v2.4.0 (3109)

Enseignement scientifique & technique - IA304 : Probabilistic Models and Machine Learning

Descriptif

L'objectif du cours est d'exposer les principaux modèles markoviens avec applications en traitements bayésiens (segmentation, filtrage, lissage, prédiction, ...) des données. On traitera en particulier certains développements récents des modèles de Markov cachés et traitements généraux, de type de traitement particulaires, correspondants. L'accent sera mis sur  les méthodes classiques d'estimation des paramètres aboutissant à des traitements non supervisés. On présentera différents exemples d'applications dans les domaines de traitement d'images, de poursuite, finances, ou encore codage et communications numériques.

 

24 heures en présentiel (16 blocs ou créneaux)

Diplôme(s) concerné(s)

Format des notes

Numérique sur 20

Littérale/grade européen

Pour les étudiants du diplôme IA : Intelligence Artificielle

Vos modalités d'acquisition :

La note finale après rattrapage rentre dans le calcul de la moyenne de la période

Le rattrapage est autorisé (Max entre les deux notes)
  • le rattrapage est obligatoire si :
    Note initiale < 6
  • le rattrapage peut être demandé par l'étudiant si :
    6 ≤ note initiale < 10
L'UE est acquise si Note finale >= 10
  • Crédits ECTS acquis : 2 ECTS

La note obtenue rentre dans le calcul de votre GPA.

Pour les étudiants du diplôme Diplôme d'ingénieur

Le rattrapage est autorisé (Note de rattrapage conservée)
    L'UE est acquise si Note finale >= 10
    • Crédits ECTS acquis : 2 ECTS
    • Crédit d'Option 3A acquis : 2

    La note obtenue rentre dans le calcul de votre GPA.

    Pour les étudiants du diplôme Echange non diplomant

    Le rattrapage est autorisé (Note de rattrapage conservée)
      L'UE est acquise si Note finale >= 10
      • Crédits ECTS acquis : 2 ECTS

      La note obtenue rentre dans le calcul de votre GPA.

      Mots clés

      Réseaux bayésiens, fonction croyance, chaine de Markov, méthodes particulaires
      Veuillez patienter