Ce cours fournit une base solide dans les concepts mathématiques essentiels pour comprendre et mettre en œuvre des algorithmes d’apprentissage automatique. 

Il commence par les bases des vecteurs, des matrices et des systèmes linéaires, qui sont cruciaux pour la représentation et la manipulation des données. Le cours explore ensuite le calcul différentiel et les dérivées partielles, essentiels pour les techniques d’optmisation utlisées en apprentissage automatique. Les partcipants apprendront également des méthodes d’optmisation telles que la descente de gradient, qui est au cœur de nombreux algorithmes d’apprentissage automatique.

De plus, le cours couvre la régularisaton et les fonctions de coût, aidant les apprenants à comprendre comment améliorer les performances des modèles et éviter le surapprentissage. Tout au long du cours, une attention partculière est portée aux applications pratiques, avec des exemples pour renforcer la compréhension.

• Vecteurs, Matrices et Systèmes Linéaires : Introduction aux vecteurs et matrices, opérations de base et résolution de systèmes linéaires. Applications à la représentation et à la manipulation des données. 
• Calcul Différentiel et Dérivées Partielles : Principes de base du calcul différentiel, en se concentrant sur les dérivées partielles, les gradients et leur utlisation dans l'optmisation. 
• Techniques d'Optmisation : Vue d'ensemble des méthodes d'optmisation, avec un focus sur la descente de gradient et son rôle dans les modèles d'apprentissage automatique. 
• Régularisaton et Fonctons de Coût : Introducton aux techniques de régularisation pour éviter le surapprentissage, et compréhension des fonctions de coût pour l'évaluation et l'amélioration des modèles.

À la fin de ce cours, les partcipants seront capables de : 

• Comprendre et appliquer les concepts de base des vecteurs, matrices et systèmes linéaires dans le cadre de l'apprentissage automatique. 
• Calculer et interpréter les dérivées partielles et les gradients pour les tâches d'optmisation. 
• Appliquer des techniques d'optmisation, y compris la descente de gradient, pour minimiser les fonctions de coût. 
• Reconnaître et mettre en œuvre des techniques de régularisation pour améliorer la généralisation du modèle et éviter le surapprentissage.

Le cours suit un format traditionnel en salle de classe avec des présentations sur diapositive, favorisant l'engagement interactif et la partcipation active.