Descriptif
Ce cours présente les techniques principales de machine learning pour l'analyse d'images. Plus précisément :
Objectifs pédagogiques
- Apprendre les principes et hypothèses sous-jacentes aux différentes méthodes d'apprentissage
- Comprendre les avantages et les inconvénients de chaque méthode
- Apprendre à les utiliser sur des données réelles et de grande dimension
Format des notes
Numérique sur 20Littérale/grade européenPour les étudiants du diplôme Programme de mobilité des établissements français partenaires
L'UE est acquise si Note finale >= 10- Crédits ECTS acquis : 2.5 ECTS
Pour les étudiants du diplôme Echange international non diplomant
Vos modalités d'acquisition :
1er cours et TP obligatoires
L'UE est acquise si Note finale >= 10- Crédits ECTS acquis : 2.5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme Diplôme d'ingénieur
Vos modalités d'acquisition :
TP et Challenge
L'UE est acquise si Note finale >= 10- Crédits ECTS acquis : 2.5 ECTS
- Crédit d'UE électives acquis : 2.5
La note obtenue rentre dans le calcul de votre GPA.
Programme détaillé
- Introduction à l'apprentissage non supervisé ("curse of dimensionality", ACP, ACI, NNMF)
- Introduction à l'apprentissage supervisé (overfitting, OLS, Ridge, LASSO, LDA, QDA)
- SVM (Séparateur à vaste marge)
- Arbres de décision et forêts aléatoires
- Apprentissage ensembliste
- Réseaux de neurones articifiels (ANNs)
- Réseaux de neurones convolutif (CNNs)