Machine learning - KATI9M24

  • Volumes horaires

    • CM 10.0
    • Projet -
    • TD -
    • Stage -
    • TP 32.0
    • DS -

    Crédits ECTS

    Crédits ECTS 0.6

Objectif(s)

Connaitre les différents principe de l?apprentissage automatique et les algorithmes associés.
Savoir mettre en pratique ces algorithmes sur une problématique concrète.
Etre capable de choisir le type d?algorithme le mieux adapté à la problématique
Avoir un regard critique sur les données disponibles
Etre capable d?analyser les résultats obtenus

Contenu(s)

Chapitre 1 : L?apprentissage bayésien (apprentissage par estimation de densités de probabilités)
Chapitre 1 : Evaluation d?un système de décision, Comparaison de performances
Chapitre 1 : Le choix de l?espace de représentation
Chapitre 2 : Les arbres de décisions (apprentissage par combinaison de décisions)
Chapitre 3 : L?apprentissage par calcul direct des frontières (apprentissage par optimisation)

Prérequis

traitement du signal, traitement de données, statistiques

Contrôle des connaissances

100% contrôle continu : tests QCM et compte rendu de projets.
En cas de non validation d’une UE, le jury peut autoriser l’élève ingénieur à passer des épreuves complémentaires pour la valider.

Calendrier

Le cours est programmé dans ces filières :

  • Formations d'ingénieur - TIS - Semestre 9

Informations complémentaires

Code de l'enseignement : KATI9M24
Langue(s) d'enseignement : FR

Vous pouvez retrouver ce cours dans la liste de tous les cours.

Bibliographie

Statistical pattern recognition K. Fukunaga, Academic Press
Decision, estimation and classification ? An introduction to pattern recognition and related topics, C. Therrien, Wiley
Diagnostic et reconnaissance de formes, B. Dubuisson, Hermes
Kernel methods for pattern analysis, J. Shawe-Taylor, N. Christianini, Cambridge university press
An introduction to support vector machines and other kernel-based learning methods, N. Christianini, J. Shawe-Taylor, Cambridge university press
Réseaux neuronaux, JP; Bernard, Vuibert
Graphes d?induction, Apprentissage et data-mining, D. Zighed et R. Rakotomalala, Hermes
Learning and soft computing, V. Kecman, MIT Press
Apprentissage artificiel, concepts et algorithmes, A. Cornuejols, L. Miclet, Eyrolles
Apprentissage artificiel: Deep learning, concepts et algorithmes Vincent Barra , Laurent Miclet; A. Cornuejols, L. Miclet, Eyrolles
Bases théoriques pour l?apprentissage et la reconnaissances des formes, A. de Beauville, F.Z. Kettaf, Cépadues