Accueil - Connexion

Machine Learning

3IE2 Machine Learning Informatique S9
Cours : 20 h TD : 2 h TP : 8 h Projet : 0 h Total : 30 h
Responsable : Regis Clouard
Pré-requis
Bases d'algèbre, de calcul scientifique et d'optimisation
Objectifs de l'enseignement
Ce module présente les méthodes et algorithmes pour l'apprentissage automatique.
Programme détaillé
Le module se se concentre sur les méthodes d'apprentissage statistique et de fouille de données. Après une introduction des différents types de problèmes d'apprentissage statistique (supervisé, non-supervisé, etc.) en les illustrant dans le cadre de la fouille de données, les principes sur lesquels reposent les méthodes d'apprentissage statistique seront développés (notions de risques structurel/empirique, compromis biais/variance, validation des modèles, etc.). Les grandes classes de méthodes existantes d'apprentissage statistique seront ensuite détaillées: plus proches voisins, réseaux de neurones, méthodes à base de noyaux, réduction de dimension, etc. La partie fouille de données se concentre sur les motifs séquentiels du point de vue méthodologique ainsi que du point de vue usage à travers leur utilité pour la fouille de données textuelles.
Applications (TD ou TP)
Le cours sera illustré par des applications sur des données multimédia (texte, image, etc..)
Compétences acquises
Connaissances en apprentissage statistique et fouille de données
Bibliographie
Alpaydin, E. (2010). Introduction to Machine Learning (2nd ed.). The MIT Press.

Hastie, T., Tibshirani, R., Friedman, J. (2009). The Elements of Statistical Learning (2nd ed.). Springer-Verlag New York, Inc., Secaucus, NJ, USA.

Bishop, C.M. (2006). Pattern Recognition and Machine Learning (Information Science and Statistics). Springer-Verlag New York, Inc., Secaucus, NJ, USA.

Mitchell, T. (1997). Machine Learning (1 ed.). McGraw-Hill, Inc., New York, NY, USA.

© 2018 - ENSICAEN ( Mentions Légales - Crédits )