MALIS
Abstract
L'objectif de ce cours est de donner aux étudiants une solide formation en techniques d'apprentissage machine (ML). Les techniques d'apprentissage automatique sont utilisées pour construire des modèles efficaces pour des problèmes dont la solution optimale est inconnue. Ce cours présente les théories de base de l'apprentissage automatique, ainsi que les familles les plus courantes de classificateurs et de prédicteurs. Il identifiera les idées de base qui sous-tendent le mécanisme d'apprentissage et précisera les problèmes pratiques rencontrés lors de l'application de ces techniques, l'optimisation, le suréquipement, la validation, ainsi que les solutions possibles pour gérer ces difficultés.
Modalités pédagogiques : Cours magistraux et travaux pratiques (groupes de 1 ou 2 étudiants).
Règles du cours : La participation aux séances de travaux pratiques est obligatoire.
Bibliography
- Livre : FRIEDMAN J., TOBSHIRANI R., HASTIE T. The Elements of Statistical Learning. Springer, 2009, 767p.
- Livre : BISHOP C. Pattern recognition and Machine Learning. Springer-Verlag, 2006, 738p.
Requirements
Connaissances en programmation.
Description
- Introduction à l'apprentissage
-
Apprentissage supervisé :
- Méthodes linéaires de régression
- Méthodes linéaires de classification
- Machines vectorielles de support
- Arbres de décision
- Apprentissage d'ensemble :
-
- Réseaux de neurones
- Théorie de l'apprentissage, validation, sur-adaptation et régularisation
-
Apprentissage non supervisé :
- Clustering, K-means
- Réduction de la dimensionnalité, PCA
Objectifs d'apprentissage :
- Maîtriser les bases de l'apprentissage machine
- Comprendre les familles de classificateurs et de prédicteurs les plus courants
- Être capable d'appliquer les algorithmes ML à des problèmes pratique
Nombre d'heure : 42 heures
Evaluation :
- Rapports de travaux pratiques (10% de la note finale),
- Projet final (30% de la note finale),
- Examen final (60% de la note finale).
