Foundations of Machine Learning and Cryptography

A la fin de cette unité d’enseignement, l’étudiant est capable de :

• Comprendre et expliquer le rôle du hasard et de l’échantillonnage dans les algorithmes probabilistes et les méthodes de Monte Carlo, ainsi que leurs garanties de convergence. 
  

• Modéliser et analyser des problèmes statistiques et d’apprentissage à l’aide des outils de la théorie de l’information et de l’inférence bayésienne, en identifiant les liens entre incertitude, régularisation et généralisation. 
  

• Comprendre et expliquer comment les principes statistiques (biais–variance, régularisation, généralisation) guident la conception, l’évaluation et la robustesse des modèles d’apprentissage automatique. 
  

• Définir et expliquer les propriétés de sécurité visées par les primitives cryptographiques de base (confidentialité, authenticité, mise en accord de clé), et identifier les limites de ces propriétés 
  

• Comprendre comment sont conçues et fonctionnent les plus importantes primitives cryptographiques utilisées aujourd’hui (chiffrement par bloc, fonction de hachage cryptographique, …) 
  

• Comprendre et expliquer comment ces primitives peuvent être composées en vue d’obtenir des protocoles de communication sécurisée.