Apprentissage Automatique Supervisé (SML)

Description

Ce module présente les concepts, la méthodologie et les principales approches de l'apprentissage automatique en se focalisant sur l'apprentissage de classifieurs à partir d'exemples étiquetés (spam vs non-spam, reconnaissance de caractères, classification de protéines…).

Mots-clés

Classification, discrimination, généralisation, biais d'apprentissage, espaces de représentations et de recherche.

Prérequis

Bases en : informatique, mathématique, logique, statistiques et probabilités.

Contenu

Concepts et méthodologie de l'apprentissage supervisé
  • Définitions et problématique
  • Induction et principe inductif
  • Organisation d'un processus d'apprentissage, nécessité d'un biais
  • Evaluation de l'apprentissage - Théorique - PratiqueApprentissage supervisé symbolique
  • Induction et relation d'ordre : espace des versions
  • Inférence grammaticale
  • Arbres de décision (transition vers méthodes numériques)Apprentissage supervisé numérique
  • Réseaux de neurones / apprentissage profond (deep learning, auto-encodeur)
  • Séparateurs linéaires et séparateurs à vaste marge
  • Apprentissage Bayésien et estimateurs de densité (noyaux, PPV)
  • Méthodes d'ensembles: Bagging et Boosting
  • Manipulations pratiques avec Scikit-learn

Compétences acquises

  • Acquérir les fondamentaux de l'apprentissage automatique
  • Connaître les principaux algorithmes d’apprentissage supervisé
  • Maitriser la mise en place d'un processus d'apprentissage
  • Être capable de développer un nouveau système d'apprentissage dédié

Enseignants

François Coste (responsable), Ewa Kijak