v2.11.0 (5679)

Enseignement scientifique & technique - IA702 : Probabilistic Models and Machine Learning

Descriptif

Ce cours propose une introduction à la modélisation probabiliste fondée sur la théorie des graphes, pratique en Intelligence Artificielle et en Statistiques. Après un rappel des notions indispensables en probabilités (conditionnement, théorème de transfert, chaînes de Markov), nous introduirons la notion de graphe de dépendance. Après avoir précisé les règles de conditionnement et de marginalisation nous nous intéresserons aux chaînes de Markov, qui sont les modèles graphiques les plus simples. Cela permet par ailleurs d’étudier de façon approfondie les propriétés de Markov associées à différents types de graphes (factorisation des lois de probabilité étudiées le long d’un graphe). Les chaînes de Markov cachées sont également introduites par la suite et leur intérêt est illustré par des exemples d’application en traitements du signal, des images, et en traitement de langage naturel. Enfin, d’autres modèles graphiques markoviens sont rapidement décrits, avec un accent particulier sur les réseaux bayésiens, illustrés par différents exemples applicatifs.

 

Objectifs pédagogiques

L'objectif de ce cours est d'exposer les modèles graphiques probabilistes de base et de donner des exemples concrets de leurs applications. Durant ce cours, les étudiants acquerront des compétences théoriques et pratiques concernant les processus markoviens, les réseaux graphiques, ainsi que les réseaux bayésiens.

Mots-clés : Processus de Markov, modèles graphiques, réseaux bayésiens, estimation, filtrage, prédiction.

24 heures en présentiel (16 blocs ou créneaux)

Diplôme(s) concerné(s)

Format des notes

Numérique sur 20

Pour les étudiants du diplôme IA : Intelligence Artificielle

Vos modalités d'acquisition :

Examen final et notation des TP en python.

La note finale après rattrapage rentre dans la moyenne du BE1

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

Support pédagogique multimédia

Oui

Veuillez patienter