théorie et expérience de terrain. L’argumentation, construite autour du concept FCP, est solide et vise à combattre les idées reçues sur le machine learning perçu comme un simple codage. L’enseignant justifie l’importance des fondements par des exemples concrets (reconnaissance de chiffres, crédit bancaire) et critique la superficialité de certains praticiens. Il cite des ouvrages de référence et des principes statistiques, appuyant son discours sur une démonstration progressive.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est globalement bonne : les recommandations bibliographiques (PRML de Christopher Bishop, Learning from Data de Yaser Abu-Mostafa) sont reconnues dans la communauté. L’accent mis sur la distinction entre problème déterministe et problème d’apprentissage est correct et conforme à la littérature. Le titre reflète fidèlement le contenu. Quelques affirmations ne sont pas étayées (notamment sur les polarisations du marché de l’emploi) mais restent périphériques. La présence de références dans la description (GitHub du cours, guide Rust) est satisfaisante.

172 mots

Adéquation titre / contenu

Le titre correspond exactement au contenu : première séance d'un cours d'introduction au machine learning.

Qualité & fiabilité

8/10

Cours magistral structuré, enrichi par l'expérience industrielle de l'intervenant (Microsoft, Samsung, Paragon), s'appuyant sur des références reconnues (PRML, Learning from Data). Quelques raccourcis mais l'ensemble demeure fiable et pédagogique.

Moments clés

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

Sources citées

  • GitHub - teachingMLDL — Code source et matériel du cours.
  • MLVR - Machine Learning via Rust — Guide proposé pour apprendre le machine learning avec Rust.
  • RantAI Academy — Site de l'académie RantAI lié au cours.
  • Pattern Recognition and Machine Learning (PRML) — Ouvrage de Christopher Bishop cité comme référence principale.
  • Learning from Data — Ouvrage de Yaser Abu-Mostafa, également recommandé.

Sources concordantes

Références externes

Apport & nouveautés

Ce cours d’introduction apporte une perspective originale en reliant systématiquement les aspects mathématiques, conceptuels et pratiques, une démarche peu commune dans les enseignements académiques classiques. L’emphase sur la méthodologie FCP, inspirée de Richard Feynman, incite les étudiants à dépasser le simple aspect technique. Le cadre théorique bien établi (fonction cible, hypothèse, algorithme) permet de structurer la pensée. Malgré une certaine classicité du contenu (paradigmes supervisé/non supervisé), l’approche pragmatique et les exemples industriels apportent une valeur ajoutée.

Pour aller plus loin :

164 mots

Profil radar

Le profil radar montre un équilibre correct entre quantité et qualité d'information, avec un niveau technique modéré adapté à une introduction. La fiabilité est élevée grâce aux références solides et à l'expérience du professeur. Le côté pratique est bien illustré mais reste secondaire dans ce premier cours.

Fiabilité 8/10