Apprentissage automatique pour systèmes de communication

MALCOM
Abstract

Ce cours présente les concepts fondamentaux de l’apprentissage automatique (AA), en mettant l’accent sur les l'apprentissage distribué efficace pour la communication et les applications aux systèmes en réseau. Après une brève introduction aux méthodes d’AA et aux réseaux de neurones profonds (adaptée aux connaissances préalables des étudiants inscrits), nous présentons les aspects clés de leur application efficace aux systèmes de communication. Nous étudierons les applications qui couvrent différentes couches et configurations système, y compris la couche physique (transmission, détection), l'accès multiple et la gestion des ressources radio. Nous nous concentrerons sur l'apprentissage à grande échelle distribué et décentralisé dans les réseaux sans fil, en particulier sous contraintes (temps de réalisation, ressources radio, efficacité de calcul, etc.). Nous couvrons également l'apprentissage par renforcement et des sujets théoriques (généralisation, approximation, équité). Enfin, nous soulignons les principaux défis à relever pour concrétiser la promesse de l'apprentissage automatique pour les réseaux de communication.

Enseignement et méthodes d'apprentissage : Cours magistraux, séances d’exercices, travaux pratiques (TPs) et éventuellement devoirs, y compris résolution de problèmes et programmation des méthodes enseignées. Chaque cours commence par résumer les concepts clés du cours précédent. Une partie de chaque cours est consacrée à des exemples illustratifs et des exercices.

Règles du cours: La présence aux TPs est obligatoire. La présence aux cours magistraux est fortement recommandée.

Bibliography
  • S. Shalev-Shwartz and S. Ben-David, “Understanding Machine Learning”, Cambridge University Press
  • M. Mohri, A. Rostamizadeh, and A. Talwalkar, “Foundations of Machine Learning”, MIT Press
  • J. Friedman, R. Tobshirani, T. Hastie, “The Elements of Statistical Learning”, Springer

Requirements

Connaissances de base en algèbre linéaire, en probabilités et en analyse réelle.

Description

1. Techniques d'apprentissage automatique

  • Préliminaires et bases d’AA
  • Apprentissage supervisé (régression, classification) et non supervisé
  • Apprentissage en profondeur
  • Réseaux de neurones à convolution
  • Modèles génératifs (VAE et GAN)

2. Applications aux systèmes de communication

  • Couche PHY: modulation, codage, estimation de canal, détection, MIMO
  • Auto-encodeurs et systèmes de communication de bout en bout
  • Accès multiple et allocation des ressources (contrôle de puissance, ordonnancement, gestion du spectre)
  • Réseaux autonomes, Internet des objets (IoT)

3. Apprentissage automatique distribué dans les réseaux

  • Optimisation distribuée et SGD dans des systèmes à ressources limitées
  • Apprentissage distribué efficace en communication
  • AA à faible latence

    • Apprentissage en périphérie et sur l’appareil
    • Apprentissage fédéré

      • Apprentissage décentralisé

4. Apprentissage par renforcement

  • Processus de décision Markovien
  • Méthodes de Q-learning et d’optimisation des politiques
  • Apprentissage par renforcement profond (DRL)
  • Systèmes multi-agents

5. Aspects théoriques

  • Généralisation
  • Représentation et approximation
  • Explicabilité et interprétabilité
  • Équité algorithmique

Résultats de l'Apprentissage: 

  • comprendre les fondamentaux de l'apprentissage automatique et de l’apprentissage profond
  • être capable d'appliquer des algorithmes d'apprentissage automatique aux problèmes de système de communication et réseaux
  • comprendre les aspects de communication impliqués dans les réseaux utilisant apprentissage automatique
  • être capable de suivre les développements récents et les directions émergentes dans la théorie et les applications de l’apprentissage automatique

Heures: 42.00 (9 hr TP).

Evaluation: TPs (30%), Examen final (70%.) – écrit. Projet optionnel (20% bonus).