Apprentissage, Réseaux de neurones et Modèles graphiques
6 crédits Nicolas THOME EPN05 - Informatique Unité d'enseignement de type cours
Publié Du 01-09-2007 au 31-08-2021
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 au préalable l'UE RCP208 « Reconnaissance des formes et méthodes neuronales » ou un enseignement équivalent comportant une présentation des méthodes de base d'analyse des données et de modélisation descriptive des données.
Ce cours présente des méthodes de modélisation décisionnelle 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, le diagnostique médical, les véhicules autonomes, la bio-ingénierie, la climatologie, la sécurité environnementale, le marketing, la gestion de la relation client, la recherche d'information, etc.
Modélisation décisionnelle à partir de données, avec application à la reconnaissance de formes et à la fouille de données.
L'unité RCP209 apparaît dans 2 cursus.
Les thèmes abordés dans les séances de cours et de travaux pratiques (TP) sont :
Chaque séance de cours est suivie d'une séance de travaux pratiques (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.
La note finale est la moyenne non pondérée entre la note obtenue au projet et la note obtenue à l'examen final.
Titre | Auteur(s) |
---|---|
Réseaux de neurones ( Eyrolles). | G. Dreyfus et al |
Apprentissage artificiel : Concepts et algorithmes (Eyrolles) | A. Cornuéjols et al |
Réseaux bayésiens (Eyrolles). | P. Naim et al |
Learning With Kernels: Support Vector Machines, Regularization, Optimization and Beyond (MIT Press). | B. Scholkopf, A. J. Smola |
The Elements of Statistical Learning: Data Mining, Inference, and Prediction (Springer). | T. Hastie et al |
Bayesian Networks and Decision Graphs ( Springer-Verlag). | F.V. Jensen |
Neural Networks for Pattern Recognition (Oxford University Press) | C.M. Bishop |