Apprentissage statistique : modélisation décisionnelle et apprentissage profond
6 crédits Arnaud BRELOY EPN05 - Informatique Unité d'enseignement de type cours
Publié Du 01-09-2021 au 31-08-9999
Cet enseignement s'adresse aux auditeurs et auditrices souhaitant se former à l'apprentissage statistique, notamment à l'apprentissage profond et aux réseaux de neurones artificiels.
Prérequis :
Ce cours présente les méthodes modernes d'intelligence artificielle pour la modélisation décisionnelle à partir des données, notamment les machines à vecteurs supports (SVM), les forêts aléatoires et les réseaux de neurones profonds, en vue de leur utilisation dans des applications réelles.
L'apprentissage automatique ou (machine learning) permet de construire des modèles prédictifs à partir de jeux de données empiriques, par exemple pour la prise de décision. Les méthodes abordées font partie de l'intelligence artificielle et de la fouille de données et ont de très nombreuses applications dans des domaines aussi divers que l'assurance qualité, le diagnostic 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.
L'unité RCP209 apparaît dans 5 cursus.
Certificat de spécialisation Intelligence artificielle
Certificat de spécialisation Intelligence artificielle et calcul scientifique
Diplôme d'ingénieur Spécialité informatique parcours Intelligence Artificielle et Optimisation
Diplôme d'ingénieur Spécialité informatique parcours Cybersécurité
Master Sciences, technologies, santé mention Informatique parcours Traitement de l'information et exploitation des données
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 à l'aide du langage de programmation Python, en utilisant les bibliothèques logicielles Scikit-learn et Keras. Une introduction à Scikit-learn et à Keras est prévue lors des séances de TP.
L'UE est évaluée sur un projet personnel et un examen écrit. La note finale est la moyenne entre la note obtenue au projet et la note obtenue à l'examen.
| Titre | Auteur(s) |
|---|---|
| Introduction au machine learning | Chloé-Agathe Azencott |
| Machine learning avec Scikit-Learn | Aurélien Géron |
| Deep learning avec Keras | Aurélien Géron |
| L'apprentissage profond | Aaron Courville, Ian Goodfellow, Yoshua Bengio |