Apprentissage, Réseaux de neurones et Modèles graphiques

Code UE : RCP209

  • Cours
  • 6 crédits

Responsable national

Michel CRUCIANU

Responsable opérationnel

Michel CRUCIANU

Public et conditions d'accès

Cet enseignement s'adresse aux auditeurs souhaitant acquérir des connaissances sur la modélisation à partir des données pour la reconnaissance des formes et la fouille de données (data mining).
Prérequis obligatoires : avoir suivi la première partie du cycle spécialisation de l'EICNAM ou avoir le niveau M1 (Bac + 4). Il est fortement recommandé d'avoir suivi l'UE RCP208 « Reconnaissance des formes et méthodes neuronales ».

Objectifs pédagogiques

Ce cours présente des méthodes de modélisation à partir des données, notamment à travers les machines à vecteurs supports (SVM), les réseaux de neurones profonds, et la prédiction structurée, en vue de leur utilisation dans des applications réelles.
L'apprentissage automatique permet de construire, à partir des données empiriques, des modèles pour la prise de décision. Les méthodes abordées ont de très nombreuses applications dans des domaines aussi divers que l'assurance qualité, la bio-ingénierie, la climatologie, la sécurité environnementale, le marketing, la gestion de la relation client, la recherche d'information, etc.

Compétences visées

Fouille de données et modélisation décisionnelle à partir des données.

Contenu

Les thèmes abordés dans les séances de cours et de travaux pratiques (TP) sont :
  • Apprentissage supervisé : discrimination, régression, prédiction structurée.
  • Evaluation et sélection de modèles.
  • Arbres de décision et forêts d'arbres de décision (random forest).
  • Machines à vecteurs de support (SVM) : discrimination, régression, estimation du support d'une distribution, ingénierie des noyaux.
  • Apprentissage de représentations, apprentissage profond (deep learning).
  • Modèles graphiques, apprentissage structuré.
Chaque séance de cours est suivie d'une séance de TP permettant de mettre en œuvre les méthodes présentées.
Les TP sont réalisés en utilisant les plateformes Scikit-learn et Keras. Une introduction à Scikit-learn et à Keras est prévue lors des séances de TP.

Modalité d'évaluation

La note finale est la moyenne entre la note obtenue au projet et la note obtenue à l'examen final.

Bibliographie

  • G. Dreyfus et al : Réseaux de neurones ( Eyrolles).
  • A. Cornuéjols et al : Apprentissage artificiel : Concepts et algorithmes (Eyrolles)
  • P. Naim et al : Réseaux bayésiens (Eyrolles).
  • B. Scholkopf, A. J. Smola : Learning With Kernels: Support Vector Machines, Regularization, Optimization and Beyond (MIT Press).
  • T. Hastie et al : The Elements of Statistical Learning: Data Mining, Inference, and Prediction (Springer).
  • F.V. Jensen : Bayesian Networks and Decision Graphs ( Springer-Verlag).
  • C.M. Bishop : Neural Networks for Pattern Recognition (Oxford University Press)

Cette UE apparaît dans les diplômes et certificats suivants

Chargement du résultat...
Patientez
Type
Intitulé
Equipe pédagogique
Modalité(s) / Lieu(x)
Code
Equipe pédagogique Informatique
Modalité(s) / Lieu(x)
  • Enseignée en formation présentielle et/ou partiellement à distance : Paris
  • Equipe pédagogique Informatique
    Modalité(s) / Lieu(x)
  • Enseignée en formation présentielle et/ou partiellement à distance : Bretagne, Centre, Grand Est, Paris
  • Type Intitulé Equipe pédagogique Modalité(s) / Lieu(x) Code

    Contact

    EPN05 - Informatique
    2 rue Conté
    75003 Paris
    Tel :01 40 27 22 58
    Swathi Rajaselvam

    Voir les dates et horaires, les lieux d'enseignement et les modes d'inscription sur les sites internet des centres régionaux qui proposent cette formation

    UE

      • Paris
        • Paris
          • 2018-2019 1er semestre : Formation hybride
          • 2018-2019 2nd semestre : Présentiel
          • 2019-2020 1er semestre : Formation hybride
          • 2019-2020 2nd semestre : Présentiel
          • 2020-2021 1er semestre : Formation hybride
          • 2020-2021 2nd semestre : Présentiel