Teaching

Bachelor Courses

• • Apprentissage par réseaux de neurones (ARN, 2022)
    • 1. Machine Learning basics (reminder)
    • 2. Perceptrons
    • 3. Multi-Layer Perceptrons (MLP)
    • 4. Neural Networks’ training
    • 5. Neural Networks’ monitoring
    • 6. Convolutional Neural Networks (CNN)
    • 7. From Shallow to Deep Neural Networks
    • 8. Convolutional Neural Network Architectures
    • 9. Transfer Learning, Embeddings and Meta-Learning
    • 10. Deep troubles
    • 11. Deep Learning Applications
    • 12. Beyond Convolutional Neural Networks
  • Introduction à la science des données (ISD, 2021)
    • 1. Outils pour la modélisation data-driven
    • 2. Introduction à la science des données
    • 3. Apprentissage automatique (Machine Learning)
    • 4. Bibliothèques pour le calcul scientifique
    • 5. Analyse exploratoire des données
    • 6. Apprentissage supervisé
    • 7. Evaluation des modèles
    • 8. Apprentissage supervisé 2: algorithme LVQ
    • 9. Régression linéaire
    • 10. Données et caractéristiques
    • 11. Apprentissage non-supervisé
    • 12. Conclusions et perspectives

• • Architecture des ordinateurs (ARO1, 2003-2018)
• • Développement de dispositifs médicaux (DDM, 2019)
    • Sports, santé et bien-être à l’ère du numérique
    • Sports, santé et bien-être à l’ère du numérique 2
• • Interfaces Homme-Machine (IHM, 2018-2022)
    • 0. Introduction
    • 1. Design of interfaces: basic concepts
    • 2. The human in the loop
    • 3. Context-aware interfaces
    • 4. Emerging HCI
    • 5. Data visualization
    • 6. Gamification
• Machine Intelligence (2008 & 2010)
• Machine Learning (MLG 2016-2020)
  • 01. Introduction
  • 02. Artificial Neural Networks
  • 03. Artificial Neural Networks II
  • 04. Feature engineering
  • 05. Deep Learning
  • 06. Unsupervised learning
  • 07. Reinforcement Learning
  • 08. Genetic Algorithms
  • 09. Swarm Intelligence
  • 10. Artificial Intelligence
• MAGICIEL:MAtériel et LoGICIEL des ordinateurs (MAG, 2004-2014)
• Science-fiction et technologie (SFI, 2015)
• Systèmes bio-inspirés (SBI, 2005-2015) 

Master Courses

• Quantified Self (QSelf, 2018-)
  • Moodle MSE
  • 1. Introduction to Quantified Self
  • 2. Sensors for Quantified Self
  • 3. Sensor data for Quantified Self
  • 4. Quantified Self: physical state monitoring
  • 5. Quantified Self: cognitive state monitoring
• Machine Learning (TSM_MachLe, 2017-)
  • Moodle MSE
  • 6. Artificial Neural Networks
  • 7. Deep Learning & Convolutional Neural Networks
  • 9. Recurrent Neural Networks
  • 10. Dimensionality reduction
  • 11. Reinforcement Learning
  • 14. Final feedback
• Machine Learning on Big Data (MLBD 2018-)
  • Moodle MSE
  • 1. Introduction
  • 2. Feature engineering
  • 3. Feature construction
  • 4-9. Fuzzy Modeling and feature selection in very wide databases (by C. Peña)
  • 10. Anomaly detection in very large databases
• Machine Learning on Big Data (MLBD 2016)
  • 1. Introduction
  • 2. What is Learning (by C. Peña)
  • 3. Hands-on learning
  • 4. Supervised Learning and Artificial Neural Networks
  • 5. Evolutionary Fuzzy Modelling (by C. Peña)
  • 6. Feature and Model selection (by C. Peña)
  • 7. Unsupervised Learning
  • 8. Reinforcement Learning
  • 9. Convolutional Neural Nets
  • 10. AlphaGO
  • 11. Deep Learning on GPUs (by J. Rebetez)
• AI for Games and Simulation (AIGS, 2012 & 2013)
  • 0. Introduction
  • 1. AI & Games
  • 2. GOFAI
  • 3. Bio-inspired systems
  • 4. Supervised learning
  • 5. Reinforcement learning
  • 6. Simulation
  • 7. Games for a better world
• Smart Devices and Applications (SDA, 2010 & 2011)